Sistema de visión artificial basado en redes neuronales convolucionales para la selección de arándanos según estándares de exportación
Palavras-chave:
Arándano, Redes Neuronales Convolucionales, Visión Artificial, Faster-RCNNResumo
La exportación de arándano es una de las actividades que mayormente ha crecido durante los últimos años en el sector agroindustrial del Perú. Sin embargo, las empresas locales aún presentan dificultades con la automatización de sus procesos, destacando entre ellos la selección de las frutas, la cual de realizarse inadecuadamente puede provocar su rápido deterioro. Es así que, la presente investigación propone un sistema de visión artificial para la detección de los defectos más comunes en los arándanos, de tal forma que puedan ser clasificados para su potencial exportación. Para este cometido, se ha utilizado el modelo de detección Faster R-CNN que se basa en la aplicación de redes neuronales convolucionales y propuesta de regiones. El trabajo ha involucrado la creación de una base de datos propia, el preprocesamiento de las imágenes adquiridas para su posterior entrenamiento con las redes neuronales, y finalmente la validación de los resultados obtenidos en base a la opinión de un grupo de expertos, cuya información se registró a partir de encuestas. Finalmente, se utilizó el criterio IoU (intersección sobre unión) para poder determinar la precisión de nuestro sistema
Downloads
Referências
Defilippi, B., & Rivera, S. (2017). Análisis de indicadores de calidad y condición de arándanos. INIA Chile.
Romero, C. A. (2016). El Arándano en el Perú y el Mundo: Producción, Comercio y Perspectivas 2016. Ministerio de Agricultura y Riego del Perú.
Rojas, N. (2020). Arándanos Perú. Obtenido de https://arandanosperu.pe/2020/05/05/superficie-destinada-al-cultivo-de-arandanos-podria-llegar-a-14000-hectareas-en-peru/#:~:text=Actualmente%20las%20%C3%A1reas%20de%20ar%C3%A1ndano,ejecutivo%20de%20Cultivida%2C%20Carlos%20Rodr%C3%ADguez
Rudas Ramírez, C. A. (2015). Diseño de un sistema mecatrónico para la selección de arándanos. Lima.
Yu, Q., Mao, D., & Wang, J. (2016). Deep learning-based food recognition. Technical report, Stanford University.
Shaohua Wan, & Sotirios Goudos. (2019). Faster R-CNN for Multi-class Fruit Detection using a Robotic Vision System. Computer Networks, 168, 107036.
Zhang, Y., Wang, S., Ji, G., & Phillips, P. (2014). Fruit classification using computer vision and feedforward neural network. Journal of Food Engineering, 143, 167-177.
