Dispositivo que permite la
identificación por tipo y tamaño de la naranjilla y del tomate de árbol
mediante visión artificial para mejorar la producción en PYMES
Device that allows the
identification by type and size of the naranjilla and the tree tomato by
artificial vision to improve production in SMEs
|
Ingeniera en Electrónica y Automatización, Escu=
ela
Superior Politécnica de Chimborazo (ESPOCH) |
|
|
2 |
Cris= tian Antonio Erazo Peñafiel https://orcid.org/0000-0001-5378-2016<= o:p> Ingeniero en Electrónica y Automatización, Escue=
la
Superior Politécnica de Chimborazo (ESPOCH) |
|
3 |
Ingeniera en
Electrónica, Telecomunicaciones y Redes, Escuela Superior Politécnica de
Chimborazo (ESPOCH) |
|
4 |
Máster Universitario=
En
Sistemas Tecnologías y Redes De Comunicaciones, Escuela Superior Politécn=
ica
de Chimborazo (ESPOCH), Facultad de informática y Electrónica |
|
|
Artículo de Investigación Científica y
Tecnológica Enviado: 13/05/2022 Revisado: 28/06/2022 Aceptado: 15/07/2022 Publicado:05/08/2022 DOI: =
https://doi.org/10.33262/ap.v4i3.1.2=
42 |
||||||||
|
|
|
||||||||
|
Cítese: |
Ati Andaluz, V. M., Erazo Peñafiel, C. =
A.,
Ati Andaluz, D. C., & Geovanny Martinez, O. (2022). Dispositivo que
permite la identificación por tipo y tamaño de la naranjilla y del tomate=
de
árbol mediante visión artificial para mejorar la producción en PYMES.
AlfaPublicaciones, 4(3.1), 127–147. https://doi.org/10.33262/ap.v4i3.1.242 |
|
|||||||
|
|
|
ALFA PUBLICACIONES,
|
|
||||||
|
|
|
|
|
||||||
|
|
|
Resumen El presente trabajo consistió en el diseño e
implementación de un prototipo que permita la identificación por tipo y
tamaño de la naranjilla y del tomate de árbol, para poder lograrlo se uti=
lizó
un sistema de visión artificial por computador basado en redes neuronales=
. El
prototipo dispone de tres sistemas: el sistema de adquisición de imágenes
conformado por una cámara web e iluminación para la captura de datos; el
sistema de visión artificial utiliza el método de procesamiento de imágen=
es
para realizar la clasificación por tamaño y redes neuronales para la
clasificación por tipo, finalmente el sistema mecánico está conformado po=
r un
sistema de almacenamiento y una banda transportadora. Para el entrenamien=
to
de la Red Neuronal Artificial se utilizó el algoritmo convolucional que a
través de la adquisición de imágenes entrena el identificador, se estable=
ció
tres categorías: tomate de árbol, naranjilla y objeto desconocido, cada u=
na
posee una base de datos. Los algoritmos de programación fueron desarrolla=
dos
en Raspbian, con lenguaje de programación Python utilizando librerías de
OpenCV y TensorFlow. La interfaz gráfica fue desarrollada mediante la
biblioteca Tkinter, permitiendo al usuario controlar seis botones: iniciar
cámara, tomar foto, cargar foto, tipo de fruta, tamaño de fruta, cerrar
programa. En base a las pruebas realizadas, se establece que el sistema
funciona de manera óptima con un 95% al detectar el tipo de fruta, el 93%
para identificar el tamaño, el tiempo de respuesta oscila entre 0.3 y 1.3
segundos. Se concluye que el prototipo logra la identificación de los fru=
tos
por su tipo y tamaño con un margen de error mínimo. |
|
||||||
|
Keywords: Machine vision, Fr=
uit
identifier, Identification algorithm, Convolutional neural network, Graph=
ical
interface, Conveyor belt. |
<=
/span>
|
Abstract The present work consisted of t=
he
design and implementation of a prototype that allows the identification by
type and size of the orange tree and the tree tomato, to achieve this, a
computer vision system based on neural networks was used. The prototype h=
as
three systems: the image acquisition system consisting of a webcam and
lighting for data capture; the artificial vision system uses the image
processing method to perform the classification by size and neural networ=
ks
for the classification by type, finally the mechanical system is made up =
of a
storage system and a conveyor belt. For the training of the Artificial Ne=
ural
Network, the convolutional algorithm was used that through the acquisitio=
n of
images trains the identifier, three categories were established: tree tom=
ato,
naranjilla and unknown object, each one has a database. The programming
algorithms were developed in Raspbian, with Python programming language u=
sing
OpenCV and TensorFlow libraries. The graphical interface was developed us=
ing
the Tkinter library, allowing the user to control six buttons: start came=
ra,
take photo, upload photo, fruit type, fruit size, close program. Based on=
the
tests conducted, it is established that the system works optimally with 9=
5%
when detecting the type of fruit, 93% to identify the size, the response =
time
ranges between 0.3 and 1.3 seconds. It is concluded that the prototype
achieves the identification of the fruits by their type and size with a
minimum margin of error. |
|
||||||
Introducción
El
sistema de visión por computador en la agricultura ha aumentado de forma
considerable en los últimos tiempos, principalmente en la monitorización de
cultivos, agricultura de precisión, identificación en líneas de procesamien=
to y
su mayor auge en la automatización de procesos. La principal característica=
de
este sistema es proporcionar cantidades de información acerca de la natural=
eza
y atributos de la escena analizada. La visión artificial representa una de =
las
herramientas transversales más relevantes dentro de la industria 4.0, esta
tecnología es rápida, precisa, no es destructiva o invasiva para los alimen=
tos
y evita la inspección humana, que en jornadas largas tiende a ser costosa,
subjetiva e imprecisa. En Ecuador el uso de la Inteligencia Artificial dent=
ro
de la automatización de procesos es muy baja en las microempresas y pymes, =
un
sistema de visión artificial que sea capaz de detectar el tipo y tamaño de =
fruta
garantizará una identificación de mayor calidad, obviando la subjetividad d=
el
humano al momento de realizar dicho trabajo.
Objetivos. - Realizar un prototipo que permita la clasificación=
por
tipo y tamaño de frutas mediante visión artificial teniendo como fin mejora=
r y
automatizar los procesos de selección y clasificación de productos dentro de
las microempresas agrícolas.
Diseñar
un prototipo que ejecute la clasificación de frutas y que permita cumplir c=
on
los requerimientos tales como: capturar las imágenes en alta resolución par=
a la
correcta identificación de frutas, controlar la posición de la fruta para su
identificación, diseñar un sistema de transporte y almacenamiento óptimo pa=
ra
el traslado de la fruta evitando en todo momento la manipulación humana,
establecer un límite de tiempo para el paso de cada fruta por la banda
transportadora y contabilizar las frutas identificadas por categoría.
Metodología
Normas INEN para la identificació=
n de
la naranjilla y tomate de árbol
Identificación
de la naranjilla. - La norma INEN 2 303:2009 que se muestra en la tabla 1,
manifiesta que el tamaño o calibre de la Naranjilla se determina por el
diámetro en mm, la longitud en mm y la masa en g.
Tabla 0(Alonso=
, 2009,
p.1)
La
IA permite que los sistemas tecnológicos perciban su entorno, se relacionen=
con
él, resuelvan problemas y actúen con un fin específico. La máquina recibe d=
atos
(ya preparados o recopilados a través de sus propios sensores, por ejemplo,=
una
cámara), los procesa y responde a ellos (Notici=
as
Parlamento Europeo, 2021, p.1)
Sistemas de Visión Artificial
Es
un subcampo de la Inteligencia artificial que a partir de diversas tecnolog=
ías
permite reconocer, procesar y analizar la información mediante imágenes
digitales para finalmente tomar decisiones con las características extraída=
s (Nogué =
&
Antiga, 2012, p.66).
Para
desarrollar un sistema de visión artificial que identifique los frutos se
requiere definir la arquitectura que posee mediante el hardware/software y =
las
etapas a seguir. El hardware está compuesto de: una cámara, una tarjeta que
permita el procesamiento de las imágenes, la banda transportadora y un sist=
ema
de almacenamiento y dosificación. En la etapa del software se tiene el
algoritmo programado a emplear y la red neuronal para la identificación de
objetos (Parra =
&
Cuervo, 2018, p.3).
·
Etapas de un Sistema de Visión Artificial
Un
sistema de Visión artificial tiene cinco etapas: adquisición de imágenes,
preprocesamiento, segmentación, extracción y selección de características y=
reconocimiento
e interpretación.
Figura 1
Etapas de un sistema de visión artificial
Adquisi=
ción
de Imágenes. -
Consiste en obtener la imagen o secuencia de imágenes que se desea
analizar, depende de dos factores: el primero es determinar el objeto de
interés (rostros, pinturas, frutas, etc.) y el segundo el propósito de estu=
dio (Minard=
i,
2014, pp.3,4).
Preproc=
esamiento. - Rep=
ara
los defectos producidos o no eliminados por el hardware, los algoritmos
permiten modificar la imagen eliminando el ruido, mejorando el contraste y
realizando una conversión geométrica de la imagen (Gonzál=
ez
et al., 2016, p.33)
Segment=
ación. - Se =
basa
en la comparación de varias imágenes tomadas en el tiempo por lo que se pue=
de
detectar el objeto en movimiento y sus características. Una vez segmentada =
la
imagen original se procede a un análisis, como se muestra en la figura en d=
icho
análisis pueden ser interesantes características como el área, perímetro,
momentos, curvatura (Peña, =
2010,
p.10) .
Figura 2
Separación del objeto de
estudio, del fondo de la imagen
Extracc=
ión y
selección de características. - Este proceso
extrae la información cualitativa de los objetos de la imagen segmentada, e=
stas
características son las entradas de los algoritmos que se encargan de
identificar los objetos, estas características morfológicas pueden ser: la
textura, color, forma, además se puede obtener información relacionada al c=
olor
(Herrer=
a &
Medina, 2015, p.28).
Reconoc=
imiento
e Interpretación.- Se encarga de filtrar todas las
imágenes capturadas, se realiza el reconocimiento mediante el análisis de
fotogramas, para lograr el reconocimiento se utilizan técnicas de procesami=
ento
de imágenes, visión por computador, reconocimiento de patrones y redes
neuronales (Caball=
ero,
2017, p.10).
Redes Neuronales
Las
Redes Neuronales (CNN) son esquemas computacionales que tratan de emular el
comportamiento del cerebro humano, estas están formadas por múltiples
procesadores elementales los cuales poseen una baja capacidad de procesamie=
nto.
El
algoritmo de predicción toma la imagen capturada por la cámara, carga los
modelos creados por la red neuronal convolucional, realiza una comparación e
inmediatamente da como resultado el tipo de fruta que se encuentra en la ba=
nda
transportadora.
Algoritmos
para la identificación de objetos<=
/span>
El
reconocimiento de objetos es una técnica de visión artificial para identifi=
car
objetos en imágenes o vídeos. El reconocimiento de objetos constituye =
una
salida clave de los algoritmos de aprendizaje automático y profundo =
(Mathwo=
rks,
2021, p.1).
Aprendizaje Automático. - Es
especializado en el reconocimiento de patrones complejos en un conjunto de
datos, en un programa se puede extraer información relevante de los datos
procesados sin ser programados para esto. La información adquirida permite =
que
el programa aprenda y ejecute su tarea de manera sofisticada. Al desarrollar
algoritmos eficientes, estos acercamientos permiten identificar relaciones
invisibles para el ojo humano (Gonzal=
es,
2018, p.1).
Existen
diferentes maneras en las que se puede modelar un algoritmo para que aprend=
a de
los datos, pero de forma general se han definido las siguientes categorías =
de
aprendizaje.
Figura 3
Categorías de un algoritmo=
de aprendizaje
profundo
Fuente:=
Altamirano y Pazmiño, (2018, p.16)
Aprendizaje Profundo. - Forma parte del aprendizaje automático es decir requiere de datos
entrenados, pero no necesitan estar etiquetados, es similar al sistema
neurológico humano (Universidad Internacional de la Rioja [=
UNIR],
2021, p.1).
Este
algoritmo posee estadísticas y modelos predictivos, tiene la tarea de
recopilar, analizar e interpretar altas cantidades de datos; el aprendizaje
profundo hace que este proceso sea más rápido y sencillo (Burns,=
2021,
p.1).
Requerimientos generales
· =
Capturar las imágenes en alta resolución para
identificar las frutas correctamente.
· =
Seleccionar la tarjeta de control que permita proc=
esar
los datos de las imágenes capturadas.
· =
Controlar la posición de la fruta para su
identificación.
· =
Identificar la fruta por su tipo y tamaño.
· =
Emitir mensaje de alerta cuando se identifique una
fruta diferente a las establecidas.
· =
Diseñar un sistema de transporte y almacenamiento
óptimo para el traslado de la fruta.
· =
Establecer un límite de tiempo para el paso de cada
fruta por la banda transportadora.
· =
Contabilizar las frutas identificadas por categorí=
a.
Descripción general del sistema
El
sistema de visión artificial se encarga del procesamiento digital de imágen=
es
de las frutas y posteriormente puede hallar sus características como tipo y
tamaño, incluye un dispositivo para la captura y visualización, contiene
algoritmos y redes neuronales. El sistema mecánico está conformado por los
elementos que permiten el transporte e identificación de frutas. Finalmente=
, el
sistema de control dispone de los sensores que conlleva el prototipo, el cu=
al
actúa mediante la información que trasmita el sistema de visión artificial y
que permite el monitoreo entre HMI.
Figura =
4
Descripción general del sistema
<=
!--[if gte vml 1]>
Fuente:=
Altami=
rano &
Pazmiño (2018, p.30)
El proceso
de clasificación que
ha sido considerado se basa en 3
etapas: Dosificación, Dete=
cción y Actuación.
Las acciones objetivas del sistema están limitadas al accionamiento =
de 2
actuadores. Estos se interpretan c=
omo
las variables de
control y, en consecuencia, serán los
encargados de clasificar
las frutas designadas.
Flujograma para la detección del tipo y tamañ=
o de
las frutas
Una
vez obtenida la imagen de la fruta el algoritmo de identificación mediante =
una
red neuronal convolucional detecta si la imagen obtenida es una naranjilla,
tomate de árbol u objeto desconocido.
Esta
imagen si es reconocida como naranjilla o tomate de árbol se aplicará un
algoritmo de reconocimiento de contornos para obtener el tamaño de dicha fr=
uta,
después el algoritmo clasificador accionara un servomotor y la banda
transportadora para enviar a la fruta a su destino final, caso contrario si
esta imagen es reconocida como objeto desconocido solo se accionará la banda
trasportadora para enviar a este objeto a su cesta correspondiente.
Figura =
5
Flujograma para el funcionamiento del dispositivo
Técnicas
para el desarrollo del prototipo
Las
técnicas aplicadas para el desarrollo del software son: el procesamiento de
imágenes y el aprendizaje profundo. Se realiza una inspección rápida tomand=
o en
cuenta solo las imágenes capturadas por la cámara Genius FaceCam, es decir =
no
se realiza ninguna inspección de calidad de la fruta, esto ayuda a reducir =
el tiempo
de respuesta y análisis.
Figura 6
Procesamiento de una imagen
<=
!--[if mso & !supportInlineShapes & supportFields]>
Para
realizar la predicción del tipo de fruta se utiliza una red neuronal
convolucional (CNN), este algoritmo permite entrenar la CNN con imágenes
obtenidas de la base de datos donde múltiples capas de filtros convoluciona=
les
realizan un mapeo, después se aplica una reducción por muestreo y por últim=
o se
obtiene neuronas de perceptrón más sencillas para realizar la clasificación
final sobre las características extraídas.
Detectar presencia de frutas<=
/i>
En
esta etapa se trata de detectar la fruta sobre la banda transportadora para
capturar una imagen y después continuar con las instrucciones del programa,=
la
resolución de las imágenes es de 260x318 pixeles, la fruta se encuentra baj=
o una
caja en donde está ubicada la cámara y sobre una banda transportadora, la c=
aja
posee un sensor de distancia el cual una vez que detecta la fruta envía una
señal a la Raspberry, este a su ve=
z apaga el motor DC a través del módulo L298 y de esta manera detiene el movimiento =
de la
banda trasportadora.
Algoritmo de entrenamiento y predicción
El
algoritmo de predicción toma la imagen capturada por la cámara, carga los
modelos creados por la red neuronal convolucional, realiza una comparación e
inmediatamente da como resultado si el objeto a identificar es naranjilla,
tomate de árbol u objeto no identificado, en la figura 7 se aprecia el
algoritmo de predicción y su respuesta.
Figura
7
Algoritmo de predicción
<=
!--[if mso & !supportInlineShapes & supportFields]>
Estimación de las dimensiones de las frutas
Después
de realizar la predicción del tipo de fruta, se le debe aplicar el método de
FindCountours para detectar los contornos de la fruta para ello es necesario
transformar las imágenes al espacio de color HSV, se delimita un rango de c=
olor
para la naranjilla y para el tomate de árbol. Los contornos de la figura son
encerrados en un pequeño cuadrado, este posee el número de pixeles de dicha
imagen, donde se le aplica una regla de tres para obtener el área de la fru=
ta
en ,
se usó como referencia los pixeles que posee una cuadrado de
.
Figura
8
Estimación de las dimensiones de la fruta
Selección de Hardware
Como
elemento central de procesamiento se selecciona una tarjeta Raspberry Pi 3 =
B.
Los periféricos de comunicación de este sistema embebido son las vías para =
el
envío y recepción de datos. La tarjeta Raspberry emite las =
órdenes a los =
diferentes actuadores empleados
en el proceso para el correcto funcionamient=
o de
la banda transportadora y del sistema de clasificación del prototipo.
Figura
9
Esquema de conexión del hardware del prototipo
Implementación del software
Para
diseñar el software encargado de identificar el tipo de fruta y clasificar
según su tamaño, se requiere determinar las funciones que va a tener, por
ejemplo: Detectar la fruta en la banda transportadora, identificar el tipo =
de
fruta, clasificar la fruta según su tamaño, contabilizar el total de frutas
detectadas.
Interfaz del sistema
El
diseño de la interfaz gráfica para el prototipo de identificación fue elabo=
rado
en Python y la librería Tkinter que es una capa orientada a objetos de forma
sencilla y versátil. La interfaz cuenta con widgets desde la ventana, boton=
es,
etiquetas de texto. La primera ventana al ejecutar el programa es fácil de
manipular, cuenta con un solo botón para el paso a la segunda ventana.
Figura 11
Interfaz Gráfica del menú principal
Al
momento de ingresar a la segunda ventana denominada Identificación de Fruta=
s,
se puede visualizar en la parte izquierda un cuadrado donde se proyecta la
cámara, en la parte intermedia existe seis opciones: abrir cámara, tomar la
foto, cargar foto, tipo de fruta, tamaño de la fruta y por último cierra el
programa. En la parte derecha se muestra la imagen procesada y en la parte
inferior izquierda se muestra el número de tomates de árbol, naranjillas y
objetos desconocidos que fueron contabilizados.
Figura 12
Interfaz gráfica de la programación
Resultados
En
esta prueba se realiza dos tipos de identificación: por tipo (naranjilla y
tomate de árbol) y tamaño (grande, mediano y pequeño).
La
primera prueba que se realiza es la identificación de fruta según su tipo. =
Las
frutas que se identifica son tomates de árbol y naranjillas, para esto se
emplea la red neuronal convolucional (CNN) entrenada con una base de datos =
de
1100 imágenes.
Tabla 3
Resulta=
do de
la prueba de identificación por tipo
|
Frut=
a |
Prue=
ba |
Mues=
tras |
Acie=
rtos |
Fall=
as |
% |
|
Naranjilla |
1 |
15 |
14 |
1 |
93.33 |
|
2 |
15 |
15 |
0 |
100.00 |
|
|
Tomate de Árbol |
3 |
15 |
14 |
1 |
93.33 |
|
4 |
15 |
15 |
0 |
100.00 |
|
|
Objeto desconocido<=
/span> |
5 |
15 |
14 |
1 |
93.33 |
|
6 |
15 |
15 |
0 |
100 |
|
|
TOTAL |
90 |
87 |
3 |
Se
ejecutaron un total de 90 pruebas para determinar el funcionamiento del
prototipo. Una vez analizados los datos recolectados, se presenta los
siguientes resultados: se ha obtenido el 95.56% de pruebas acertadas y el 4=
.44%
de pruebas fallidas como se muestra en el Gráfico 2-3 Las fallas se present=
aron
debido a que el tomate de árbol tenía irregularidades en su forma, el objet=
o no
identificado no formaba parte de la adquisición de imágenes de la red neuro=
nal
y en la naranjilla existió un problema con la ejecución del programa.
Identif=
icación
por tamaño
La
segunda prueba es la identificación según el tamaño de las frutas, para
realizar esta identificación se usa redes neuronales, se procesa las imágen=
es y
se mide los contornos de las frutas. Existen tres categorías de identificac=
ión:
pequeña, mediana y grande.
Resulta=
do de
la prueba de identificación por tamaño del tomate de árbol
|
Prueba |
Tamaño Real Diámetro (Mm) |
Tamaño Estimado |
Categoría |
Acierto |
|
|
1 |
62 |
63 |
Grande |
Si |
|
|
2 |
60 |
59 |
Grande |
Si |
|
|
3 |
45 |
47 |
Mediana |
Si |
|
|
4 |
48 |
51 |
Mediana |
Si |
|
|
5 |
40 |
39 |
Pequeña |
No |
|
|
6 |
44 |
43 |
Pequeña |
Si |
|
|
7 |
56 |
55 |
Grande |
Si |
|
|
8 |
39 |
41 |
Pequeña |
No |
|
|
9 |
55 |
56 |
Grande |
Si |
|
|
10 |
53 |
56 |
Mediana |
Si |
|
|
11 |
52 |
50 |
Mediana |
Si |
|
|
12 |
54 |
55 |
Mediana |
Si |
Tabla 4=
Resultado de la prueba de identificación por
tamaño del tomate de árbol (continuación)
|
Prueba |
Tamaño Real Diámetro (Mm) |
Tamaño Estimado |
Categoría |
Acierto |
|
13 |
62 |
63 |
Grande |
Si |
|
14 |
41 |
40 |
Pequeña |
Si |
|
15 |
44 |
46 |
Pequeña |
No |
En base a la tabla anterior se determinó que hubo 3 fallas al determ=
inar
el tamaño. Se realiza la misma prueba para la clasificación de las naranjil=
las
por tamaño.
Resulta=
do de
la prueba de identificación por tamaño del tomate de árbol
|
Prueba |
Tamaño Real Diámetro (Mm) |
Tamaño Estimado |
Categoría |
Acierto |
|
|
1 |
50 |
52 |
Mediana |
No |
|
|
2 |
55 |
57 |
Grande |
Si |
|
|
3 |
40 |
39 |
Pequeña |
Si |
|
|
4 |
38 |
38 |
Pequeña |
Si |
|
|
5 |
52 |
51 |
Grande |
No |
|
|
6 |
51 |
53 |
Grande |
Si |
|
|
7 |
44 |
46 |
Grande |
No |
|
|
8 |
48 |
47 |
Mediana |
SI |
|
|
9 |
45 |
44 |
Mediana |
No |
|
|
10 |
41 |
43 |
Pequeña |
Si |
|
|
11 |
29 |
31 |
Pequeña |
Si |
|
|
12 |
38 |
41 |
Pequeña |
Si |
|
|
13 |
36 |
38 |
Pequeña |
SI |
|
|
14 |
33 |
35 |
Pequeña |
Si |
|
|
15 |
30 |
33 |
Pequeña |
SI |
Prueba de separación de frutas
El
propósito de esta prueba es determinar que las frutas se trasladen de forma
exitosa a sus respectivos contenedores, mediante el uso de 2 servomotores q=
ue
funcionarán junto a la banda, en el caso que exista una fruta desconocida s=
olo
se accionara la banda.
Separación
Para
la evaluación del funcionamiento de separación de frutos del prototipo, se
ejecutaron 25 pruebas, la tabla presenta los resultados obtenidos. La prime=
ra
columna representa el número de pruebas, la segunda el tipo de fruta: tomat=
e de
árbol, naranjilla y objeto desconocido,
finalmente en la tercera columna se asigna un Sí o No, dependiendo si la fr=
uta
fue dirigida al contenedor correcto o incorrecto.
Resultados de la prueba de separación por tip=
o
|
Numero de prueba |
Fruta |
Separa |
|
1 |
Tomate de árbol |
Si |
|
2 |
Tomate
de árbol |
Si |
|
3 |
Tomate de árbol |
Si |
|
4 |
Tomate
de árbol |
Si |
|
5 |
Tomate de árbol |
No |
|
6 |
Tomate
de árbol |
Si |
|
7 |
Tomate de árbol |
Si |
|
8 |
Tomate
de árbol |
Si |
|
9 |
Tomate de árbol |
Si |
|
10 |
Naranjilla |
Si |
|
11 |
Naranjilla |
Si |
|
12 |
Naranjilla |
Si |
|
13 |
Naranjilla |
Si |
|
14 |
Naranjilla |
Si |
|
15 |
Naranjilla |
Si |
|
16 |
Naranjilla |
Si |
|
17 |
Naranjilla |
No |
|
18 |
Naranjilla |
Si |
|
19 |
Naranjilla |
Si |
|
20 |
Naranjilla |
Si |
|
21 |
Objeto desconocido |
Si |
|
22 |
Objeto
desconocido |
Si |
|
23 |
Objeto desconocido |
Si |
|
24 |
Objeto
desconocido |
Si |
|
25 |
Objeto desconocido |
Si |
Se
ejecutaron un total de 25 pruebas para separar las frutas. Una vez que los
datos fueron recolectados, se presentan los siguientes resultados: 23 frutas
fueron separadas de forma correcta a sus respectivos contenedores, 2 frutas
presentaron falla debido a un error de identificación.
Para
el análisis económico se dividió en los diferentes sistemas y componentes q=
ue
conforman el prototipo. Donde se observa que el costo total de la
implementación es de 806,59 dólares americanos.
Costo y
descripción de materiales
|
Sist=
emas |
Comp=
onentes |
Cant=
idad |
P. U=
|
P.T =
($) |
|
Sistema de Transporte |
Banda |
1 |
20,00 |
20,00 |
|
Chumaceras |
4 |
2,00 |
8,00 |
|
|
Motor DC<= o:p> |
1 |
29,90 |
29,90 |
|
|
Rodillos |
2 |
8,50 |
17,00 |
|
|
Ejes |
2 |
5,80 |
11,60 |
|
|
Acople Eje-Rodillo |
4 |
4,00 |
16,00 |
|
|
Sistema de Almacenamiento |
1/2 Lamin=
a de
INOX |
1 |
20,00 |
20,00 |
|
Servomotor |
2 |
5,50 |
11,00 |
|
|
Sistema de Adquisición de imágenes |
Cámara We=
b |
1 |