“Control inteligente

SEP SES SNEST

“INSTITUTO TECNOLÓGICO DE TOLUCA”

“CONTROL INTELIGENTE
DE SISTEMAS AGRIGOLAS PARA LA
SELECCIÓN Y CLASIFICACION DE PRODUCTOS”

Por:
Andrés Cardona Álvarez

Asesor Investigador:
Dr. Alejandro Medina Santiago



INTRODUCCION
Actualmente la mayoría de los agricultores eligen su producto de manera empírica, esto es con el criterio de cadapersona, en este trabajo se mostrara una manera de clasificar jitomates con características especificas, el procesamiento de información se realiza con una red neuronal la cual será descrita durante la presentación.
PLANTEAMIENTO DEL PROBLEMA
En la compra venta del sector agrícola, identificar la calidad de un producto es un gran reto, ¿Cómo puede saber el comprador que realmente está comprando unproducto de calidad?, en el comercio siempre se busca una manera rápida y económica de identificar el producto y saber sus cualidades. Las principales características en frutas son su color, textura, peso y forma. Cada fruta tiene sus propias características para poder determinar si es una buena fruta, es decir si el producto es de calidad.

MARCO TEORICO
Backpropagation
Backpropagation es lageneralización del aprendizaje de Widrow-Hoff regla para múltiples capas de redes y funciones de transferencia no lineal diferenciable.
Los vectores de entrada y los vectores de destino correspondientes se utilizan para entrenar una red hasta que
se puede aproximar una función, los vectores asociados de entrada con la salida específica, o al clasificar los vectores de entrada de forma adecuadasegún lo definido.
Las redes con los prejuicios, y una capa de salida lineal son capaces de aproximar cualquier función con un número finito de discontinuidades.

Neuron Model
Una neurona primaria con las contribuciones de investigación se muestra a continuación. Cada entrada se pondera con una adecuada w. La suma ponderada de las entradas y el sesgo de las formas de la entrada a la funciónde transferencia de f. Las neuronas pueden utilizar cualquier transferencia diferenciable, cualquier función f para generar su producción.

Esta red se puede utilizar como un aproximador de una función general. Se puede aproximar cualquier función con un número finito de discontinuidades arbitrariamente así, dado suficientes neuronas en la capa oculta.

Funciones de Transferencia:
Neuron Model(logsig, tansig, purelin)



DESARROLLO DEL PROYECTO

Índices de Calidad para el Jitomate
Forma - bien formado (redondo, forma globosa, globosa aplanada u ovalada, dependiendo del tipo). 0=redondo 1=mal formado
Color - color uniforme (anaranjado-rojo a rojo intenso; amarillo claro). Sin hombros verdes.
0.9=obscuro 0.7= roro 0.4=verde
Textura - Lisa y con las cicatricescorrespondientes a la punta floral y al pedúnculo pequeñas. Ausencia de grietas de crecimiento, quemaduras de sol, daños por insectos y daño mecánico o magulladuras.
1=Lisa 0=no lisa
Firmeza- Firme al tacto. No debe estar suave ni se debe deformar fácilmente debido a sobre madurez. 0.1= firme

Los siguientes valores de P representan los valores de entrada a la red neuronal y estos a su vezsimulan valores en volteje de sensores que miden las características descritas en cada renglón de la matriz. Cada columna representa a un jitomate ideal para cada una de las 4 clasificaciones requeridas

P =

Color 0.7 0.7 0.9 0.4
Textura 1.0 0 0 1.0
Forma 0 0 1.0 0
Firmeza 0.1 0.1 0.1 0.1Las salidas de la red neuronal son las siguientes:

t =
0 0 0 1 0=jitomate 1=no tomate
0 1 1 0 0=calidad buena 1=calidad mala


Para este propósito específico de clasificación de tomates se utilizo una red neuronal de cuatro capas, la primera con cuatro neuronas, la segunda con una neurona, la tercera con dos neuronas, y la capa de salida...