Desarrollo de visión artificial con redes neuronales para identificación de imperfecciones en envases de atún con tres cámaras
DOI:
https://doi.org/10.18050/xd106b65Resumen
La presente investigación tiene como objetivo describir el desarrollo de visión artificial con redes neuronales para identificar las imperfecciones presentes en las latas de atún usando tres cámaras. Para el desarrollo del sistema se utilizó Python y bibliotecas especializadas como TensorFlow, OpenCV, NumPy y Keras. Se implementó una red neuronal convolucional (CNN) con imágenes etiquetadas de latas en buen y mal estado. El sistema usa tres cámaras para inspeccionar las latas desde múltiples ángulos y aplica filtros como desenfoque Gaussiano, umbral adaptativo y algoritmo de Canny para mejorar la calidad de las imágenes y la precisión en la detección de bordes. Se logró una precisión del 98.17% en el entrenamiento y del 98.76% en la validación de imágenes. Se recomienda realizar pruebas adicionales con conjuntos de datos más amplios, optimizar el algoritmo de detección de bordes, explorar otras arquitecturas de redes neuronales y considerar la integración con robótica para automatizar el proceso de inspección. Finalmente, se concluye que el sistema desarrollado es una herramienta efectiva para detectar abolladuras en latas de atún, mejorando el control de calidad, reduciendo costos y garantizando la seguridad del producto final en la industria alimentaria.
Descargas
Referencias
Barreda, S., Mamani, L., Mendoza, J. y Castillo, O. (2021). Una aplicación del algoritmo de detección de bordes Canny en procesos alimentarios. Revista Científica Investigación Andina, 20(2),1-
8. https://mail.revistas.uancv.edu.pe/index.php/RCIA/article/view/865
Burgos Zavaleta, P., Ulloa, J., Aguilar, J., Robles, A., & Julián, C. (2022). Desarrollo de un sistema de visión artificial para detección de abolladuras en latas de atún. INGnosis, 8(2), 59–68.
https://revistas.ucv.edu.pe/index.php/ingnosis/article/view/2828/2212
Caicedo Duque, A. (2021). Sistema de detección y conteo de manos en un racimo de bananos mediante visión artificial [Tesis de pregrado, Universidad EIA]. https://repository.eia.edu.co/server/ap i/core/bitstreams/d55b308e-b8ae- 41e9-bcf3-27bb3467de5b/content.
Chuquimarca Jiménes, L., Pinzón Tituana, S. y Rosales Pincay, A. (2021). Detección de mascarilla para COVID-19 a través de Aprendizaje Profundo usando OpenCV y Cascade Trainer GUI. Revista Científica y Tecnológica UPSE, 8(1), 68-73. https://incyt.upse.edu.ec/ciencia/re vistas/index.php/rctu/article/view/5 72/496
Galdea Gonzáles, W. (2024). Diseño y simulación de sistema automatizado para el control de calidad en la producción de enlatado de atún mediante visión artificial [Tesis de pregrado, Universidad Estatal Península de Santa Elena]. Repositorio UPSE. https://repositorio.upse.edu.ec/handle/46000/10620
Giraldo Loaiza, W. (2020). Reconocimiento de Objetos usando técnicas de Inteligencia Artificial [Universidad Tecnológica de Pereira]. https://repositorio.utp.edu.co/server/a pi/core/bitstreams/9e71ddea-7292- 473a-b828-3471b0484727/content.
Grattarola, D. y Alippi, C. (2021). Graph Neural Networks in TensorFlow and Keras with Spektral.
IEEE Computational Intelligence Magazine, 16(1), 99-106.
https://ieeexplore.ieee.org/stamp/st amp.jsp?tp=&arnumber=9321429
Icaza Paredes, W. (2019). Desarrollo de sistema de visión artificial con labview que permita detectar imperfecciones en las latas de atún. Universidad Estatal de Milagro. http://repositorio.unemi.edu.ec/xmlui/h andle/123456789/4921.
León León, R. A, Beltrán Lara, B., Cruz Saavedra, R., Terrones Julcamoro, K., Torres Verastegui, A.
y Aponte de la Cruz, M. (2019). Desarrollo de sistema de visión artificial para control de calidad de botellas en la empresa Cartavio Rum Company. Revista Ingeniería, Investigación y Desarrollo, 19(1), 17-25. https://dialnet.unirioja.es/descarga/arti culo/8276722.pdf.
León León, R. A, Guevara Jiménez, N. Briceño Cabrera, S., Espinoza Llano, Á., Gamboa Nolasco, L., Marín Alzamora, A. y Paz Rodríguez, P. (5-7 de diciembre del 2022). Simulación de un sistema de clasificación de frascos de conservas mediante visión artificial en las empresas usando Python. 2nd LACCEI International Multiconference on Entrepreneurship, Innovation and Regional Development - LEIRD [virtual edition], https://laccei.org/LEIRD2022- VirtualEdition/full-papers/FP181.pdf.
Moreno Fernández, S. (2020). Herramienta de reconocimiento de imágenes en Python [Tesis de pregrado, Universidad de Sevilla]. https://biblus.us.es/bibing/proyectos/a breproy/92877/fichero/TFG- 2877+MORENO+FERN%C3%81NDE Z%2C+SAMUEL.pdf.
NEVITEC VISION TECHNOLOGIES by CLAUDIA, (25 de agosto de 2022). Inspección de alta calidad de latas y botes de vidrio con la solución de visión artificial Rigel. https://nevitecvision.com/blog/inspecc ion-de-alta-calidad-de-latas-y-botes- de-vidrio-con-lasolucion-de-vision- artificial-rigel/.
NumPy. (s.f.). Case study: Cricket analytics, the game changer! https://numpy.org/casestudies/cricket-analytics/
Palma Santacruz, W. (2020). Implementación de un sistema de visión artificial en líneas de producción de atún, para la detección de fallas de codificado en la empresa Puertomar S.A. Provincia de Manabí. [Tesis de Maestría, Escuela Superior Politécnica de Chimborazo]. http://dspace.espoch.edu.ec/bitstream/123456789/14101/1/20T01339.pdf.
Pañi Pizarro, C. (2020). Diseño de un prototipo de sistema inmótico basado en reconocimiento facial usando visión artificial, para controlar el acceso en áreas restringidas [Tesis de pregrado, Escuela Superior Politécnica de Chimborazo]. http://dspace.espoch.edu.ec/handle/1 23456789/18053.
Poblet García, P. (2022). Detección de defectos en latas de refrescos mediante redes neuronales y visión artificial [Tesis de pregrado, Escuela Superior de Ingeniería Industrial de Barcelona]. https://upcommons.upc.edu/bitstream/handle/2117/371689/detecci-n-de-defectos-en-latas-derefrescos-mediante-deep-learning..pdf?sequence=1&isAllowed=y
Rolon-Mérette, D., Ross, Matt, Rolon-Mérette, T. and Church, K. (2020). Introduction to Anaconda and Python: Installation and setup. The Quantitative Methods for Psychology , 16(5), S3-S11.
https://www.tqmp.org/SpecialIssues/v ol16-5/S003/S003.pdf
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. and Chen, L. C. (21 de marzo del 2019).
MobileNetV2: Inverted residual and linear bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4510-4520. https://arxiv.org/abs/1801.04381
TEKVISA (23 de mayo de 2022). Deep Learning en la Visión Artificial. https://tekvisa.com/deep- learning- en-la-vision-artificial/.
Tensor Flow (19 de noviembre de 2024]. MLSysBook.AI: Principles and practices of Machine Learning systems Engineering. https://blog.tensorflow.org/2024/11/mlsysbookai-principlesand-practices-of-machine-learning-systems-engineering.html?hl=es-
419&_gl=1*1oyr9zo*_ga*NTg2MDMyNTUuMTczMjEyMDQzMA..*_ga_W0YLR4190T* MTczMjEyMDQyOS4xLjAuMTczMjEyMDQyOS4wLjAuMA..
Tinajero, J., Acosta, L., Chango, E. y Moyon, J. (2020). Sistema de visión artificial para clasificación de latas de pintura por color considerando el espacio de color RGB. Revista Espacios, 41(8), 18.
https://www.revistaespacios.com/a20 v41n08/a20v41n08p18.pdf.
Tomas, B. y Timbers, T. (2022). Python Packages. Florida, USA: CRC Press.
https://books.google.com.pe/books?id=_J5lEAAAQBAJ&newbks=0&l pg=PP1&hl=es&pg=PP1#v=onepa ge&q&f=false
Zúñiga Segura, L. (2022). Inteligencia Artificial en las organizaciones. Investiga. TEC, 15(45), 21-
24. https://revistas.tec.ac.cr/index.php/investiga_tec/issue/view/629
