Realizaron el diseño e implementación de un sistema de clasificación automatizada de frutas dentro de una cadena de producción utilizando VA y Modelos de ML

«Diseño e Implementación de un Sistema de Clasificación Automatizada de Frutas Dentro de una Cadena de Producción Utilizando VA y Modelos de ML», se denomina el Trabajo Final de Grado (TFG) presentado por los ahora ingenieros José Carlos Ríos Parquet y Enrique Sebastián Marín Mendoza, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el 23 de Diciembre de 2024 en la Institución.

La automatización industrial es clave para optimizar procesos productivos, permitiendo replicar tareas humanas mediante tecnologías avanzadas en campos como el reconocimiento facial, la conducción autónoma y la robótica. En la industria agroindustrial, la clasificación de frutas y verduras representa un desafío crucial para garantizar la calidad del producto final. Tradicionalmente, este proceso se realiza manualmente, pero presenta limitaciones inherentes a la capacidad humana, como la necesidad de un entrenamiento exhaustivo y la dificultad para mantener una uniformidad constante en las evaluaciones. Para superar estas limitaciones, la visión artificial y el aprendizaje automático se han consolidado como herramientas eficaces para automatizar la clasificación en la cadena de producción.

Estas tecnologías ofrecen ventajas en precisión, velocidad y consistencia, aunque su implementación enfrenta desafíos técnicos significativos, como la variabilidad en características visuales de las frutas, incluyendo color, tamaño y textura. Estas dificultades destacan la necesidad de enfoques innovadores para garantizar la robustez y eficacia de los sistemas automatizados en entornos industriales. Además, es necesario procesar imágenes de manera que capturen sutiles diferencias de calidad y reflejen con exactitud las complejas características estructurales y visuales. En este contexto, las redes neuronales convolucionales (CNN) han demostrado ser una herramienta robusta para resolver problemas de visión artificial, gracias a su capacidad para capturar dependencias espaciales en imágenes. Particularmente, arquitecturas avanzadas como YOLO (You Only Look Once) permiten la detección y clasificación eficiente de objetos en tiempo real, lo que resulta ideal para aplicaciones industriales que requieren decisiones rápidas y precisas.

En el Trabajo Final de Grado se presenta el diseño e implementación de un sistema automatizado para la clasificación de frutas en cadenas de producción mediante visión artificial y aprendizaje automático. Se diseñó la mecánica de una bancada experimental, fabricando una cinta transportadora mediante impresión 3D e integrando motores trifásicos con control de velocidad y cámaras para la aplicación de visión por computadora. Se capturaron videos de naranjas de distintos tipos para entrenar modelos basados en redes neuronales convolucionales,  utilizados en la detección y clasificación de naranjas según su madurez y calidad. El sistema, implementado en una bancada que simula condiciones industriales, alcanza una precisión del 97 % (mAP50) al ejecutarse en GPU, con una capacidad de procesamiento de 1 fruta por segundo. Los resultados demuestran la eficiencia del sistema, con potencial didáctico y oportunidades de optimización y validación en entornos más diversos.