Khallwa: robot aéreo para la identificación del estado de madurez de arándanos en los arbustos utilizando aprendizaje profundo

• Autor: Valera Espinoza, Jason Luis
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.pucp.edu.pe:20.500.12404/28683
• Enlace del recurso: http://hdl.handle.net/20.500.12404/28683
• Nivel de acceso: acceso abierto
• Materia: Vehículos aéreos no tripulados--Diseño y construcción; Frutas--Industria y comercio--Perú; Mecatrónica; https://purl.org/pe-repo/ocde/ford#2.03.01

La industria de arándano en nuestro país ha alcanzado un incremento en los últimos años. Por lo cual, el uso de nuevas tecnologías para el sector agroindustrial se convierte en un complemento para el desarrollo de una producción adecuada. El presente documento propone el diseño de un sistema que indique el estado de madurez del arándano en los arbustos utilizando aprendizaje profundo. El sistema se diseña para ser utilizado en campos de cultivo de arándanos de las localidades costeras del territorio peruano y abarca la concepción de un robot aéreo que podrá navegar dentro del campo de cultivo y registrar los arándanos en los arbustos mediante captura de imágenes, las cuales posteriormente serán analizadas por un algoritmo de identificación para clasificarlas por su estado de madurez. Para cumplir el objetivo, inicialmente se identificaron los requerimientos del sistema y posteriormente se proponen tres conceptos de solución por medio de la identificación de funciones. Luego de ponderar los tres conceptos de solución y realizar un análisis técnicoeconómico se selecciona un robot aéreo (“Khallwa”) de material de fibra de carbono y polipropileno expandido que posee una envergadura de 0.8 metros, un largo de 0.53 metros y una masa de 0.55 kilogramos. Una autonomía de vuelo de 10 minutos a una velocidad máxima de 6.2 m/s. Finalmente, con el objetivo de la identificación del arándano por su estado de madurez realizado se utilizó un modelo de aprendizaje profundo basado en aprendizaje por transferencia, el cual obtuvo una precisión media (mAP) del 92%, lo que conlleva a agilizar el proceso de inspección y evitar errores producidos en el proceso manual.