21
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
Clasificador de Productos Agrícolas para Control de
Calidad basado en Machine Learning e Industria 4.0
Agricultural Product Classifier for Quality Control based on Machine
Learning and Industry 4.0
β
Carlos A Guaillazaca G.,
α
Valeria K. Hernández A.
β
Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador.
α
Steam-Up Groups, Riobamba, Ecuador
β
carlos.guaillazaca@espoch.edu.ec,
α
vh_steamup@gmail.com
Resumen- En la actualidad, las técnicas empíricas en la
producción agrícola ecuatoriana para la identificación y
clasificación de productos no son suficientes para alcanzar
estándares de calidad con normas de inocuidad alimentaria y
así lograr cubrir la demanda de un mercado internacional. Este
trabajo presenta un sistema capaz de supervisar, identificar y
clasificar la calidad de productos del sector agrícola, mediante
la aplicación de técnicas de soft computing y algoritmos de
machine learning que contribuyen a la identificación de
imágenes en tiempo real. La investigación permitió
implementar algoritmos de clasificación de K vecinos más
cercanos para etiquetar los productos según su calidad y enviar
los reportes en tiempo real a una aplicación web mediante el
protocolo MQTT. Los productos utilizados para este estudio
fueron bananas, naranjas, plátano verde y manzanas. Los
resultados obtenidos permitieron determinar el mínimo número
de imágenes requeridos para el entrenamiento de los modelos de
identificación y las tasas de error de identificación durante la
etapa de validación.
Palabras Clave- Automatización, Inteligencia Artificial, KNN,
MQTT, Tecnología Agrícola.
Abstract- Currently, empirical techniques in Ecuadorian
agricultural production are not enough to achieve quality
changes with food safety standards and thus meet the demand
of an international market. This work presents a system capable
of supervising, classifying, and controlling the quality of
products in the agricultural sector, by applying soft computing
techniques and machine learning algorithms that affect the
identification of images in real time. The research will
implement classification algorithms of nearest K neighbors to
label the products according to their quality and send the
reports in real time to a web application using the MQTT
protocol. The employed products in this study were bananas,
oranges, green bananas, and apples. The obtained results allow
to determine the minimum number of images required for
training the identification models and the identification error
rates during the validation stage.
Keywords- Automation, Artificial Intelligence, KNN, MQTT,
Agricultural Technology
I. I
NTRODUCCIÓN
En la actualidad las empresas miden su rendimiento
competitivo en base a su capacidad de producción y a los
estándares de calidad de sus productos manufacturados,
donde predominan en estas variables la tecnología empleada
para una producción exitosamente rentable. Las pequeñas y
medianas empresas ecuatorianas viven una desventaja muy
grande en comparación a la capacidad de producción de
empresas multinacionales[1]. En la gran mayoría, sus
procesos se caracterizan por ser manuales y usar
conocimientos empíricos, la maquinaria y tecnología
empleada es casi nula [2], su cadena de producción es lenta y
no llega a satisfacer en su totalidad la demanda y
requerimientos de su grupo objetivo de clientes[3].
Para una producción exitosa es indispensable proveer a
estas empresas vulnerables con tecnología al alcance de sus
necesidades y posibilidades económicas [4], ya que el
principal problema representa los altos costos de inversión en
maquinaria y soluciones de hardware y software [5].
El nivel de automatización en los procesos de producción
de las PYMES ecuatorianas es sumamente bajo [6], lo cual
genera un gran problema con la calidad de los productos y
tiempos de producción no adecuados para satisfacer la
demanda interna, lo que la exportación de sus productos se
convierte en una utopía inalcanzable.
La investigación e implementación de nuevas tecnologías
ha permitido una gran adaptabilidad en diversos sectores,
mejorando así notablemente los procesos productivos
agroindustriales. El desafío científico actual radica en conocer
los métodos tradicionales de agricultura, aprender de las
incertidumbres que se enfrentan día a día los agricultores y
ejecutar soluciones adaptativas, por lo que ha sido natural
tratar de integrar y
mejor estas tareas con técnicas basadas en
el conocimiento de Inteligencia Artificial [7].
Abordando el libro Inteligencia Artificial: un enfoque
moderno [8] de los autores Stuart Russell y Peter Norving nos
plantean la unificación de su trabajo con relación a los
agentes inteligentes en las máquinas. Considerando esto, la
Revista Técnico - Cientíca PERSPECTIVAS
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
Fecha de Recepción. 03 - 06 - 2020 Fecha de Aceptación. 08 – 06 – 2020
DOI: 10.47187/perspectivas.vol2iss2.pp21-28.2020
22
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
definición para Inteligencia artificial es “el estudio de agentes
que reciben percepciones del entorno y realizan acciones”
[8].
De esta manera, un agente inteligente debe cumplir ciertas
características para denotar cualidades importantes que
ayuden a resolver problemas. Para ello, en [9] se plantean las
características que debe exhibir un agente inteligente como:
Reactivo, Proactivo, Social y Autónomo.
Pero también, a los agentes se les puede atribuir otras
características como: continuidad te
mporal, racionalidad,
veracidad y adaptabilidad, de tal forma que les capacite a
resolver problemas [10], [11].
Para el estudio de clasificación de patrones en imágenes,
la metodología soft-computing es un aliado primordial y
punto de partida para el desarrollo de este estudio. El soft-
computing tiene un enfoque moderno basado en una verdad
parcial, mediante cálculos aproximados y estocásticos [12],
[13].
En esta misma línea, las redes neuronales artificiales
(RNAs) han sido la herramienta
del soft-computing más
utilizada para tareas que requieren el reconocimiento de
patrones en un conjunto de datos, como imágenes. Una RNA
está formada de varios niveles y números de neuronas
artificiales, que se constituyen en la unidad de procesamiento,
cuyo modelo matemático permite tener varias entradas de
datos y una sola saluda que es la ponderación de sus entradas
[14], [15]. La conexión de varias neuronas dentro de una
RNA constituye una poderosa herramienta de cálculo
p
aralelo, pero capaz de entregar salida aproximativas y no
definitivas. Dado que la RNA es comparable a un cerebro
biológico [16], esta también debe ser entrenada para que
realice una tarea en específico. Es importante mencionar que
existen varias estructuras de RNAs, así como varios
algoritmos de entrenamiento [17].
Una aplicación bastante difundida de las RNAs es en el
denominado algoritmo “k-nearest neighbors” (KNN). El
objetivo de este algoritmo es establecer matemáticamente una
relación de dista
ncias entre todos los elementos de un
conjunto de datos y agrupar en sectores bien definidos todos
aquellos elementos que comparten características comunes, lo
que se traduce en distancias circundantes más cercanas. De
esta manera, para el agente inteligente que implementa dicho
algoritmo le es posible identificar a que grupo pertenece cada
nuevo elemento en un conjunto [18].
Por otro lado, el denominado “internet de las cosas” (IoT)
e industria 4.0 están permitiendo cada vez más
la
introducción de maquinaria autónoma e inteligente en el
sector industrial [19]. En esta área, es imprescindible que las
máquinas sean dotadas de una capacidad de comunicación y
socialización con otras máquinas, e inclusive entre las partes
conformantes de un mismo sistema. En la actualidad, el
protocolo MQTT (Message Queuing Telemetry Transport, en
inglés) siendo ampliamente usado para la comunicación
maquina a máquina (M2M) [20]. Este protocolo se basa e
n un
sistema de subscripciones de servicios, publicaciones y
notificaciones de avisos dentro de dichos servicios. Esto
favorece a que varias máquinas puedan ser notificadas al
mismo tiempo sobre un evento en particular dentro de un
servicio al que están subscritas.
Esta investigación se basa principalmente en la utilización
de técnicas de técnicas computacionales de inteligencia
artificial, como las RNAs y algoritmo KNN, para
implementar un agente inteligente sobre un sistema de
clasificación de productos agríc
olas que permita identificar
productos buenos y malos a partir de una entrada de video. El
sistema se complementa con un subsistema de acción sobre la
línea de producción, a partir de la decisión realizada por el
subsistema de inteligencia artificial.
El resto de este documento se organiza de la siguiente
manera. En la sección II se presenta la metodología de
implementación del sistema de clasificación descrito,
enfocándose principalmente en el diseño y entrenamiento de
la RNA para ejecutar
el algoritmo KNN, además de la
plataforma de comunicación MQTT y la elaboración de la
estructura hardware de todo el sistema. En la sección III se
presentan los principales resultados de la validación y
evaluación del clasificador 4.0 obtenidos bajo diferentes
escenarios de pruebas. El documento concluye con las
conclusiones respectivas de la metodología aplicado y
resultados obtenidos.
II. M
ETODOLOGÍA
En esta sección se presenta el proceso metodológico de
desarrollo del presente trabajo para di
señar y construir un
sistema capaz de supervisar, controlar y clasificar cualquier
producto manufacturado, objeto o materia prima procedente
del agro.
A. Requisitos generales
Previo al proceso de control y supervisión de calidad, se
considera que el prototipo debe ser inducido en una etapa de
entrenamiento supervisado para que el sistema reconozca y
diferencie los productos malos y buenos de una manera
intuitiva. Dicha información debe ser re
gistrada en la nube
para que posteriormente pueda ser monitoreada remotamente
por agentes encargados de producción y clientes. Los
requisitos que se busca reflejar en dicho prototipo de sistema
son:
• Capacidad de clasificar productos buenos, regulares y
malos.
• Versatilidad para la migración a otros productos.
• Interfaz humano-máquina intuitivo, flexible, sencillo y
fácil de interactuar.
• Supervisión de proceso y de los productos clasificados de
manera
remota.
• Fácil instalación.
• Flexibilidad para la utilización de del sistema mediante
Fig. 1. Arquitectura General del Sistema.
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
23
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
una aplicación web.
• Mantener una comunicación fiable entre el clasificador y
un Dashboard.
El esquema general de la presente aplicación se resume en
la figura 1. El proceso de clasificación que ha sido
considerado se basa en 3 etapas: Ingreso, Detección y
Actuación. Las acciones objetivas del sistema están limitadas
al accionamiento de 3 actuadores. Estos se interpretan como
las variables de control y, en consecuencia, serán los
encargados de clasificar y seleccionar productos buenos,
regulares y malos.
B. Selección del Hardware
Como elemento central de procesamiento se selecciona
una tarjeta Raspberry Pi 4. Por medio de los periféricos de
comunicación embebidos en la tarjeta se implementa vías
para el envío y recepción de datos. Esto ayuda a tener un
procesamiento de la información directamente en la nube, y
todos los datos de control viajarán hasta el broker MQTT, el
cual se enlaza a la tarjeta de desarrollo Iot ESP8266. Esta
última emite las órdenes a los diferentes actuadores
empleados en el proceso. En la figura 2 se muestra el
diagrama de conexiones del modulo ESP8266 y los
actuadores del sistema.
C. Implementación del software.
Para la implementación del interfaz web que se muestra
en la figura 3 fue necesario el desarrollo utilizando los
lenguajes de programación HTML, JavaScript y CSS,
mediante el entorno de desarrollo (IDE) Átomo. Por otro
lado, para la creación del modelo RNA se utilizó Python con
jupyter notebook. El desarrollo de la plataforma software fue
orientado a lograr un correcto funcionamiento y flexibilidad
para el usuario usando el algoritmo del diagrama de la figura
4.
En dicho diagrama se ilustran tres bloques principales:
Entrenamiento, Dashboard y Manuales. Estos bloques
constituyen las ventanas de navegación de la interfaz web. La
ventana “Entrenamiento” contiene el modelo de red neuronal
y el algoritmo de entrenamiento de la KNN que sigue
diagrama de flujo ilustrado en la figura 5. Para esta tarea fue
necesario implementar la librería ml5.js que desarrolla
algoritmos de aprendizaje automático para entornos web.
Fig. 4. Etapa disposición para el control de actuadores.
Fig. 5. Aplicación Web.
Fig. 2. Diagrama de flujo de la aplicación web.
Fig. 3. Diagrama fe flujo, funcionamiento del algoritmo KNN.
Revista Técnico - Cientíca PERSPECTIVAS
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
24
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
La flexibilidad y la ventaja de ml5.js es que nos permite
programar un modelo en JavaScript como lo hace Keras en
Python [21]. La diferencia radica en que Keras necesita un
servicio adicional para trasladar el modelo a plataformas Web
como se observa en la figura 6, mientras que ml5.js está
desarrollado para cubrir esa necesidad sin utilizar más
recursos o servicios de terceros.
Una red neuronal convolucional (CNN, por sus siglas en
inglés) funciona mediante la extracción d
e características de
las imágenes que ingresan a su estructura a manera de datos.
Esto elimina la necesidad de extracción manual de las
funciones de activación. La CNN aprende mientras la red
entrena con un conjunto de imágenes, que en el caso de este
estudio son imágenes de frutas en diferente estado. Esto hace
que los modelos de aprendizaje profundo sean más precisos
para las tareas de visión por computador. Para esto se utilizó
un algoritmo de Tensor Flow y las librerías d
e Keras como se
detalla a continuación:
Paso 1: como primer paso se debe configurar el computador
con el ambiente de desarrollo Python, para esto se debe
acceder al sitio web www.anaconda.org y descargar anaconda
2020.02 Python 3.7 importante usar esta versión.
Paso 2: para utilizar el estándar actual en la codificación de
Python se debe seleccionar la versión 3.7 ya que la 2.7.X se
encuentra descontinuada. Para ejecutar algoritmos de machine
learning es necesario instalar los siguientes paquetes:
Tensorflow, Keras y Numpy. Este proceso se lo realiza desde
el terminal.
Paso 3: instalado todo lo necesario, se abre el entorno de
desarrollo Spyder que está integrado en la plataforma
de
Anaconda-Navigator y se inicia declarando lo siguiente:
Sys y os son librerías que permiten interactuar con
archivos del sistema hasta el editor de código.
ImportDataGenerator se encarga de pre procesar las
imágenes que entran al algoritmo.
Optimizers es un optimizador adjunto del algoritmo.
Sequential es una librería que permite crear redes
neuronales secuenciales, es decir que cada una de las
capas están en orden.
Convolution2D y MaxPooling2D son las capas donde se
harán las conv
oluciones.
BackeSignum.nd de keras, este ayuda a que cuando haya
una sesión que está corriendo en segundo plano, la elimina
y optimiza recursos físicos del computador para empezar
el entrenamiento fresco del nuevo algoritmo.
Paso 4: se declara los parámetros para entrenamiento que se
explican a continuación:
Épocas, de la línea 20 variable que indica el número de
veces que se va a iterar sobre todo el Data Set del
entrenamiento.
Altura y longitud son variables que
van a delimitar el
tamaño uniforme de las imágenes.
Batch_size es el número de imágenes que se va a enviar
al computador a procesar en cada uno de los pasos.
Pasos, variable que indica el número de veces que se va a
procesar la información en cada una de las épocas.
Validation_step, son los pasos de validación que al final
de cada una de las épocas se van a ejecutar 200 pasos con
el Data Set de validación antes mencionado.
FiltrosConv1 y FiltrosConv2, son filtro
s que se aplica en
cada convolución en la primera convolución agrega una
profundidad de 32 y en la segunda convolución una
profundidad de 64.
Tamano_filtro1 y tamano_filtro2, son tamaños de los
filtros que se agregan a cada convolución (altura,
longitud).
Tamano_pool, este es el tamaño del filtro que se va a
utilizar en Maxpooling2D.
Clases, son las salidas de la red neuronal o el conjunto de
especies que se va a clasificar.
Lr, este es el learning rade, i
ndican el tamaño de los
ajustes de la red neuronal para acercarse a una solución
lógica.
Paso 5: se realiza el preprocesamiento de las imágenes de
entrada y se unifican las características tal como se muestra
en la figura 8 y figura 9, respectivamente. Para eso se utilizan
las siguientes herramientas:
Class_names, representa a class_names=['Maduras' ,
'Buenas'].
Labels, representa a la concatenación de las etiquetas
generadas de cada producto con el código: Labels
=np.concatenate([etiqueta_madur
as ,
etiqueta_buenas).
Paso 6: en este punto se crea la red neuronal convolucional
CNN con lo siguiente:
Cnn, es la variable que genera una red secuencial, es
Fig. 6. Metodología para implementar Tensor Flow web.
Fig. 7. Representación general de la red neuronal para clasificar
imágenes según la calidad del producto.
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
25
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
decir, que son varias capas apiladas entre ellas.
Adicionalmente, se fuerza mediante código para que la
primera capa de la CNN haga una convolución con los
números de filtros mencionados en el paso 4. El padding
configura las esquinas, el input_shape define las variables
necesarias en el paso 4 y por último se tiene una función de
activación. Posterior a esto, se agrega una capa de pooling.
Es importante considerar que se puede agregar más capas
para la CNN para una mejor predicción, pero tiene costos
computacionales muy altos. Esta opción dependerá de forma
empírica sobre la configuración del hardware del computador
utilizado para la etapa del entrenamiento.
Finalmente, para completar el tratamiento de los datos,
entrenamiento y aprendizaje de la CNN se consideraron
ciertos parámetros de configuración como son:
Flatten ayuda a que las imágenes profundas se conviertan
a planas, es decir, que solo se va a tener una sola
dimensión.
Dense con 256 neuronas que reciben la información de la
línea anterior.
Dropout se declaró el 0.5, esto quiere decir que durante el
entrenamiento se apaga el 50% de las neuronas cada paso,
con esto se evita que el algoritmo aprenda un solo camino
para una clasificación de un producto en específico y
genere alternativas cuando se enfrente a nueva
información.
La última capa se declara con una clase de 3 neuronas
(variable declarada en el paso 4). La herramienta softmax al
final de la CNN determina el porcentaje de cada una de las
salidas, y aquella con el número mayor es la que predomina
en la clasificación. En la figura 10 se puede apreciar la
interfaz de entrenamiento dentro de la aplicación web
desarrollada para este estudio.
D. Enlazar los datos con el broker MQTT
El protocolo MQTT es muy importante al momento de
implementar aplicaciones de internet de las cosas (IoT, por
sus siglas en ingles). El IoT permite establecer una conexión
con varios clientes y servicios de manera instantánea sin
mayores recursos mediante un broker. En la figura 11 se
presenta el esquema de comunicación entre los diferentes
equipos que conforman la presenta aplicación.
Los datos que emite el control de la aplicación web, son
enviados mediante el protocolo MQTT hacia la nube. A
través de dicho protocolo, un cliente se puede conectar por
medio de un enlace inalámbrico con el controlador ESP8266
para tener cuenta del estado de inventario y estado de los
productos clasificados tal como se muestra en la figura 12. El
bróker MQTT utilizado en este estudio fue “broker.shiftr.io”
a través del puerto 80.
E. CAD estructura.
La estructura mecánica, previo ser llevada a la
Fig. 10. Resultado de los parámetros anteriores.
Fig. 11. Detalle del logotipo de la revista Perspectivas.
Fig. 12. Interfaz web para entrenamiento de la CNN.
Fig. 8. Esquema de interacción de comunicaciones del sistema.
Fig. 9. Supervisión del sistema desde el navegador móvil.
Revista Técnico - Cientíca PERSPECTIVAS
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
26
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
implementación dentro del presente estudio, fue diseñada en
su totalidad utilizando software CAD como se muestra en la
figura 13. Cada uno de los elementos constitutivos del diseño
son numerados y detallados a cabalidad en la tabla 2 para que
pueda ser replicado sin dificultad. Además, en la figura 14 se
muestra el prototipo implementado físicamente y en fase de
pruebas de clasificación.
III. R
ESULTADOS
En esta sección se presentan los resultados obtenidos
durante la etapa de entrenamiento y vali
dación del prototipo
de clasificador inteligente. La validación fue llevada a cabo
con 4 productos agrícolas como son: bananas, naranjas,
plátano verde y manzanas. La selección de estos productos
tuvo como finalidad probar el rendimiento del algoritmo
KNN con varios escenarios de identificación diferenciada por
colores y formas. Cada producto se evaluó de acuerdo con
tres variables de identificación (Producto Bueno, Producto
Regular y Producto Malo).
A. Etapa de Entrenamiento
Para llevar a cabo el entrenamiento del algoritmo KNN
fue necesario contar con un data-set o conjunto de datos
conocidos que describan las características de cada producto
tal como se mencionó anteriormente. Dado que los conjuntos
de imágenes debían ser sumamente específicos, se optó por
recolectar una base de datos propia y personalizada a las
necesidades del proyecto. Sin embargo, en esta primera etapa
no era claro cuantas imágenes serían suficientes para entrenar
a las CNNs.
Respecto a esto, se realizaron varias sesiones de
entrenamiento con un numero incremental de imágenes para
determinar el punto en el cual el error de identificación y
clasificación es minimizado. La tabla 2 presenta el número de
pruebas que se realizaron, y el respectivo número de
imágenes utilizadas, con la finalidad de encontrar un modelo
de RNA con el algoritmo KNN óptimo para la etapa de
validación. El objetivo de realizar estas pruebas fue
identificar el nivel mínimo requerido de entrenamiento del
modelo y no saturar al algoritmo con entrenamiento
innecesario.
En la figura 15 se muestran las curvas de aprendizaje de
las CNN con el algoritmo KNN resultantes de la fase de
entrenamiento para los productos: (a) Bananas, (b) Naranjas,
(c) Plátano Verde y (d) Manzanas. Las líneas en color
anaranjado, gris y amarillo corresponden a los casos de
productos de calidad “Buena”, “Regular” y “Mala”,
respectivamente. Como se puede apreciar, en la mayor parte
de casos probados, el erro
r de identificación durante la fase de
entrenamiento alcanzó el valor de 0% a partir de la “Prueba
9”. Una excepción a esto, lo constituye el caso del producto
Plátano Verde con calidad “Buena” que mantiene un error del
10.0%, incluso en la “Prueba 10” (ver figura 15.d).
Debido a que, el producto “Plátano Verde” no alcanzó un
error de identificación de 0% en todos los casos de calidad de
producto probados, se optó por realizar dos pruebas extras
con dicho producto. Al fin
al se obtuvo un error de
identificación de 0% (para todos los casos de calidad) en la
Prueba 11 con 55 imágenes. Es importante mencionar que
este procedimiento fue importante para lograr estimar el
número mínimo de imágenes requeridas para el
entrenamiento del modelo en cuestion. El resumen del
Fig. 13. Diseño CAD estructural del prototipo.
Tabla 1
M
ATERIALES EMPLEADOS EN EL PROTOTIPO DE CLASIFICADOR
N.º DE
ELEMENTO
ELEMENTO CANTIDAD
1
Vslot 20 x 40 x 1000mm
2
2
Vslot 20 x 20 x 250
8
3
Angulo Simple serie 20
22
4
Chumacera 20mm ¾”
4
5
Eje Teflón diámetro 40mm
1
6
Eje Teflón principal 40mm
1
7
Banda sintética PVC 190mm
1
8
Tornillo 5 x 0.8 x 10
44
9
Tornillo 5 x 0.8 x 5
1
10
Vslot 20 x 20 x 100mm
5
11
Case Cámara
1
12
Guías de acrílico
2
15
Caja producto 1
1
16
Fruta
1
Fig. 14. Prototipo implementado de clasificador.
Tabla 2
P
RUEBAS EN ETAPA DE ENTRENAMIENTO
PRUEBA
# DE IMÁGENES
Prueba 1
5
Prueba 2
10
Prueba 3
15
Prueba 4
20
Prueba 5
25
Prueba 6
30
Prueba 7
35
Prueba 8
40
Prueba 9
45
Prueba 10
50
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
27
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
Fig. 15. Curvas de aprendizaje de las CNNs con algoritmo KNN respecto al error porcentual de identificación de los productos: (a) Banano, (b) Naranjas,
(c) Plátano Verde y (d) Manzanas.
mínimo número de imágenes con el que se obtuvo el menor
error de identificación para cada caso probado en este estudio
se muestra en la figura 16. Además, se ha incluido el
promedio de imágenes requeridas para el entrenamiento de
las CNNs por cada producto.
Como se puede apreciar, el producto más facil de
identificar por el algoritmo KNN durante el entrenamiento
fue “Naranjas” debido a que en promedio requirió un menor
número de imágenes con ⁓41.67. Mientras que el producto
que más dificultad presento en su identicación fue “Plátanos
Verdes”, que en promedio requirió un mayor numero de
imágenes con ⁓48.33. Por otro lado, los modelos de los
productos “Bananas” y “Manzanas” requieren para su
entrenamiento un mínimo promedio de imágenes de ⁓46.67%
y ⁓43.33%, respectivamente.
En base a este precedente, y previo la etapa de validación,
se entrenaron cuatro nuevos modelos de identificación (uno
por cada producto) utilizando el mínimo número de imágenes
determinado en la figura 16. Las imágenes fueron
aleatoriamente escogidas en cada conjunto de datos, aunque
de manera proporcional respecto a la calidad del producto.
B. Etapa de Validación.
En esta etapa, se utilizaron 9 nuevas imágenes por cada
producto (3 imágenes por cada categoría de calidad) y se
procedió a evaluar en 5 ocasiones los modelos. En cada
prueba de validación, el orden de ingreso de las 9 imágenes
fue cambiado aleatoriamente. Cabe recalcar que las imágenes
utilizadas en esta etapa son nuevas para el modelo de
identificación y no fueron utilizadas durante la etapa de
entrenamiento.
El resumen de los resultados de validación es presentado
en la tabla 3. Como se puede observar, los modelos que
presentan errores durante la validación son los encargados de
identificar y clasificar la calidad de “Naranjas” y “Plátano
Verde” con un promedio de errores de 4.44% y 6.67%,
respectivamente. Los errores presentados por el modelo
encargado de clasificar la calidad de “Plátano Verde” son
consistentes con el hecho que dicho producto fue más difícil
Fig. 16. Resumen del mínimo número de imágenes requeridas para el
entrenamiento de las CNN por cada producto.
Tabla 3
R
ESULTADOS DE PRUEBAS DE VALIDACIÓN DEL CLASIFICADOR
INTELIGENTE
No.
Productos
Banana Naranja
Plátano
Verde
Manzana
No.
Error
%
Error
No.
Error
%
Error
No.
Error
%
Error
No.
Error
%
Error
1
0
0
1
11.1
1
11.1
0
0
2
0
0
0
0
0
0
0
0
3
0
0
1
11.1
1
11.1
0
0
4
0
0
0
0
1
11.1
0
0
5
0
0
0
0
0
0
0
0
Media
0
4.44
6.67
0
Revista Técnico - Cientíca PERSPECTIVAS
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
28
Revista Técnica-Científica Perspectivas
ISSN: 1390-7204
Artículo Recibido: dd/mm/aaaa – Aceptado: dd/mm/aaaa
identificarlo durante el entrenamiento. Sin embargo, en el
caso del producto “Naranjas”, sus errores pueden ser debidos
a que, a pesar de que dicho modelo presentó el mejor
rendimiento durante la fase de entrenamiento, el número de
imágenes es aún bajo y ligeramente insuficiente respecto los
otros casos.
IV. C
ONCLUSIONES
Un prototipo de clasificador de productos agrícolas fue
implementado utilizando redes neuronales convolucionales
CNN, entrenadas a partir del algoritmo de
aprendizaje
supervisado “K-Nearest-Neighbor” o KNN. Además, en el
desarrollo se emplearon herramientas de código abierto para
IoT e industria 4.0 como el protocolo de comunicación M2M
denominado MQTT. El objetivo del estudio fue obtener
modelos de identificación de la calidad buena, regular y mala
de productos agrícolas como bananas, naranjas, plátano verde
y manzanas. El entrenamiento de los modelos se llevó a cabo
con 10 pruebas y un conjunto de 50 imágenes por cada
producto
y calidad. Los resultados obtenidos permitieron
determinar que durante el entrenamiento el producto mejor
identificado fueron las naranjas, requiriendo solamente
41.67 imágenes para entrenar su respectivo modelo.
Mientras que por otro lado, el producto más difícil de
identificar fue el plátano verde, que requirió 48.33
imagenes. Finalmente, los mejores modelos de identificación
fueron validados mediante 5 pruebas y un nuevo conjunto de
9 imágenes por cada producto. Los r
esultados obtenidos
determinaron que los modelos de identificación para los
productos bananas y manzanas no presentaron errores en la
validación, mientras que los modelos de identificación de los
productos naranja y plátano verde presentaron errores de
4.44% y 6.67%, respectivamente. A través del estudio se
concluye que el algoritmo KNN se ajustó a la identificación
de formas y colores, con una adecuada etapa de
entrenamiento supervisado, lo cual lo hace flexible para
utiliza
rlo en aplicaciones en tiempo real.
A
GRADECIMIENTOS
Un particular agradecimiento al Ing. Edwin Altamirano como
director del Trabajo de Titulación que dio origen al presente
trabajo. Además, se agradece de forma especial al Dr. Jorge
Hernández Ambato por su tutoría y asesoría en la elaboración
del presente manuscrito.
R
EFERENCIAS
[1] «Poca tecnificación reduce competencia en el agro - NOV. 09, 2004 -
Economía - Historicos - EL UNIVERSO», nov. 09, 2004.
[2] «Inf
ormación Agroambiental y Tecnificación Agropecuaria |», 2018.
https://www.ecuadorencifras.gob.ec/informacion-agroambiental/
(accedido may 28, 2020).
[3] M. T. T. Livio, «LAS TAXONOMÍAS SOBRE LOS AGENTES
ECONÓMICOS EN EL AGRO ECUATORIANO 1965-2015.
CONTEXTO, SUPUESTOS TEÓRICOS, APORTES Y LÍMITES.»,
UCE, Quito, Ecuador, 2018.
[4] «La tecnificación es una de las alternativas a la crisis arrocera», El
Comercio.
[5] S. Sherwood y M. Parede
s, «El futuro como producto del presente:
caso de estudio sobre la modernización agrícola en Carchi, Ecuador.»
Grupo FARO, 2013, Accedido: may 28, 2020. [En línea]. Disponible
en: https://n9.cl/g8g9.
[6] H. Jácome Estrella y K. King, Eds., Estudios industriales de la micro,
pequeña y mediana empresa, 1. ed. Quito, Ecuador: FLACSO
Ecuador, 2013.
[7] «Artificial Intelligence and Environmental Decision Support
Systems»,
p. 15.
[8] S. Russell, P. Norvig, J. M. Corchado Rodríguez, y L. Joyanes
Aguilar, Inteligencia artificial: un enfoque moderno. Madrid:
Pearson Educación, 2011.
[9] M. Wooldridge y N. R. Jennings, «Intelligent agents: theory and
practice», Knowl. Eng. Rev., vol. 10, n.
o
2, pp. 115-152, jun. 1995,
doi: 10.1017/S0269888900008122.
[10] S. Franklin y A. Graesser, «Is It an agent, or just a program?: A
taxonomy for
autonomous agents», en Intelligent Agents III Agent
Theories, Architectures, and Languages, Berlin, Heidelberg, 1997,
pp. 21-35.
[11]
P. H. Winston, «Artificial intelligence: a perspective», 1990, p. 11,
[En línea]. Disponible en:
https://www.semanticscholar.org/paper/Artificial-intelligence%3A-a-
perspective-
Winston/75d03d764d147b751de9fb835fb5935aa08e0013.
[12] I. Dzitac, F. G. Filip, y M.-J. Manolescu, «Fuzzy Logi
c Is Not Fuzzy:
World-renowned Computer Scientist Lotfi A. Zadeh», Int. J. Comput.
Commun. Control, vol. 12, n.
o
6, p. 748, dic. 2017, doi:
10.15837/ijccc.2017.6.3111.
[13] J. R. Hagerty, «Lotfi Zadeh Tried to Adapt Math and Computers to a
World of Ambiguity», Wall Street Journal, sep. 22, 2017.
[14] I. A. Basheer y M. Hajmeer, «Artificial neural networks:
fundamentals, computing, design, and application», J. Micr
obiol.
Methods, vol. 43, n.
o
1, pp. 3-31, dic. 2000, doi: 10.1016/S0167-
7012(00)00201-3.
[15] D. Mehta, X. Zhao, E. A. Bernal, y D. J. Wales, «Loss surface of
XOR artificial neural networks», Phys. Rev. E, vol. 97, n.
o
5, p.
052307, may 2018, doi: 10.1103/PhysRevE.97.052307.
[16] M. van Gerven y S. Bohte, «Editorial: Artificial Neural Networks as
Models of Neural Information Processing», Front. Comput.
Neurosci., vo
l. 11, 2017, doi: 10.3389/fncom.2017.00114.
[17] R. F. López y J. M. F. Fernández, Las Redes Neuronales Artificiales.
Netbiblo, 2008.
[18] C. G. Cambronero y I. G. Moreno, «ALGORITMOS DE
APRENDIZAJE: KNN & KMEANS», p. 8.
[19] H. Lasi, P. Fettke, H.-G. Kemper, T. Feld, y M. Hoffmann, «Industry
4.0», Bus. Inf. Syst. Eng., vol. 6, n.
o
4, pp. 239-242, ago. 2014, doi:
10.1007/s12599-014-0334-4.
[20] A. Stanford-Clark y
H. L. Truong, «MQTT For Sensor Networks
(MQTT-SN) Protocol Specification», p. 28, 1999.
[21] «Keras | TensorFlow Core», TensorFlow, 2019.
https://www.tensorflow.org/guide/keras?hl=es (accedido may 17,
2020).
Volumen 2, Número 2. (Julio - Diciembre 2020)
e -ISSN: 2661-6688
