Ryan A. León León, Bradley R. Espejo Pócito, Edgardo F. Guzmán Córdova, Flavio A. Huamanchumo Cortez, Harold A. Morales Rodriguez, Pamela C. Nuñez Flores

Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 461-467 (2024); https://doi.org/10.54808/CISCI2024.01.461

Ryan A. León León
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Bradley R. Espejo Pócito
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Edgardo F. Guzmán Córdova
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Flavio A. Huamanchumo Cortez
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Harold A. Morales Rodriguez
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Pamela C. Nuñez Flores
Ingeniería industrial, Universidad Privada del Norte, Trujillo, Perú

Cite this paper as:
León León, R. A., Espejo Pócito, B. R., Guzmán Córdova, E. F., Huamanchumo Cortez, F. A., Morales Rodriguez, H. A., Nuñez Flores, P. C. (2024). Desarrollo de un Sistema de Visión Artificial con Redes Neuronales Convolucionales (YOLOv8) para la Gestión de Calidad de Paltas. En N. Callaos, Jesús de la Fuente Arias, J. Horne, B. Sánchez, A. Tremante (Eds.), Memorias de la Vigésima Tercera Conferencia Iberoamericana en Sistemas, Cibernética e Informática: CISCI 2024, pp. 461-467. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CISCI2024.01.461

El proyecto se centra en el desarrollo de un sistema de visión artificial basado en redes neuronales convolucionales (YOLOv8) para la gestión de calidad de paltas. Los objetivos principales son mejorar la precisión y eficiencia en la inspección de las paltas, optimizar la selección y reducir el desperdicio de productos. Se utilizaron 700 imágenes de paltas capturadas con una cámara de alta resolución, variando condiciones de iluminación y ángulos. Se etiquetaron según su madurez en Roboflow, y se aplicaron técnicas de aumentación de datos. El modelo YOLOv8 se entrenó en Google Colab con una GPU Tesla T4, ajustando parámetros como tamaño de batch y tasa de aprendizaje durante 150 ciclos. Se evaluó con un conjunto de datos de prueba y se implementó un algoritmo en Python en PyCharm para evaluar la madurez de las paltas, utilizando Google Drive para almacenar datos y modelos. Los resultados obtenidos mostraron que el modelo YOLOv8 tiene alta precisión en la clasificación de paltas. La precisión del modelo osciló entre 86% y 95% para la categoría "bueno" y entre 86% y 90% para la categoría "malo".