Desarrollo de una estrategia inteligente mediante redes neuronales convolucionales profundas para la medición de la calidad del crecimiento de plantines producidos en viveros industriales de la región La Libertad

Abstract

La agricultura en el Perú es una actividad económica fundamental que en los últimos años ha tenido un crecimiento acelerado, lo que ha permitido su industrialización. Un rol fundamental para lograr este crecimiento elevado y sostenido son los viveros industriales que proveen de plantines a los fundos agroindustriales, los que previamente pasan por un control de calidad de crecimiento a fin de asegurar un desarrollo como plantas productoras de frutos con calidad de exportación. El control de calidad lo realizan operarios especializados que verifican, en cada plantin, la altura de los tallos, el número de hojas de la plántula, el área foliar de cada hoja, el desarrollo de las raíces, lo que implica acciones de observación visual, cogida, traslado y dejada del plantin desde el punto de avaluación hacia otro diferente según calidad de crecimiento. Sin embargo, si el recurso humano especializado no está disponible en la cantidad que demanda la producción entonces se generan cuellos de botella y por lo tanto una merma en la productividad. Un caso critico es la alcachofa cuya demanda en el mercado nacional es aproximadamente de 400 millones de plantines al año y es el plantin que por sus características fenológicas exige el mayor esfuerzo por parte de los operarios para dar una correcta valorización de la calidad de su crecimiento. En este trabajo se desarrolla una estrategia inteligente mediante redes neuronales convolucionales profundas para la medición de la calidad del crecimiento de plantines de alcachofa producidos en viveros industriales de la región La Libertad-Perú. Primero, se elabora el dataset para el aprendizaje de la red neuronal convolucional constituido por imágenes de plantines de alacachofa reales e imágenes de plantines virtuales. Segundo, se diseñan y comparan modelos de Machine Learning (PCA, kmeans-verificar) y Deep Learning (VGG16 y Yolov3) para determinar la mejor estrategia de detección y clasificación de plantines en imágenes RGB. Cuarto, se obtiene la correlación de Pierson para verificar la relación entre la predicción de la estrategia previamente determinada y el criterio de clasificación de un vivero industrial de la región, lográndose una correlación del 85%. Finalmente, se desarrolla un sistema de monitoreo, supervisión y gestión en tiempo real que integra dashboard, IA, componentes eléctricos industriales, computación en la nube y robótica. Todo ello ejecutándose en un entorno de red local y en la nube (Google Cloud Platform).

Agriculture in Peru is growing at an accelerated rate; this has allowed its industrialization. Industrial nurseries must provide seedlings to farmers, a year they must produce more than 400 million seedlings only artichoke. However, the increase in production is becoming more difficult due to the scarcity of specialized labor for quality control of products, within which there is a specific visual analysis procedure to classify seedlings according to their quality. The present thesis work presents the development of an intelligent strategy using deep convolutional neural networks for measuring the quality of the growth of seedlings produced in industrial nurseries in the region of La Libertad. First, the necessary dataset based on images of artichoke seedlings is prepared, including images of real and synthetic seedlings. Second, a set of Machine and Deep Learning models (PCA, kmeans, VGG16 and Yolov3) are proposed and designed in order to be able to perform a comparison of the performances of each of these for the task of detecting and classifying RGB images of the seedlings. Third, the training, testing and validation of the models is carried out. Fourth, the Pierson correlation is obtained to verify the relationship between the prediction of previously trained models and the classification criteria of an industrial nursery in the region. Finally, the model is displayed with a respective monitoring panel (dashboard) that runs on the local network and in the cloud (Google Cloud Platform). The conclusions of the work are shown as a Computer Vision System (SVC) based on Industrial Internet of Thing (IIoT) that integrates AI, industrial components, cloud computing and robotics, achieving a seedling classification capacity that correlates an 85 % with what has been done in industrial nurseries.