DeepSeed : aplicación multiplataforma para estimar la calidad de maíz

En las últimas dos décadas el sector agrícola argentino registró grandes transformaciones; cambios en las formas organizacionales, en las técnicas productivas y en la tecnología aplicada que dieron lugar a un salto de gran magnitud en las cantidades producidas. Es así, que en solo 25 años la producc...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Corino, Joshua Yoel, Librandi, Máximo Oliverio
Formato:	Artículo revista
Lenguaje:	Español
Publicado:	Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas 2021
Materias:	Computación Inteligencia artificial Clasificación de granos de cereal Técnicas de Deep Learning Calidad del grano Ingeniería de sistemas
Acceso en línea:	Corino, J. Y. y Librandi, M. O. (2021) DeepSeed : aplicación multiplataforma para estimar la calidad de maíz [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina.
Aporte de:	Repositorio Institucional de Acceso Abierto (RIDAA) de Universidad Nacional del Centro

id	I21-R190-123456789-2895
record_format	ojs
institution	Universidad Nacional del Centro
institution_str	I-21
repository_str	R-190
container_title_str	Repositorio Institucional de Acceso Abierto (RIDAA)
language	Español
format	Artículo revista
topic	Computación Inteligencia artificial Clasificación de granos de cereal Técnicas de Deep Learning Calidad del grano Ingeniería de sistemas
spellingShingle	Computación Inteligencia artificial Clasificación de granos de cereal Técnicas de Deep Learning Calidad del grano Ingeniería de sistemas Corino, Joshua Yoel Librandi, Máximo Oliverio DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
topic_facet	Computación Inteligencia artificial Clasificación de granos de cereal Técnicas de Deep Learning Calidad del grano Ingeniería de sistemas
author	Corino, Joshua Yoel Librandi, Máximo Oliverio
author_facet	Corino, Joshua Yoel Librandi, Máximo Oliverio
author_sort	Corino, Joshua Yoel
title	DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
title_short	DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
title_full	DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
title_fullStr	DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
title_full_unstemmed	DeepSeed : aplicación multiplataforma para estimar la calidad de maíz
title_sort	deepseed : aplicación multiplataforma para estimar la calidad de maíz
publisher	Universidad Nacional del Centro de la Provincia de Buenos Aires. Facultad de Ciencias Exactas
publishDate	2021
url	Corino, J. Y. y Librandi, M. O. (2021) DeepSeed : aplicación multiplataforma para estimar la calidad de maíz [Tesis de grado]. Universidad Nacional del Centro de la Provincia de Buenos Aires, Argentina.
work_keys_str_mv	AT corinojoshuayoel deepseedaplicacionmultiplataformaparaestimarlacalidaddemaiz AT librandimaximooliverio deepseedaplicacionmultiplataformaparaestimarlacalidaddemaiz
first_indexed	2022-07-04T14:29:22Z
last_indexed	2022-10-05T02:36:59Z
bdutipo_str	Revistas
_version_	1764819786785619971
description	En las últimas dos décadas el sector agrícola argentino registró grandes transformaciones; cambios en las formas organizacionales, en las técnicas productivas y en la tecnología aplicada que dieron lugar a un salto de gran magnitud en las cantidades producidas. Es así, que en solo 25 años la producción de los tres principales cultivos (trigo, maíz y soja) pasó de 31.8 millones de toneladas (M de Tn) a 111.5 M de Tn, un crecimiento anual promedio de 5.3%, según indica el informe de la Bolsa de Cereales de Buenos Aires. En particular, las exportaciones de maíz siguen en niveles récord y ya superan a las del complejo sojero, En los primeros meses del año 2020 se comercializaron al exterior un 10% de aumento interanual. El movimiento generó ingresos por 5.566 millones de dólares. Este trabajo está focalizado en un sector en donde la evolución tecnológica no llegó a lograr grandes cambios, y continúa como hace años: el análisis de calidad de granos, en concreto, de maíz. Se entiende por calidad de un cereal al defecto o conjunto de ellos que desmejoran una determinada partida. Estos defectos se producen generalmente por causas de origen climático, animal o vegetal, como así también mecánicas. Los granos se deterioran en planta, durante la cosecha o en los depósitos cuando no se les proporciona los cuidados adecuados. Las alteraciones del estado natural y sanidad que pueden presentar los granos se clasifican en dañados, picados, materias extrañas, olores comercialmente objetables, presencia de semillas indeseables, granos quebrados y/o chuzos y hasta averías por mal uso de secadoras o mala conservación. Los defectos mencionados y algunos otros, llamados todos determinaciones de calidad, son los factores que se tienen en cuenta para determinar la calidad de una mercadería, en función de la cantidad o a la intensidad que los mismos estén presentes en una muestra, ya que estos hacen que la partida de granos se desmejore. Las metodologías de clasificación y medición de la calidad de los granos de maíz no han cambiado desde sus orígenes, ya que aún en estos días continúa realizándose de forma manual en cámaras arbitrales de cereales, cooperativas o acopios por los técnicos especialistas, denominados “Peritos Clasificadores de Granos”. En este contexto, la efectividad del sistema de determinación de calidad de los granos depende en gran medida de la capacidad y experiencia que tenga el perito clasificador para muestrear, inspeccionar, clasificar y certificar los distintos granos. Esta es una tarea que puede ser fácilmente automatizada, brindando una herramienta de soporte a las personas encargadas y eliminando así sus posibles errores devenidos por cuestiones de cansancio psico-físico, experiencia y capacidad. La clasificación de granos de cereal se realiza en la etapa previa a la comercialización, ya que de esa calidad depende el precio de la misma. Esta situación atemporal no permite al productor agropecuario la posibilidad de tomar acciones correctivas con el objetivo de minimizar los factores externos que pueden afectar o disminuir de alguna forma la calidad de sus granos. En consecuencia, los productores durante el proceso de recolección del cultivo no conocen con qué nivel de precisión están cosechando. Las cosechadoras separan los granos del resto de la planta de maíz mecánicamente a gran velocidad, lo que puede causar un daño al grano totalmente irreversible que provocará un descenso en su precio cuando el productor lo quiera vender. Otro problema que puede surgir es que con una mala configuración de la maquinaria, queden restos de materias extrañas en el lote, lo que también impacta en la determinación de su calidad. Estas situaciones resaltan la necesidad de contar con algún mecanismo que permita evaluar las características y condiciones generales de la producción en el mismo momento en que se está cosechando, y de esta forma tener la posibilidad de ajustar el proceso de recolección, en la medida de lo posible, con el objetivo de mejorar la calidad de la cosecha. También, este mecanismo podría ser utilizado como asistente de los peritos clasificadores al momento de realizar su tarea, con el objetivo de facilitar y agilizar la clasificación. De este modo, el resultado de este trabajo junto con los peritos, puede ser compartido con el propio productor en distintas etapas de la clasificación. Considerando lo descrito anteriormente, en este trabajo se aborda el desarrollo de una aplicación multiplataforma que permite, a partir de una foto de una muestra de maíz, en el momento de la cosecha, analizar y determinar su calidad, utilizando inteligencia artificial, más específicamente, técnicas de Deep Learning. Párrafo extraído de la tesis de grado a modo de resumen.

DeepSeed : aplicación multiplataforma para estimar la calidad de maíz

Ejemplares similares