Desarrollo de un sistema detector del estado de madurez de peras por visión artificial en tiempo real.

Abstract

En esta investigación se evalúa un sistema de visión artificial en tiempo real diseñado para clasificar el estado de la madurez de la pera. El estudio evalúa la calidad de las distintas redes neuronales profundas en un entorno automatizado de inspección industrial. Para ello, en el experimento se utilizó un prototipo de cinta para una velocidad constante de 0.05 m/s dónde al pasar las peras dentro de la misma se capturó la imagen tiempo real con una cámara ubicada encima de la cinta transportadora donde interactuaron de forma independiente los tres modelos de detección de objetos: YOLOV5, YOLOV11 y RTDETR. Bajo un enfoque experimental y cuantitativo, la metodología analizó una muestra de 108 observaciones distribuidas en tres categorías: verdes, amarilla y podrida. El tratamiento estadístico que se ha ejecutado mediante la prueba no paramétrica de Kruskal-Wallis determinó diferencias significativas entre las distintas arquitecturas realizadas (p <0.001). Los datos obtenidos posicionan al modelo RTDETR como la solución más precisa al registrar el índice de error más bajo de 0.242. No obstante, YOLOv5 reflejó el rendimiento más bajo dentro de los modelos evaluados, obteniendo un error máximo de 0.795, lo que plasma una notable diferencia frente a las demás arquitecturas. En cambio, RT-DETR obtuvo los mejores resultados en la identificación de los estados de madurez de la pera, debido a su estructura de algoritmo basada en Transformes la cual permite una mejor detección. Este descubrimiento sugiere que la integración de modelos basados en mecanismos de atención mejora sustancialmente la confiabilidad de la supervisión industrial frente a las arquitecturas convolucionales tradicionales en trabajos de visión artificial en tiempo real.