Aplicación de redes neuronales en el proceso de inspección de calidad del Aguacate Hass para exportación

El aguacate Hass es considerada en los últimos años, una de las frutas tropicales con mayor prospectiva de crecimiento en exportación a nivel mundial gracias a sus múltiples beneficios y usos. El éxito del intercambio comercial depende en gran medida del cumplimiento de estándares físicos de calidad, los cuales son verificados en planta mediante inspección visual por medio de operadores humanos los cuales, uno a uno identifica el cumplimiento de conformidades basándose en su experticia y conocimiento. Sin embargo, al ser el proceso dependiente de operadores humanos, es susceptible a mayor gasto de recurso producto de omisiones en la verificación de unidades, mayor tiempo de clasificación y en caso tal de incurrir en incumplimientos en la calidad de la carga, la suspensión del intercambio comercial. Es por ello, que en la presente investigación se evalúa la aplicación y uso de tres (3) redes neuronales convolucionales de aprendizaje supervisado (CNN no profunda, Inception Learning de Google y la ResNet 50) como mecanismos de inspección y clasificación por computadora. Esto dado que hoy día, la inteligencia Artificial, especialmente las Redes Neuronales son un método útil y práctico para automatizar o mejorar tareas que antes, por medio de tecnologías convencionales no era posible y ahora sí, gracias a la analogía del aprendizaje humano. En el enfoque propuesto, en cada una de las arquitecturas se utiliza la función de activación ReLU, Batch Normalization para reducir el sesgo y variabilidad de la información. Así mismo se utiliza Glorot como esquema de inicialización y la precisión como métrica de desempeño de las redes. En cuanto al banco de datos, se realiza una muestra fotográfica de 320 imágenes de unidades aptas y 325 de unidades no aptas para exportación, las cuales con el fin de robustecer el volumen de los datos fueron sometidas a Data Augmentation, mediante Python y la conocida api Keras, lográndose un banco total de 1.177 fotos de unidades aptas y 1.273 fotos de unidades no aptas. Así mismo para las fases de entrenamiento, validación y test, se utilizó la técnica 60-40. Los resultados demuestran que el modelo propuesto de ResNet50 logra con un 95% de precisión la clasificación de las unidades. Valor superior con respecto a la CNN simple y la Inception Learning de Google

• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/31792
• Acceso en línea: http://hdl.handle.net/11349/31792
• Palabra clave: Aguacate Hass; Calidad; Inspección; Red neuronal; Ingeniería Industrial -- Tesis y disertaciones académicas; Aguacate Hass; Exportación de frutas; Redes neuronales convolucionales; Inspección de calidad; Hass Avocado; Quality; Inspection; Neural network
• License: CC0 1.0 Universal