Influencia de la calidad de imagen en el rendimiento de las redes neuronales convolucionales aplicadas a la estimación del peso del cuy

Abstract

La presente investigación aborda la influencia de la calidad de la imagen en el rendimiento de las Redes Neuronales Convolucionales (CNN) entrenadas para estimar el peso del cuy. Se simulan variaciones de calidad mediante cambios en la iluminación y la aplicación de siete distorsiones: desenfoque gaussiano, desenfoque de movimiento, ruido gaussiano, brillo, contraste, compresión JPEG y resolución. Los modelos ResNet50, DenseNet121 y Xception fueron evaluados en términos de error absoluto medio (MAE) y porcentaje de error absoluto medio (MAPE) utilizando un conjunto de datos de imágenes de cuyes de la región de Cusco. Los resultados muestran que las redes son sensibles a distorsiones como el ruido gaussiano y el contraste, afectando su capacidad para detectar el contorno, color y área del animal, mientras que el brillo y la resolución tienen un impacto mínimo. Entre los modelos, DenseNet121 se destaca como el más resistente a las distorsiones. Este estudio proporciona análisis fundamentales para mejorar la precisión y fiabilidad de las estimaciones de peso en cuyes, contribuyendo al avance de las aplicaciones de visión por computadora en la producción animal.