PROYECTO_23310320_23310378_6F

Sistema de Inspección y Clasificación Automatizada de Plátanos en el Sector Agrícola mediante Visión Artificial

Integrantes:

• Alex Durán de Huerta Jiménez - Código de estudiante: 23310378
• Luis Arturo Curiel Rodriguez - Código de estudiante: 23310320

Índice

1. Descripción del Proyecto
2. Caso de Estudio: Optimización en el Campo Agrícola
   • 2.1 Planteamiento del Problema a Resolver
   • 2.2 Descripción del Hardware Propuesto
   • 2.3 Flujo de Funcionamiento del Sistema
3. Requisitos del Sistema
4. Instrucciones de Instalación y Uso

---

Descripción del Proyecto

Este proyecto implementa un sistema inteligente de visión artificial basado en la arquitectura YOLOv8 para la automatización del control de calidad del plátano directamente en las fases de postcosecha y empaque. A diferencia de los sistemas de clasificación convencionales que solo detectan la presencia del fruto, este modelo realiza un análisis multiclase avanzado para inspeccionar la superficie, estructura y madurez de cada unidad, integrando un módulo de conteo estadístico para auditar los defectos en tiempo real.

---

Caso de Estudio: Optimización en el Campo Agrícola

2.1 Planteamiento del Problema a Resolver

En el sector agrícola, la clasificación del plátano posterior a la corta se realiza mayoritariamente de forma manual por operadores humanos. Este método tradicional presenta serias desventajas:

• Alta variabilidad y subjetividad: Fatiga visual y criterios inconsistentes entre operarios al evaluar defectos.
• Daños mecánicos inadvertidos: Raspones leves o microfisuras en el tallo pasan desapercibidos, pudriendo lotes enteros durante el transporte marítimo.
• Falta de métricas en tiempo real: Imposibilidad de cuantificar con precisión matemática cuántos defectos presenta cada pieza para asignarle una categoría de calidad exacta (Premium, Primera, Segunda o Desecho), lo que genera pérdidas por penalizaciones comerciales o devoluciones.

2.2 Descripción del Hardware Propuesto

Para desplegar el modelo entrenado en un entorno real de empacadora agrícola, se plantea la integración de la siguiente arquitectura de hardware:

• Sistema de Captura de Imagen (Cámaras): Se proponen 3 cámaras industriales de visión artificial de grado IP67 (resistentes a humedad y polvo del campo), equipadas con sensores Sony IMX y lentes de longitud focal fija para evitar distorsiones. Están dispuestas en un túnel de inspección a 120° una de otra para obtener una reconstrucción visual de 360° del plátano.
• Unidad de Procesamiento Analítico: Computadora embebida industrial dotada de una GPU NVIDIA Jetson Orion Nano (de 8 GB de RAM). Este hardware permite ejecutar la red neuronal YOLOv8 de manera local (Edge Computing) con una latencia mínima, procesando el flujo de video a más de 30 fotogramas por segundo sin requerir conexión a internet.
• Iluminación Controlada: Difusores de luz LED tipo Dome Light de alta intensidad para eliminar sombras complejas, destellos por la humedad natural de la cáscara y garantizar que el color de la madurez se evalúe bajo un estándar constante.
• Actuadores y Maquinaria Automática: Un controlador lógico programable (PLC) conectado a la Jetson mediante el protocolo Modbus TCP. El PLC recibe las señales de clasificación y activa pistones neumáticos eyectores o compuertas mecánicas al final de la banda transportadora para desviar físicamente el producto a su respectivo contenedor de calidad.

2.3 Flujo de Funcionamiento del Sistema

El proceso de inspección automatizada se rige bajo la siguiente secuencia lógica:

1. Transporte y Detección de Proximidad: Los plátanos avanzan colgados de un polipasto o sobre una banda transportadora de velocidad regulada. Un sensor fotoeléctrico detecta la entrada del fruto al túnel de iluminación.
2. Captura y Preprocesamiento: Las cámaras capturan imágenes simultáneas de alta resolución al recibir el disparo del sensor. El frame se escala a $640 \times 640$ píxeles para coincidir con la entrada nativa del modelo.
3. Inferencia de la Red Neuronal (YOLOv8): El modelo evalúa los vectores visuales e identifica las cajas delimitadoras de las siguientes clases:
   • Madurez: Clasifica el fondo cromático en Dulce (apto para anaquel inmediato) o No Dulce (verde/maduración en transporte).
   • Defectos de Superficie: Localiza y segmenta zonas con Raspado o Manchas.
   • Defectos Críticos: Identifica áreas con Daño en el tallo, Manchas de daño o estructura Abierta.
4. Conteo Estadístico y Clasificación: El script analiza el arreglo de salida. Si la clase Abierto o Daño en el tallo es mayor o igual a 1, se etiqueta instantáneamente como Desecho. Si los contadores de Raspado o Manchas superan un umbral tolerable establecido por la norma agrícola, se clasifica como Segunda. Si el fruto está limpio y en estado óptimo, se etiqueta como Premium.
5. Acción Física: La Jetson envía la palabra de estado al PLC indicando la categoría asignada. El PLC calcula el tiempo de retraso basado en la velocidad de la banda y activa el pistón neumático correspondiente, depositando de forma automatizada el plátano en su contenedor final de destino.

---

Instrucciones de Instalación y Uso

Requisitos previos

• Python 3.8 o superior
• Cuenta gratuita en Roboflow (para descargar el dataset del proyecto comvis-banana/comvis-banana-2)
• Entorno con soporte CUDA (opcional — acelera el entrenamiento; el proyecto también corre en CPU, solo que más lento)

Configuración del entorno

1. Clonar el repositorio

   git clone https://github.com/tu_usuario/PROYECTO_23310320_23310378_6F
   cd PROYECTO_23310320_23310378_6F

2. Crear e inicializar un entorno virtual

   python -m venv env
   # En Windows:
   env\Scripts\activate
   # En Linux/macOS:
   source env/bin/activate

3. Instalar las dependencias

   pip install -r requirements.txt

Esto instala roboflow (descarga del dataset) y ultralytics (entrenamiento e inferencia con YOLOv8).

4. Configurar tu clave de API de Roboflow

   Por seguridad, la API key no debe quedar escrita en el código que subes a GitHub. Defínela como variable de entorno:

   # Linux/macOS
   export ROBOFLOW_API_KEY="tu_api_key_aqui"
   # Windows (PowerShell)
   $env:ROBOFLOW_API_KEY="tu_api_key_aqui"

Tu clave personal se obtiene gratis en: https://app.roboflow.com/settings/api

5. Descargar el dataset y entrenar el modelo

   from roboflow import Roboflow
   import os

   rf = Roboflow(api_key=os.environ["ROBOFLOW_API_KEY"])
   project = rf.workspace("comvis-banana").project("comvis-banana-2")
   version = project.version(1)
   dataset = version.download("yolov8")   # ver nota abajo

   import ultralytics
   ultralytics.checks()   # verifica si hay GPU disponible o se usará CPU

   from ultralytics import YOLO
   model = YOLO('yolov8n.pt')
   results = model.train(
       data=f"{dataset.location}/data.yaml",
       epochs=30,
       imgsz=640,
       plots=True
   )

6. Probar el modelo con una imagen de ejemplo

   !wget -nc <URL_de_una_imagen_de_platanos> -O imagen_prueba.jpg

   from PIL import Image
   results = model('imagen_prueba.jpg')
   for r in results:
       im_array = r.plot()
       im = Image.fromarray(im_array[..., ::-1])
       display(im)

Las imágenes resultantes (con bounding boxes y nivel de maduración) se guardan automáticamente en runs/detect/.