Implementación del Sistema de Visión Computacional en la Maquina Automatizada del proyecto 79170-2022-PROCIENCIA para la clasificación de plantines alcachofa

• Autor: Alvarez Alvarado, Bruno Mauricio
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Privada Antenor Orrego
• Repositorio: UPAO-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upao.edu.pe:20.500.12759/83472
• Enlace del recurso: https://hdl.handle.net/20.500.12759/83472
• Nivel de acceso: acceso abierto
• Materia: Vision Computacional; Inteligencia Artificial; https://purl.org/pe-repo/ocde/ford#2.11.00

El presente trabajo de tesis tuvo como propósito principal implementar un sistema de visión computacional (SVC) en la máquina automatizada desarrollada en el marco del proyecto 79170-2022-PROCIENCIA, en el Laboratorio Labinm-Robótica de la Universidad Privada Antenor Orrego (UPAO). El SVC permite a la maquina automatizada clasificar plantines de alcachofa según su crecimiento. Aquí se emplea una cámara RGB y otra del tipo ZED2i, las que son instaladas en dos perspectivas una horizontal y la otra vertical, con respecto a la posición del plantín a clasificar. A partir de las imágenes capturadas por estas cámaras, se construye una base de datos de 506 imágenes, las que fueron etiquetadas y segmentadas a fin de entrenar un modelo basado en Deep Learning. El proceso de clasificación mediante el SVC, primero extrae diversas características morfológicas del plantín, como por ejemplo el área foliar, desde imágenes obtenidas por las dos cámaras previamente mencionadas. Estas características fueron evaluadas por un modelo de red neuronal multicapa (MLP) que clasifica los plantines en dos categorías “bueno” y “no bueno”. El rendimiento del SVC fue validado aplicándose a ocho bandejas germinadoras de plantines que en teoría deberían contener cada uno 72 plantines de alcachofa, sin embargo, no todas las semillas insertadas en cada agujero de bandeja germinan o se desarrollan como plantín, por lo que al final se clasifico en total a 491 plantines. El rendimiento presenta el siguiente resultado: 92.26% de exactitud, 91.70% de precisión y 100% de sensibilidad, con un tiempo promedio de procesamiento por plantín de 0.84 segundos, lo que a priori indica que el SVC tiene una respuesta acorde a las exigencias productivas de viveros de la Región La Libertad. Adicionalmente, se validó estadísticamente la correspondencia entre las predicciones del modelo y las clasificaciones reales (hechas por operarios especializados de viveros) mediante la prueba de Fisher, confirmándose la viabilidad del SVC como estrategia para mejorar procesos de selección agrícola.