Andrés Alejandro Garcés Cadena, Oswaldo Aníbal Menéndez Granizo, Edgar Patricio Córdova, Alvaro Javier Prado Romo
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.
The agricultural industry comprises an activity that has a marked influence on economic growth and people's quality of life. Given the need to meet the food demand due to population growth, systems capable of optimizing crop yield are currently required. This work contributes with a practical tool that aids farmers in recognizing fruit quality, which is aimed at improving the apple quantification process and harvestability monitoring based on object identification employing computer vision techniques and deep learning algorithms. The development of the system presents i) detection of the apple classes for product counting and ii) quality classification for inspection and validation of the fruit by category. For grading of apple types, the SSD-MobileNet detection network model was used. A fast convolutional neural network FCN-ResNet 18 was used to segment quality instances at the pixel level. The proposed system was trained, validated, and tested on several experimental laboratory and field scenarios using two image databases generated in controlled and real agricultural environments. Results show that it is possible to detect and classify the quality status of apples during harvest, obtaining an accuracy ranging between 86.7% and 92.6% for detection and 94.7 ± 2.5% for segmentation, exceeding the results presented in related works in both cases.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados