Convolutional Neural Networks (CNN) are currently widely used in image classification work, so efficiency is key when implementing. The thesis work consists of demonstrating, using convolutional neural networks, performance can be affected if images with different levels of color variability are used, as well as with very bright images. To achieve this, the structure and the main components were first made. that interfere in the performance of a convolutional neural network, later the Python language is used where a function is implemented that calculates the index of color variability and the luminosity of a given image. Once having the color variability index, the original set of images is divided into subsets with high and low levels of this index, later the Keras library is used for the implementation of the convolutional neural network, a preliminary network is used. trained where it is trained with the different subsets of images in order to obtain the performance with each of the sets, finally these results are compared in search of which subset had a better performance and if this is due to the color variability indices.
Las Redes Neuronales Convolucionales (CNN) son muy utilizadas en la actualidad en trabajos de clasificación de imágenes, por lo que la eficiencia es clave al momento de implementar. El trabajo de tesis consiste en demostrar utilizando redes neuronales convolucionales, se puede ver afectado al rendimiento al clasificar imágenes si se utilizan imágenes con diferentes niveles de variabilidad del color, así como también con imágenes muy luminosas. Para lograr esto primero se lúzo la estructura y los principales componentes que interfieren en el rendimiento de una red neuronal convolucional, posteriormente se utiliza el lenguaje Python donde se implementa una función que calcula el índice de variabilidad de color y la luminosidad de una imagen dada. Una vez teniendo el índice de variabilidad de color se divide el conjunto de imágenes original en subconjuntos con altos y bajos niveles de este índice, posterior se hace uso de la biblioteca Keras para la implementación de la red neuronal convolucional, se utiliza una red pre-entrenada donde esta se entrena con los diferentes subconjuntos de imágenes para así obtener el rendimiento con cada uno de los conjuntos, finalmente se compara estos resultados en busca de cual subconjunto tuvo un mejor rendimiento y si esto es debido a los índices de variabilidad de color.
