Please use this identifier to cite or link to this item:
http://www.dspace.espol.edu.ec/handle/123456789/69041| Title: | Sistema mecatrónico con visión artificial para control de calidad de empaques de frutos secos |
| Authors: | Briones Coello, Doménica Nicole Vargas Ortiz, Djalmar Jonathan Vaccaro Cedillo, Christopher Javier, Director |
| Keywords: | Deep Learning Edge Computing YOLOv8 Automatización Industrial |
| Issue Date: | 2025 |
| Publisher: | ESPOL.FIMCP |
| Citation: | Briones Coello D.N, Vargas Ortiz D.J. ( 2025) Sistema mecatrónico con visión artificial para control de calidad de empaques de frutos secos [Proyecto Integrador] Escuela Superior Politécnica del Litoral. Guayaquil, 121 páginas |
| Abstract: | CONDITION FOR PUBLICATION OF PROJECT. This project develops a low-cost mechatronic system for the automatic quality inspection of granular food packaging. Its main objective is to detect sealing defects in realtime using computer vision, justifying its implementation to overcome human subjectivity and guarantee product hermeticity. Methodologically, an Edge Computing architecture was designed using a Raspberry Pi 4 controller and the YOLOv8 Nano algorithm optimized with the NCNN framework. Additive manufacturing techniques and fluid simulations were integrated to dimension an "Air Blast" pneumatic rejection mechanism based on engineering criteria. In the results, the model achieved a Mean Precision exceeding 95% and a sensitivity of 91.7% for defect detection, operating at an average speed of 14 FPS. Simulations validated the ejection force with an error lower than 2% regarding the theoretical calculation. Finally, it is concluded that the implementation of Deep Learning on embedded hardware constitutes a robust and economically viable solution to ensure operational efficiency in the agro-industrial sector. Keywords: Deep Learning, Edge Computing, YOLOv8, Industrial Automatio |
| Description: | CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente proyecto desarrolla un sistema mecatrónico de bajo costo para la inspección automática de calidad en empaques de alimentos granulares. Su objetivo principal es detectar fallas de sellado en tiempo real mediante visión artificial, lo cual justifica su implementación para superar la subjetividad humana y garantizar la hermeticidad del producto. Metodológicamente, se diseñó una arquitectura de Edge Computing utilizando un controlador Raspberry Pi 4 y el algoritmo YOLOv8 Nano optimizado con el framework NCNN. Se integraron técnicas de manufactura aditiva y simulación de fluidos para dimensionar un mecanismo de rechazo neumático tipo Air Blast bajo criterios de ingeniería. En los resultados, el modelo alcanzó una Precisión Media superior al 95% y una sensibilidad del 91.7% para la detección de defectos, operando a una velocidad promedio de 14 FPS. Las simulaciones validaron la fuerza de eyección con un error inferior al 2% respecto al cálculo teórico. Finalmente, se concluye que la implementación de Deep Learning en hardware embebido constituye una solución robusta y económicamente viable para asegurar la eficiencia operativa en la industria agroindustrial. |
| URI: | http://www.dspace.espol.edu.ec/handle/123456789/69041 |
| metadata.dc.identifier.codigoproyectointegrador: | INGE-3006 |
| Appears in Collections: | Tesis de Mecatrónica |
Files in This Item:
There are no files associated with this item.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.