Resumen

La industria agrícola comprende una actividad de marcada influencia sobre el crecimiento económico y calidad de vida de las personas. Dada la necesidad de cubrir la demanda de alimentos debido al crecimiento poblacional, actualmente se requieren de sistemas capaces de optimizar el rendimiento del cultivo. Es así como este trabajo contribuye con una herramienta práctica para asistir al agricultor en tareas de reconocimiento de calidad de fruta, la misma que le permite mejorar el proceso de cuantificación de manzana y monitoreo del estado cosechable de la fruta mediante el uso visión por computador y algoritmos de aprendizaje profundo. El sistema propuesto presenta i) la detección del tipo de manzanas para el conteo y ii) la clasificación de su calidad para la inspección y validación de la fruta por categoría. Para la detección del tipo de manzana se utiliza el modelo de red de detección SSD-MobileNet y para la segmentación de instancias de calidad a nivel de píxel se emplea una red neuronal convolucional rápida FCN-ResNet 18. El sistema fue entrenado, validado y puesto a prueba en varios ensayos experimentales de laboratorio y campo, empleando dos bases de datos de imágenes construidas en ambientes controlados y en entornos agrícolas reales. Los resultados muestran que es posible detectar y clasificar el estado de calidad de manzanas durante la cosecha, obteniendo una precisión que varían entre el 86,7% y 92,6% para la detección y de 94,7 ± 2,5% para la segmentación, superando en ambos casos los resultados presentados en trabajos relacionados.

INTRODUCCIÓN

La agricultura es una de las actividades que forman parte del sector primario de la economía mundial, la misma que proyecta un crecimiento del 70% debido a la expansión poblacional para el 2050 [1]. Por consiguiente, es necesaria la implementación de desarrollos tecnológicos que permitan optimizar los procesos de producción para cubrir las diferentes y progresivas necesidades de los cultivos frente a dicho crecimiento [2]. La Agricultura de Precisión (AP) ha evolucionado hacia un enfoque de información, cuyo objetivo es adquirir la mayor cantidad de datos posibles del cultivo para la toma de decisiones sobre diversas tareas que anteriormente se realizaban de forma manual, como la gestión del entorno agrícola, administración eficiente de las plantaciones, optimización de costos y tiempos de producción, entre otras [2]. Durante la última década, la producción sostenible de alimentos a nivel mundial se ha visto influenciada por el desarrollo de tecnologías asociadas con el paradigma de la AP [3], demostrando su efectividad a lo largo de sus procesos productivos [4]. Entre las principales aplicaciones de tecnologías en AP se encuentra la detección de plaga y maleza, riego distribuido y temporizado, aplicación automatizada de agroquímicos y fertilizantes, fenotipado de plantaciones, mapeo de producción, cosecha y otros [5].

• Materias:Algoritmos de aprendizaje Calidad de los alimentos Redes neuronales artificiales Sistema de monitoreo
• Subjects:Learning algorithms Food quality Artificial neural networks Monitoring system
• Palabras claves:Clasificación de manzana; Visión por computador; Aprendizaje profundo; Redes neuronales convolucionales; Segmentación de instancias
• Keywords:Apple classification; Computer vision; Deep learning; Convolutional neural networks; Instance segmentation