Desarrollo de un prototipo de bajo costo para la identificación y clasificación de huevos de gallina con un sistema inteligente de aprendizaje profundo

La evolución de la tecnología y la infraestructura digital ha hecho posible que las inteligencias artificiales (IA) se utilicen como herramientas eficaces para resolver problemas industriales, permitiendo una mejor optimización de recursos. Este estudio surge ante la necesidad de clasificar huevos de gallina en granjas avícolas locales, una tarea que normalmente realiza un inspector, pero que puede estar expuesta a errores o subjetividades debido a la fatiga, considerando que el humano mantiene entre 60% a 90% de probabilidad de error frente a un 3% de las máquinas. El objetivo principal es desarrollar un prototipo de aplicación que utilice redes neuronales profundas, ejecutadas en hardware NVIDIA Jetson Orin Nano para una clasificación automática eficiente de huevos de gallina. Se aplicó una metodología cuantitativa, del tipo cuasiexperimental al operar variables como cantidad de huevos, imágenes, porcentajes y clases; el tipo de estudio es empírico al ser un proceso sistemático e iterativo englobando la data, esquema de entrenamiento, programación, evaluación y puesta a prueba del modelo. La metodología CRISP-DM se aplicó para comprender el negocio junto a los requerimientos del prototipo. La población son todos los huevos procesados en una hora (36000) y la muestra son los huevos que pasan en dos minutos por la cinta transportadora alrededor de 1200 tomando 200 fotogramas como base para el modelo de aprendizaje. En los resultados se destaca que el nivel de precisión al detectar/clasificar huevos de gallina en sano (verde), sucio (rojo), roto (morado) y rugoso (azul) es mayor al 95% logrando un desempeño del 99% de efectividad cumpliendo con el objetivo del estudio. El prototipo desarrollado en hardware NVIDIA soporta la red neuronal You Only Look Once (Yolo V8n) empleada para ver y clasificar los huevos con un presupuesto de bajo costo en contraste con soluciones industriales disponibles en el mercado; llegando a ser alrededor del 10% de una máquina comercial capaz de realizar mismo proceso; además, destaca por su escalabilidad, adaptación y bajo consumo energético; por lo tanto, es una solución práctica que satisface los requerimientos de diseño demostrando a través de la discusión que se obtienen resultados similares en investigaciones de visión por computadora al utilizar Yolo para clasificar objetos e inclusive estudiar patrones de movimiento en seres vivos.

• Автор: Benavides Duran, Milton Genaro (author)
• Формат: masterThesis
• Опубліковано: 2025
• Предмети: YOLOV8; PROTOTIPO; CLASIFICACION; HUEVOS DE GALLINA
• Онлайн доступ: http://repositorio.utmachala.edu.ec/handle/48000/24428