Diseño e implementación de un sistema automatizado para selección de paltas basado en la norma NTP 011.018 mediante redes neuronales convolucionales y Raspberry Pi4

• Autores: Gonzales Acuña, Jhon Anthony, Perez Flores, Bruno Alonso
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/8758
• Enlace del recurso: https://hdl.handle.net/20.500.14138/8758
• Nivel de acceso: acceso abierto
• Materia: Palta -- Clasificación -- Sistema automatizado; Redes neuronales convolucionales; Raspberry Pi; Procesamiento de imágenes; https://purl.org/pe-repo/ocde/ford#2.11.02

En esta tesis el objetivo principal fue el diseño e implementación de un sistema automatizado de selección de paltas Hass para la industria agro-exportadora del país. Se buscó detectar los defectos externos de los frutos y clasificarlos basados en la Norma Técnica Peruana 011.018 para reducir el tiempo de clasificación y realizar con mayor exactitud dicha tarea, por ello, se propuso una solución tecnológica de desarrollar un sistema mediante redes neuronales convolucionales (CNN) y el uso del microordenador Raspberry Pi para la clasificación del fruto, por medio de los sistemas mecánico, electrónico y visión por computadora que involucra diferentes circuitos, componentes y materiales como la faja transportadora, el circuito de fuerza y circuito de mando para las funciones de transporte y selección. Adicionalmente, para las funciones de selección y reconocimiento se utilizó una cámara web y una fuente de iluminación LED que contempla el sistema de visión artificial, se desarrolló 2 CNN’s que fueron entrenadas con una base de datos (imágenes) y que se organizó con respecto a las 3 categorías que detallan el nivel de calidad según normativa. La primera correspondía a una red neuronal convolucional simple y secuencial y la segunda fue entrenada con arquitectura YOLO. En la prueba final, se realizó comparaciones de las CNN’s con un total de 391 imágenes de paltas y se alcanzó una precisión de 43.22% y 46.29% respectivamente. Los resultados mostraron que el sistema automatizado permitió clasificar las paltas en 3 categorías basados en la norma