Identificación Automática de la calidad del banano usando clasificación por Redes Neuronales Profundas (DNN)
Resumen
La industrialización de la agricultura ha ido tomando lugar en Colombia de forma paulatina, esto surge por la necesidad de optimizar el tiempo y esfuerzo requeridos para los procesos implicados desde el cultivo de los alimentos hasta la distribución y comercialización, bien sean exportaciones o comercio interno. La clasificación de las frutas es un proceso importante antes de ser sacadas como un producto final, ya que se deben seguir normativas predeterminadas por entidades reguladoras que definen la calidad del producto cosechado. Los autores proponen un prototipo de bajo costo para la clasificación automática del banano según la norma NTC 1190 (normativa colombiana), utilizando una red neuronal convolucional (CNN) de arquitectura MobileNetV2, entrenada mediante transfer learning e implementada en una Raspberry Pi 3B + con una cámara para monitorear los ejemplares y una sencilla interfaz de interacción con el usuario, además de una carcasa diseñada para la protección del hardware. El conjunto de datos utilizados en este trabajo para los procesos de entrenamiento, validación y prueba consta de imágenes tomadas de dos bases de datos de frutas de acceso libre, y también imágenes adquiridas por los investigadores. La precisión alcanzada es del 87%, suficiente para garantizar confiabilidad y bajo costo computacional.
Descargas
Citas
Agrawal, P., Efros, A., & Minyoung, H. (2016). What makes imagenet good for transfer learning? arXiv preprint arXiv:1608.08614.
Bengio, Y., Bottou, L., Haffner, P., & LeCun, Y. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
Cabinatan, I. P., Cascabel, H. F., Ferrer, L. V., Larada, J., Pantilgan, R., Piedad, E. J., & Pojas, G. (2020). Tier-based dataset: Musa-acuminata banana fruit species. Obtenido de https://data.mendeley.com/datasets/zk3tkxndjw/2
Caponnetto, A., Rosasco, L., & Yao, Y. (2005). ON EARLY STOPPING IN GRADIENT DESCENT LEARNING. Web.mit.edu.
Castillo, J., Fajardo, C., & Granados, Y. (2020). Patient-specific detection of atrial fibrillation in segments of ecg signals using deep neural networks. (U. M. Granada, Ed.) Ciencia E Ingenieria Neogranadina, 30(1), 45-58.
Chen, B., G. Howard, A., Kalenichenko, D., & Zhu, M. (2020). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. Arxiv.org. Obtenido de https://arxiv.org/pdf/1704.04861.pdf
Colombian Institute of Technical Standards and Certification ICONTEC. (1976). NTC 1190, banana classification.
Fan, W., Han, D., & Liu, Q. (2018). A new image classification method using cnn transfer learning and web data augmentation. Expert Systems with Applications, 95, 43-56.
Fukushima, K. (Febrero de 1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological cybernetics, 36, 193-202. doi:10.1007/BF00344251
Hou, L., Li, P., Sun, Q., Wu, Q., & Yang, H. (2016). Fruit recognition based on convolution neural network. En 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD) (págs. 18-22). Changsta, China. doi:10.1109/FSKD.2016.7603144
Jain, R. (2020). Why “early-stopping” works as Regularization? Obtenido de https://medium.com/@rahuljain13101999/why-early-stopping-works-as-regularization-b9f0a6c2772
Kaggle.com. (2020). Fruits fresh and rotten for classification. Obtenido de https://www.kaggle.com/sriramr/fruits-fresh-and-rotten-forclassification
Mehra, R. (2018). Breast cancer histology images classification: Training from scratch or transfer learning? ICT Express, 4(4), 247-254.
Okamoto, K., Tanno, R., & Yanai, K. (2016). “Efficient mobile implementation of a cnn-based object recognition system. En Proceedings of the 24th ACM international conference on Multimedia (págs. 362-366).
Perez, L., & Wang, a. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621.
Radiuk, P. M. (2017). Impact of training set batch size on the performance of convolutional neural networks for diverse datasets. Information Technology and Management Science, 20(1), 20-24.
Sierra Castro, M. V., & Torrenegra Murcia, M. (2017). Análisis de la producción del banano en Banafrut. Universidad del Rosario.
Sociedad de Agricultores de Colombia. (s.f.). Sector bananero colombiano creció en 2018. Obtenido de https://sac.org.co/sector-bananero-colombiano-crecio-en-2018/
Tobón Rojas, M. C., & Vanegas Cabrera, J. M. (2019). La industria bananera colombiana: retos y oportunidades de mejora. Universidad del Rosario.
Los artículos publicados en la Revista Ciencia y Tecnología son de exclusiva propiedad de sus autores. Las opiniones y el contenido de los mismos pertenecen a sus autores, declinando la Universidad de Palermo toda responsabilidad por los derechos que pudiera derivarse de la lectura y/o interpretación del contenido de los artículos publicados.
No se autoriza la reproducción, utilización ni explotación por parte de ningún tercero de los artículos publicados. Sólo se autoriza su uso para fines exclusivamente académicos y/o de investigación.
