Aplicación de redes neuronales en el proceso de inspección de calidad del Aguacate Hass para exportación
Cargando...
Fecha
Fecha
2022-11-16
Director
Colaboradores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Altmetric
Descripción
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
Resumen
The Hass avocado is considered in recent years, one of the tropical fruits with the greatest prospect of growth in exports worldwide thanks to its multiple benefits and uses. The success of commercial exchange depends to a large extent on compliance with physical quality standards, which are verified at the plant through visual inspection by human operators who, one by one, severely identify compliance with their expertise and knowledge. However, since the process depends on human operators, it is susceptible to higher resource costs as a result of omissions in the verification of units, longer classification time and, in the event of incurring in breaches in the quality of the load, the suspension of the commercial exchange.
For this reason, this research evaluates the application and use of three (3) supervised learning convolutional neural networks (shallow CNN, Google's Inception Learning and ResNet 50) as inspection and classification mechanisms by computer. This given that today, Artificial Intelligence, especially Neural Networks, are a useful and practical method to automate or improve tasks that were previously not possible through conventional technologies and now are, thanks to the analogy of human learning. In the proposed approach, in each of the architectures, the ReLU activation function, Batch Normalization, is used to reduce bias and increase information. Likewise, Glorot is used as an initialization scheme and precision as a network performance metric.
Regarding the data bank, a photographic sample of 320 images of suitable units and 325 of units not suitable for export is made, which in order to strengthen the volume of the data were subjected to Data Augmentation, through Python and the well-known api Keras, achieving a total bank of 1,177 photos of suitable units and 1,273 photos of unsuitable units. Likewise, for the training, validation and test phases, the 60-40 technique was extracted.
The results show that the proposed ResNet50 model achieves the classification of the units with 95% accuracy. Superior value with respect to simple CNN and Google's Inception Learning
Palabras clave
Aguacate Hass, Calidad, Inspección, Red neuronal