Evaluación de Coronas Decorativas Mediante un Enfoque de Deep Learning
DOI:
https://doi.org/10.69681/lajae.v6i1.31Palabras clave:
Floricultura, YOLO, Aprendizaje profundo, Exactitud, Precisión, Recall, MaPResumen
La industria de la floricultura es un sector en crecimiento en Baja California, que exporta la mayor parte de su producción. Los productos como las coronas decorativas dependen principalmente de la inspección humana, que a menudo ha sido propensa a errores humanos y desafíos para cumplir con los criterios de calidad. La implementación de tecnologías y métodos de inspección automatizados en la floricultura para reducir los errores humanos, parece contribuir a minimizar los productos defectuosos y garantizar el cumplimiento de los estándares de calidad y las normas de exportación. En este artículo, evaluamos la implementación de YOLO, un enfoque de aprendizaje profundo, en el proceso de identificación de defectos. Los resultados muestran que la precisión varía del 48.4 % al 81.3 % y el MaP del 53.2 % al 87.6% utilizando diez épocas. Este documento proporciona evidencia valiosa para futuros estudios e implementaciones con respecto a los enfoques de aprendizaje profundo utilizados para evaluar las características visuales en la industria de la floricultura.
Descargas
Citas
Gobierno de Mexico, “Las flores están en el campo, en las miradas, en las palabras...”, Accessed: Jun. 26, 2023. [Online]. Available: https://www.gob.mx/agricultura/articulos/las-flores-estan-en-el-campo-en-las-miradas-en-las-palabras#:~:text=La%20floricultura%20mexicana%20es%20una,producci%C3%B3n%20la%20realizan%20manos%20femeninas.
Gobierno de Mexico, “Floricultura, cultivando belleza y ganancias”, Accessed: Jun. 26, 2023. [Online]. Available: https://www.gob.mx/agricultura/es/articulos/floricultura-cultivando-belleza-y-ganancias
J. Jesús Ramírez Hernández and J. A. Avitia-Rodríguez, “MEXICAN FLORICULTURE IN THE 21ST CENTURY: ITS PERFORMANCE IN INTERNATIONAL MARKETS.”
S. Jamal and J. E. Judith, “Review on Automated Leaf Disease Prediction Systems,” in Proceedings of the ACCTHPA 2023 - Conference on Advanced Computing and Communication Technologies for High Performance Applications, Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/ACCTHPA57160.2023.10083382.
S. Sundaram and A. Zeid, “Artificial Intelligence-Based Smart Quality Inspection for Manufacturing,” Micromachines (Basel), vol. 14, no. 3, p. 570, Feb. 2023, doi: 10.3390/mi14030570.
J. E. See, “SANDIA REPORT Visual Inspection: A Review of the Literature,” 2012. [Online]. Available: http://www.ntis.gov/help/ordermethods.asp?loc=7-4-0#online
G. Oil and G. Digital, “The Impact of Digital on Unplanned Downtime AN OFFSHORE OIL AND GAS PERSPECTIVE EXECUTIVE SUMMARY ‘DIGITIZATION ENABLES OFFSHORE OPERATORS TO REDUCE UNPLANNED DOWNTIME WHILE SIMULTANEOUSLY REDUCING RISKS.,’” 2016.
J. E. See, “The Role of Visual Inspection in the 21 st Century.”
M. Babic, M. A. Farahani, and T. Wuest, “Image Based Quality Inspection in Smart Manufacturing Systems: A Literature Review,” in Procedia CIRP, Elsevier B.V., 2021, pp. 262–267. doi: 10.1016/j.procir.2021.10.042.
A. Cruz et al., “Detection of grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence,” Comput Electron Agric, vol. 157, pp. 63–76, Feb. 2019, doi: 10.1016/j.compag.2018.12.028.
S. Veeragandham and H. Santhi, “Effectiveness of convolutional layers in pre-trained models for classifying common weeds in groundnut and corn crops,” Computers and Electrical Engineering, vol. 103, Oct. 2022, doi: 10.1016/j.compeleceng.2022.108315.
R. Zhu, H. Zou, Z. Li, and R. Ni, “Apple-Net: A Model Based on Improved YOLOv5 to Detect the Apple Leaf Diseases,” Plants, vol. 12, no. 1, Jan. 2023, doi: 10.3390/plants12010169.
S. Tan et al., “Machine Learning Approaches for Rice Seedling Growth Stages Detection,” Front Plant Sci, vol. 13, Jun. 2022, doi: 10.3389/fpls.2022.914771.
N. Ismail and O. A. Malik, “Real-time Visual Inspection System for Grading Fruits using Computer Vision and Deep Learning Techniques,” Information Processing in Agriculture, 2021, doi: 10.1016/j.inpa.2021.01.005.
V. Gonzalez-Huitron, J. A. León-Borges, A. E. Rodriguez-Mata, L. E. Amabilis-Sosa, B. Ramírez-Pereda, and H. Rodriguez, “Disease detection in tomato leaves via CNN with lightweight architectures implemented in Raspberry Pi 4,” Comput Electron Agric, vol. 181, Feb. 2021, doi: 10.1016/j.compag.2020.105951.
P. T. Q. Anh, D. Q. Thuyet, and Y. Kobayashi, “Image classification of root-trimmed garlic using multi-label and multi-class classification with deep convolutional neural network,” Postharvest Biol Technol, vol. 190, Aug. 2022, doi: 10.1016/j.postharvbio.2022.111956.
A. Nasiri, A. Taheri-Garavand, and Y. D. Zhang, “Image-based deep learning automated sorting of date fruit,” Postharvest Biol Technol, vol. 153, pp. 133–141, Jul. 2019, doi: 10.1016/j.postharvbio.2019.04.003.
H. Li, C. Li, G. Li, and L. Chen, “A real-time table grape detection method based on improved YOLOv4-tiny network in complex background,” Biosyst Eng, vol. 212, pp. 347–359, Dec. 2021, doi: 10.1016/j.biosystemseng.2021.11.011.
Y. Ge et al., “Tracking and Counting of Tomato at Different Growth Period Using an Improving YOLO-Deepsort Network for Inspection Robot,” Machines, vol. 10, no. 6, Jun. 2022, doi: 10.3390/machines10060489.
P. Isola, J.-Y. Zhu, T. Zhou, and A. A. Efros, “Image-to-Image Translation with Conditional Adversarial Networks,” Nov. 2016, [Online]. Available: http://arxiv.org/abs/1611.07004
Descargas
Publicado
Cómo citar
Licencia
Derechos de autor 2024 Diego Caballero Ramírez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en Latin American Journal of Applied Engineering aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons 4.0, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a compartir su trabajo en línea (por ejemplo: en repositorios institucionales o páginas web personales) antes y durante el proceso de envío del manuscrito, ya que puede conducir a intercambios productivos, a una mayor y más rápida citación del trabajo publicado.
