Clasificador de Productos Agrícolas para Control de Calidad basado en Machine Learning e Industria 4.0
DOI:
https://doi.org/10.47187/perspectivas.vol2iss2.pp21-28.2020Palabras clave:
Automatización, Inteligencia Artificial, KNN, MQTT, Tecnología Agrícola, CNNResumen
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.
Métricas
Citas
«Poca tecnificación reduce competencia en el agro - NOV. 09, 2004 - Economía - Historicos - EL UNIVERSO», nov. 09, 2004.
«Información Agroambiental y Tecnificación Agropecuaria |», 2018. https://www.ecuadorencifras.gob.ec/informacion-agroambiental/ (accedido may 28, 2020).
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.
«La tecnificación es una de las alternativas a la crisis arrocera», El Comercio.
S. Sherwood y M. Paredes, «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.
H. Jácome Estrella y K. King, Eds., Estudios industriales de la micro, pequeña y mediana empresa, 1. ed. Quito, Ecuador: FLACSO Ecuador, 2013.
«Artificial Intelligence and Environmental Decision Support Systems», p. 15.
S. Russell, P. Norvig, J. M. Corchado Rodríguez, y L. Joyanes Aguilar, Inteligencia artificial: un enfoque moderno. Madrid: Pearson Educación, 2011.
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.
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.
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.
I. Dzitac, F. G. Filip, y M.-J. Manolescu, «Fuzzy Logic 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.
J. R. Hagerty, «Lotfi Zadeh Tried to Adapt Math and Computers to a World of Ambiguity», Wall Street Journal, sep. 22, 2017.
I. A. Basheer y M. Hajmeer, «Artificial neural networks: fundamentals, computing, design, and application», J. Microbiol. Methods, vol. 43, n.o 1, pp. 3-31, dic. 2000, doi: 10.1016/S0167-7012(00)00201-3.
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.
M. van Gerven y S. Bohte, «Editorial: Artificial Neural Networks as Models of Neural Information Processing», Front. Comput. Neurosci., vol. 11, 2017, doi: 10.3389/fncom.2017.00114.
R. F. López y J. M. F. Fernández, Las Redes Neuronales Artificiales. Netbiblo, 2008.
C. G. Cambronero y I. G. Moreno, «ALGORITMOS DE APRENDIZAJE: KNN & KMEANS», p. 8.
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.
A. Stanford-Clark y H. L. Truong, «MQTT For Sensor Networks (MQTT-SN) Protocol Specification», p. 28, 1999.
«Keras | TensorFlow Core», TensorFlow, 2019. https://www.tensorflow.org/guide/keras?hl=es (accedido may 17, 2020).
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Carlos Andrés Guaillazaca González, Valeria Hernandez A.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de Autor
Los autores de trabajos escritos retendrán sus derechos de autor sobre sus artículos publicados en la Revista Pespectivas. Estos derechos les permite sobre dichos trabajos: presentarlos en público, preparar trabajos derivados, reproducirlo físicamente a través de impresión y distribuirlo en sus redes sociales o de investigación. Estos derechos se mantendrán inalterables siempre y cuando los autores respecten la política de publicación y de acceso libre que maneja la Revista Perspectivas.
Derechos de Publicación
La Revista Perspectivas se reserva todos los derechos de primera publicación sobre cada uno de los artículos que los autores hayan enviado a su proceso de revisión y publicación. Esto implica que los autores solo podrán ejercer sus derechos de autor si, al momento de distribuir, compartir, presentar o usar el contenido total o parcial de sus artículos, indican adecuadamente la fuente y origen de dicha publicación.
