Atribución-NoComercial 4.0 InternacionalOspina Arango, Juan DavidBolaños Martínez, FreddyLema Pérez, LauraJaramillo Tamayo, Andrés Felipe2025-10-072025-10-072025-08-18https://repositorio.unal.edu.co/handle/unal/89017IlustracionesEsta investigación tuvo como objetivo implementar un sistema computacional basado en visión por computador para cuantificar gramos de carbohidratos en platos típicos de Antioquia, con el fin de apoyar el control en personas con diabetes tipo 1. Se construyó un banco de datos compuesto por 1.328 imágenes anotadas manualmente, representando 41 tipos de carbohidratos. Se entrenaron y evaluaron tres modelos de segmentación semántica multiclase, destacando la aplicación de transfer learning de UperNet con backbone ConvNeXt, el cual alcanzó un mIoU de validación de 0.758 y una precisión del 95.3 %. Para la conversión de área segmentada a gramos, se integró la metodología Look Up Table (LUT), que relaciona el porcentaje de cobertura del alimento respecto al plato con su masa estimada, usando el ATLAS como referencia. Esta aproximación presentó errores absolutos promedio entre el 35 % y el 45 %, validados mediante pesajes gravimétricos en tres platos reales. El sistema demostró mayor precisión en clases con alta representación visual y evidencia un alto potencial de aplicabilidad en contextos clínicos y educativos. Se recomienda ampliar la base de datos, mejorar la representación por clase y automatizar el proceso de etiquetado para aumentar la escalabilidad del sistema. (Texto tomado de la fuente)This research aimed to implement a computer vision-based system to quantify grams of carbohydrates in traditional dishes from Antioquia, with the goal of supporting control in individuals with type 1 diabetes. A dataset of 1,328 manually annotated images was constructed, representing 41 types of carbohydrates. Three multiclass semantic segmentation models were trained and evaluated, highlighting the application of transfer learning through UperNet with a ConvNeXt backbone, which achieved a validation mIoU of 0.758 and an accuracy of 95.3%. For the conversion of segmented area to grams, the Look Up Table (LUT) methodology was integrated, which relates the percentage of food coverage on the plate to its estimated mass, using the ATLAS as a reference. This approach yielded average absolute errors ranging between 35% and 45%, validated through gravimetric measurements on three real plates. The system demonstrated higher precision for classes with strong visual representation and shows high potential for clinical and educational applications. It is recommended to expand the dataset, improve class representation, and automate the annotation process to enhance system scalability.1 recurso en líne (86 páginas)application/pdfspahttp://creativecommons.org/licenses/by/4.0/640 - Gestión del hogar y vida familiar::641 - Alimentos y bebidasTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessSegmentación semánticaVisión por computadorInteligencia artificialM-healthAprendizaje automáticoEstimación de carbohidratosDiabetes tipo 1Semantic segmentationComputer visionArtificial intelligenceM-healthMachine learningCarbohydrate estimationType 1 diabetesSegmentaciónInteligencia artificialAprendizaje automáticoCarbohidratos