Diseño de una red neuronal convolucional para identificar la madurez adecuada del plátano para el cumplimiento de la Norma Técnica Peruana N°011.005(2009)

• Autores: Calle Jiménez, Luis Rodolfo, Torres Carranza, Luis Ángel
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional de Piura
• Repositorio: UNP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unp.edu.pe:20.500.12676/4305
• Enlace del recurso: https://repositorio.unp.edu.pe/handle/20.500.12676/4305
• Nivel de acceso: acceso abierto
• Materia: red neuronal convolucional; Python; Deep learning; dataset; http://purl.org/pe-repo/ocde/ford#2.02.00

En el Perú, durante el primer semestre del presente año, se ha logrado incorporar innovaciones tecnológicas desarrolladas a partir de la inteligencia artificial, lo cual representa un gran crecimiento tecnológico. Por ello, la presente investigación tiene como objetivo diseñar una red neuronal convolucional que, a través de un aprendizaje supervisado, permita la identificación de la madurez adecuada del plátano para el cumplimiento de la NTP N°011.005(2009). Para esto se utilizó un entorno de desarrollo integrado denominado “Jupyter Notebook”, basado en el lenguaje de programación Python para desarrollo de redes neuronales artificiales, con la finalidad de lograr la predicción más alta en la identificación de la madurez del plátano a evaluar. Este trabajo de investigación fue dividido en tres etapas. La primera etapa consistió en el procesamiento de las imágenes de las distintos estados de maduración del plátano obtenidas mediante una cámara web, ejerciendo sobre ellas modificaciones para generar iteraciones aleatorias volteándolas verticalmente y horizontalmente, giros de 90°, recortes, cambios de escala y rotaciones; en la segunda etapa se clasificó varios estados de maduración del plátano, categorizándolos de manera general entre aptos y no aptos según la NTP N°011.005(2009), las cuales conformaron el dataset de entrenamiento, validación y prueba, éstos fueron preprocesados para adecuarse al tipo de entrada de la red neuronal; la tercera y última etapa se centró en el Deep learning, que consistió en la creación, compilación, entrenamiento, evaluación y predicción de la red neuronal artificial. Durante el desarrollo de la presente investigación se requirieron tres dataset, uno de entrenamiento, validación y un último de prueba, lo cual conllevó a que la red neuronal convolucional tenga un buen desempeño al momento de realizar predicciones, logrando una precisión del 98.10%, una sensibilidad del 85.89% y un accuracy del 92.08%.