Este proyecto busca ayudar a identificar las mejores frutas a través de imágenes. Está pensado tanto para casos individuales como usuarios que quieran analizar las frutas antes de consumirlas como para el análisis de grandes volúmenes de imágenes que ayuden a negocios como supermercados, restaurantes o agricultores a categorizar la fruta.Para ello, el usuario tomará una fotografía y posteriormente nuestro modelo de aprendizaje automático le indicará si se encuentra en buen estado o no.
Para este proyecto, inicialmente fue considerado el análisis de madurez de varias frutas y verduras. Sin embargo, debido a la similitud que tendrían los modelos de machine learning para cada alimento así como la dificultad de categorizar cada una ya que no contamos con un dataset prehecho sino que estamos haciendo el esfuerzo adicional de conseguir las fotos nosotros, decidimos concentrarnos en una sola fruta,de manera que pudiéramos comprobar de manera más controlada la efectividad de la red neuronal. La fruta escogida fue el plátano, ya que es relativamente fácil identificar a simple vista la madurez de estos.
Posteriormente, se podrán diseñar modelos con varias redes neuronales, una que identifique de qué fruta se trata y este resultado se use para seleccionar qué modelo de fruta específica usar para categorizar la foto según el estado de la fruta. La ventaja de esta propuesta es que permite hacer modelos a la medida que solo se enfoquen en ciertas frutas y verduras o incluso solo una o decenas de ellas. Además, la red que se use para determinar qué fruta es puede hacerse a la medida o pueden aprovecharse modelos que ya existen como los de Microsoft o Google que categorizan objetos en general y pueden reconocer varias frutas. Por otro lado se pueden personalizar mejor las redes para cada fruta para tener resultados más precisos. En el caso específico del plátano, sabemos que casi no utilizan el canal B (azul) por lo que una propuesta para mejorar los resultados actuales sería crear un algoritmo de preprocesamiento de imágenes que limpie esos pixeles para ignorarlos ya que los pixeles que contengan altos valores en ese canal no serán donde se encuentre la fruta. Por otro lado, se podrán utilizar en nuestra red convolucional capas con kernels que ayuden a la detección de orillas para poder dar resultados individuales de varias frutas a la vez y estos kernels pueden personalizarse según la fruta.
Una de las principales características a considerar cuando se selecciona una fruta madura es el color, por lo que decidimos utilizar una red convolucional capaz de analizar colores. Modificamos los ejemplos vistos en clase para poder analizar los tres canales de color. Esto triplica las dimensiones de nuestra matriz lo cual aumenta el tiempo de procesamiento requerido.
Este modelo toma como conjunto de datos una serie de fotografías de 72 x 72 pixeles tomadas por nosotros, así como algunas encontradas en Internet que fueron cuidadosamente analizadas y etiquetadas para alimentar el modelo.
Al entrenar nuestro modelo y probarlo obtuvimos un accuracy de alrededor de 80% que consideramos es bueno para el primer intento, seguiremos mejorándolo y agregando información al dataset para obtener mejores resultados.