Resumen:
El aguacate hass es uno de los principales productos agrícolas en el mercado a nivel nacional e internacional, denominado el “oro verde” de la economía colombiana, ocupando el cuarto lugar en mayor exportación de producción. Debido a la alta demanda que posee Colombia al exportar productos agrícolas de alta calidad, busca una producción tecnificada e industrial donde incremente la productividad de los aguacates hass para ser exportados. Este proyecto de investigación presenta técnicas de visión artificial aplicadas a la clasificación del aguacate hass por 3 estados de maduración (Maduros, inmaduros y defectuosos) y a la detección de defectos. Para crear los sistemas de clasificación y detección se creó un dataset con imágenes de las tres categorías a clasificar de la fruta aguacate hass, las cuales fueron tomadas por una cámara Logitech c920s. Para el sistema de clasificación se utilizó un sistema de visión por computadora basado en redes neuronales artificiales convolucionales (RNA) organizadas en una arquitectura profunda capaz de clasificar la madurez de la fruta. Para el algoritmo de clasificación se optó por la red neuronal VGG16, pre-entrenada con el dataset IMAGINET. Como método de entrenamiento se usó transfer learning. Para la detección se usó el algoritmo Mask-RCNN con el cual se realizó detección y segmentación de defectos en los aguacates. Para el algoritmo de detección de defectos se usó una red neuronal ResNet50, con la ayuda de un modelo pre entrenado con el dataset COCO. Se construyó un prototipo físico encargado de realizar la distribución y clasificación de los aguacates, controlado por medio del microcontrolador ATmega2560. El componente lógico del desarrollo, el componente de sensores y control de actuadores se integraron en un desarrollo software realizado en Python con interface gráfica de usuario. Los resultados mostraron que el sistema de clasificación está en la capacidad de detectar aguacates maduros, inmaduros y
defectuosos, además permite determinar el lugar y la geometría de los defectos. El Accuracy general del sistema de clasificación de aguacates fue 0.97. El algoritmo de detección de defectos obtuvo una métrica Intersection over Union de 0.54. Se mostró que las técnicas de visión artificial y Deep learning son útiles para clasificar aguacates tipo hass por su estado de maduración, y para detectar defectos en su superficie.
