Giménez-Gallego, JaimeGonzález-Teruel, Juan D.Toledo-Moreo, AnaJiménez Buendía, ManuelSoto Valles, FulgencioTorres-Sánchez, Roque2022-09-052022-09-052022Giménez-Gallego, J., González-Teruel, J.D., Toledo-Moreo, A. B., Jiménez-Buendía, M., Soto-Valles, F., Torres-Sánchez, R. (2022) Segmentación en imagen de frutos de granado usando deep learning con aplicación en agricultura de precisión. XLIII Jornadas de Automática: libro de actas, pp.1001-1006 https://doi.org/10.17979/spudc.9788497498418.1001978-84-9749-841-8http://hdl.handle.net/2183/31420[Resumen] En agricultura de precisión, para monitorizar el estado del cultivo mediante imagen de forma automática, son necesarias herramientas de procesamiento para poder extraer la información de interés. En este estudio se desarrolla un modelo de Deep Learning para segmentación de imagen con el objetivo de discriminar los frutos del granado. Se alcanzan unos resultados de Intersection over Union (IoU)=0,71 y mean Average Precision (mAP)=0,82. Posteriormente, se expone un algoritmo que permite estimar el tamaño del fruto en píxeles, con un error relativo medio del 5,4%.[Abstract] In precision agriculture, to automatically monitor the state of the crop using images, processing tools are needed to extract the information of interest. In this study, a Deep Learning model is developed for image segmentation to discriminate pomegranate fruits. Results of Intersection over Union (IoU)=0.71 and mean Average Precision (mAP)=0.82 are achieved. Subsequently, an algorithm for estimating the size of the fruit in pixels is presented, with an average relative error of 5.4%.spaAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/deed.eshttp://creativecommons.org/licenses/by-nc-sa/3.0/es/Agricultura de precisiónVisión por computadorDeep learningSegmentación de imagenPrecision agricultureComputer visionDeep learningImage segmentationconference outputopen accesshttps://doi.org/10.17979/spudc.9788497498418.1001