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.