Identificación Automática de la calidad del banano usando clasificación por Redes Neuronales Profundas (DNN)

• Navarro Ortiz, Deyner Julian ; Martinez Lopez, Silvia Alejandra ^[1]
  1. [1] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, Nº. 22, 2022
• Idioma: español
• DOI: 10.18682/cyt.vi22.4609
• Títulos paralelos:
  • Automatic Identification of banana quality with Deep Neural Network Classification (DNN)
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    The industrialization of agriculture has gradually taken place in Colombia, because of the need to optimize the time and effort required for the processes involved from growing fruits and vegetables to their distribution and commercialization, whether they are meant for exportation or commercialization within the country. Fruit classification is a very important process before they are being taken out as a final product, since predetermined guidelines issued by regulatory entities that define the quality of the harvested product must be followed. The authors propose a low-cost prototype for the automatic classification of bananas according to the NTC 1190 standard (Colombian normative), using a convolutional neural network (CNN) of MobileNetV2 architecture trained through transfer learning and implemented in a Raspberry Pi 3B+ with a camera to monitor the specimens and an easy interface for interaction with the user, as well as a case designed to contain the hardware and allow access to its ports in the most compact way possible. The datasets utilized in this work for training, validation, and testing, consists of images taken from two free access fruit database and others acquired by the researchers. The achieved precision is 87 %, enough to ensure reliability and low computational cost.

• Referencias bibliográficas
  • 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,...
  • Cabinatan, I. P., Cascabel, H. F., Ferrer, L. V., Larada, J., Pantilgan, R., Piedad, E. J., & Pojas, G. (2020). Tier-based dataset: Musa-acuminata...
  • 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...
  • Chen, B., G. Howard, A., Kalenichenko, D., & Zhu, M. (2020). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications....
  • Fan, W., Han, D., & Liu, Q. (2018). A new image classification method using cnn transfer learning and web data augmentation. Expert Systems...
  • Fukushima, K. (Febrero de 1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by...
  • Hou, L., Li, P., Sun, Q., Wu, Q., & Yang, H. (2016). Fruit recognition based on convolution neural network. En 2016 12th International...
  • 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...
  • 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...
  • Sierra Castro, M. V., & Torrenegra Murcia, M. (2017). Análisis de la producción del banano en Banafrut. Universidad del Rosario.
  • Tobón Rojas, M. C., & Vanegas Cabrera, J. M. (2019). La industria bananera colombiana: retos y oportunidades de mejora. Universidad del...