Diseño de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con Googlenet en Matlab

Abstract

La presente tesis de investigación se enfocó en el “Diseño de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con GoogleNet en Matlab”, está compuesta por el diseño mecánico, eléctrico y electrónico, informático y control del sistema de control de calidad capaz de realizar el monitoreo vía wi-fi los tomates cherry, en donde se envía la data a la plataforma Thingspeak para visualizar los gráficos estadísticos en el celular por parte de los usuarios. Se realizaron las pruebas de manera exitosa configurando los motores para el arranque de la faja transportadora controlado mediante el microcontrolador Arduino que realiza el proceso automático del sistema con la fin de monitorear la calidad del tomate cherry e identificar la cantidad de plaguicidas en las soluciones líquidas que se aplicó durante el desarrollo de la fruta desde su cultivo, previniendo y disminuyendo los residuos de plaguicidas presente en la corteza del producto alimenticio respetando la norma normas sanitarias RM-1006- 2016/MINSA. A su vez, se envió la data recopilada a través de la conexión IoT a la plataforma Thingspeak para el análisis requerido. El presente trabajo de tesis, se desarrolló el diseño de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con GoogleNet conectado en Matlab, el cual permite que el usuario pueda monitorear el estado del tomate cherry cuando pasa en el proceso de control de calidad mostrando un gráfico estadístico donde se visualiza la cantidad de los productos que se han verificado de manera exitosa. Tras realizar las pruebas necesarias, nos dieron como resultado la visualización de las variables en el servidor de la nube analítico Thingspeak, donde se analizaron 28 tomates cherry que fueron detectados por el sensor PIR HC-501; el grado de asertividad, donde entrenaron una gran cantidad de imágenes de tomates cherry utilizando la arquitectura de red neuronal GoogleNet obteniendo un porcentaje de 99,37 %; y el reconocimiento de tomates cherry mediante el uso de la cámara web, el cual identificó el tomate cherry, tomate dañado y sin tomate por default