Clasificación de manzanas utilizando visión artificial y redes neuronales artificiales

  • C. Mota-Delfin Universidad Autónoma Chapingo
  • C. Juárez-González Universidad Autónoma Chapingo
  • J. C. Olguín-Rojas Universidad Autónoma Chapingo
Palabras clave: algoritmo inteligente; convolución; entrenamiento; prueba; clasificación

Resumen

El valor agregado en un fruto puede incrementarse con un buen manejo postcosecha. La clasificación en diferentes parámetros es de las operaciones más importantes. En las pequeñas empresas se realiza de forma manual obteniendo deficiencias en la calidad del producto. Estos problemas se podrían resolver o disminuir con la implementación de algoritmos inteligentes que en este caso incluyen visión artificial y redes neuronales artificiales. En este proyecto se presenta la clasificación de manzanas mediante un algoritmo inteligente, usando una red neuronal convolucional (CNN), la cual se desarrolla utilizando librerías de código abierto (OpenCV, Tensorflow y Keras) en Python con una estructura de diferentes capas convolucionales y MaxPooling, para un conjunto de 2,800 imágenes de 128x128 pixeles, de las cuales el 80% se utilizaron para entrenamiento y el 20% para hacer una prueba de la red, obteniendo una precisión del 98.3% y del 95.36%, respectivamente. Después del entrenamiento, se realizó una clasificación con un video en tiempo real, obteniendo una precisión del 92.25%. Asimismo, se explora la posibilidad de la utilización en la industria con la clasificación por otras características visuales del fruto como tamaño, color, forma, etc.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

C. Mota-Delfin, Universidad Autónoma Chapingo

Estudiante de Ingeniería Mecánica Agrícola

C. Juárez-González, Universidad Autónoma Chapingo

Estudiante de Ingeniería Mecánica Agrícola

J. C. Olguín-Rojas, Universidad Autónoma Chapingo

Profesor del Departamento de Ingeniería Mecánica Agrícola de la Universidad Autónoma Chapingo

Citas

ABC DE FRUTAS Y VERDURAS. (s/f). MANUAL TÉCNICO DE FRUTAS Y VERDURAS. Morelos: Grupo PM.

Gulli, A., & Sujit, P. (2017). Deep Learning with Keras. Birmingham : Packt.

HOREA, M., & MIHAI, O. (s.f.). FRUIT RECOGNNITION FROM IMAGES USING DEEP LEARNING.

[4] Kaggle Inc. (2018). Fruits 360 dataset. Obtenido de https://www.kaggle.com/moltean/fruits/data (08/08/2018).

[5] LeCun, Y., Cortés, C., & JC Burges, C. (s.f.). LA BASE DE DATOS DE MNIST. Obtenido de http://yann.lecun.com/exdb/mnist/ (06/08/2018).

[6] López Briega, R. (02 de Agosto de 2016). Redes neuronales convolucionales con TensorFlow. Obtenido de https://relopezbriega.github.io/blog/2016/08/02/redes-neuronales-convolucionales-con-tensorflow/ (06/08/18).

[7] Quiminet. (Marzo de 2013). La manera más eficaz de clasificar frutas y verduras. Obtenido de https://www.quiminet.com/articulos/la-manera-mas-eficaz-de-clasificar-frutas-y-verduras-3457632.htm. (04/08/18)
Publicado
2018-12-27
Cómo citar
Mota-Delfin, C., Juárez-González, C., & Olguín-Rojas, J. C. (2018). Clasificación de manzanas utilizando visión artificial y redes neuronales artificiales. Ingeniería Y Región, 20(1), 52-57. https://doi.org/10.25054/22161325.1917
Sección
Artículos