Dise?o de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con Googlenet en Matlab

Abstract

La presente tesis de investigaci?n se enfoc? en el ?Dise?o de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con GoogleNet en Matlab?, est? compuesta por el dise?o mec?nico, el?ctrico y electr?nico, inform?tico y control del sistema de control de calidad capaz de realizar el monitoreo v?a wi-fi los tomates cherry, en donde se env?a la data a la plataforma Thingspeak para visualizar los gr?ficos estad?sticos en el celular por parte de los usuarios. Se realizaron las pruebas de manera exitosa configurando los motores para el arranque de la faja transportadora controlado mediante el microcontrolador Arduino que realiza el proceso autom?tico del sistema con la fin de monitorear la calidad del tomate cherry e identificar la cantidad de plaguicidas en las soluciones l?quidas que se aplic? durante el desarrollo de la fruta desde su cultivo, previniendo y disminuyendo los residuos de plaguicidas presente en la corteza del producto alimenticio respetando la norma normas sanitarias RM-1006- 2016/MINSA. A su vez, se envi? la data recopilada a trav?s de la conexi?n IoT a la plataforma Thingspeak para el an?lisis requerido. El presente trabajo de tesis, se desarroll? el dise?o de un sistema de control de calidad para tomates cherry usando biosensores y Deep Learning con GoogleNet conectado en Matlab, el cual permite que el usuario pueda monitorear el estado del tomate cherry cuando pasa en el proceso de control de calidad mostrando un gr?fico estad?stico donde se visualiza la cantidad de los productos que se han verificado de manera exitosa. Tras realizar las pruebas necesarias, nos dieron como resultado la visualizaci?n de las variables en el servidor de la nube anal?tico Thingspeak, donde se analizaron 28 tomates cherry que fueron detectados por el sensor PIR HC-501; el grado de asertividad, donde entrenaron una gran cantidad de im?genes de tomates cherry utilizando la arquitectura de red neuronal GoogleNet obteniendo un porcentaje de 99,37 %; y el reconocimiento de tomates cherry mediante el uso de la c?mara web, el cual identific? el tomate cherry, tomate da?ado y sin tomate por default