Prototipo para la clasificación de mucílago de cacao utilizando TICS en El Empalme, Ecuador
DOI:
https://doi.org/10.64439/cisai.v1i1.4Palabras clave:
Mucílago de Cacao, Raspberry Pi, ESP8266, Redes neuronales, Teachable machineResumen
La clasificación de la calidad del mucílago de cacao es un proceso importante para garantizar la aceptación del producto en los mercados nacionales e internacionales. Sin embargo, la presencia de impurezas provoca con frecuencia el rechazo del producto y la pérdida de confianza entre los compradores. En El Empalme, Ecuador, esta problemática impulsó el desarrollo de un prototipo automatizado capaz de separar impurezas, ofreciendo un producto más limpio y fortaleciendo la confianza en las transacciones comerciales. Este sistema incorpora una banda transportadora para clasificar el mucílago y una aplicación móvil que registra la cantidad de baldes recolectados y el peso total de la producción. También, cuenta con una cámara web para capturar imágenes del mucílago y procesarlas en un Raspberry Pi que aplica el algoritmo de redes convolucionales utilizado en Teachable Machine para catalogar los dos tipos de clases, al final se usa un servomotor que lo deposita en el recipiente adecuado. Como resultado, el prototipo creado logró clasificar el mucílago automáticamente, optimizando el proceso, reduciendo pérdidas y generando mayor confianza en los compradores. Asimismo, toda la información se almacena en el sistema y puede visualizarse desde la aplicación móvil. En conclusión, el prototipo desarrollado cubre satisfactoriamente las necesidades de la finca.
Citas
[1] T. P. Ramos-Ramos, D. J. Guevara-Llerena, L. B. Sarduy-Pereira, and K. Diéguez-Santana, “Producción más limpia y ecoeficiencia en el procesado del cacao: un caso de estudio en Ecuador,” I&D, vol. 20, no. 1, pp. 135–146, Jul. 2020. https://doi.org/10.23881/idupbo.020.1-10i
[2] A. Teixeira, P. Iannetta, K. Binnie, T. A. Valentine, and P. Toorop, “Myxospermous seed-mucilage quantity correlates with environmental gradients indicative of water-deficit stress: Plantago species as a model,” Plant Soil, vol. 446, no. 1–2, pp. 343–356, Jan. 2020. https://doi.org/10.1007/s11104-019-04335-z
[3] W. Deng, P. P. M. Iannetta, P. D. Hallett, P. E. Toorop, G. R. Squire, and D.-S. Jeng, “The rheological properties of the seed coat mucilage of Capsella bursa-pastoris L. Medik. (shepherd’s purse),” Biorheology, vol. 50, no. 1–2, pp. 57–67, 2013. https://doi.org/10.3233/BIR-130627
[4] B. Hirko, H. Mitiku, and A. Getu, “Role of fermentation and microbes in cacao fermentation and their impact on cacao quality,” Syst Microbiol and Biomanuf, vol. 3, no. 4, pp. 509–520, Oct. 2023. https://doi.org/10.1007/s43393-023-00160-9
[5] A. Figoli, J. Hoinkis, S. A. Altinkaya, and J. Bundschuh, Eds., Application of Nanotechnology in Membranes for Water Treatment, 1st ed. CRC Press, 2017. https://doi.org/10.1201/9781315179070
[6] O. V. Zinina, A. V. Sharopatova, and J. A. Olentsova, “Management of an agricultural organization based on building a quality management system,” IOP Conf. Ser.: Earth Environ. Sci., vol. 677, no. 2, p. 022029, Mar. 2021. https://doi.org/10.1088/1755-1315/677/2/022029
[7] M. Mukhiddinov, A. Muminov, and J. Cho, “Improved Classification Approach for Fruits and Vegetables Freshness Based on Deep Learning,” Sensors, vol. 22, no. 21, p. 8192, Oct. 2022. https://doi.org/10.3390/s22218192
[8] A. A. Garcés-Cadena, O. A. Menéndez Granizo, E. P. Córdova, and A. J. Prado Romo, “Clasificación de calidad de manzana para monitoreo de cosechabilidad utilizando visión por computador y algoritmos de aprendizaje profundo,” Ingeniare. Rev. chil. ing., vol. 31, Aug. 2023. https://doi.org/10.4067/S0718-33052023000100215
[9] J. F. Lopes, V. G. T. Da Costa, D. F. Barbin, L. J. P. Cruz-Tirado, V. Baeten, and S. Barbon Junior, “Deep computer vision system for cocoa classification,” Multimed Tools Appl, vol. 81, no. 28, pp. 41059–41077, Nov. 2022. https://doi.org/10.1007/s11042-022-13097-3
[10] C. Pal, S. Das, A. Akuli, S. K. Adhikari, and A. Dey, “Cocoa-Net: Performance Analysis on Classification of Cocoa Beans Using Structural Image Feature,” IJCAI, vol. 48, no. 12, Sep. 2024. https://doi.org/10.31449/inf.v48i12.5762
[11] S. Das, A. Akuli, S. Biswas, A. Dey, A. Ghosh, and R. Shaw, “Discrimination of Cocoa Beans using Structural Image Features: An Experimental Analysis,” in 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET), Arad, Romania: IEEE, May 2022, pp. 1138–1142. https://doi.org/10.1109/GlobConET53749.2022.9872329
[12] A. K. Jean, M. Diarra, B. A. Bakary, G. Pierre, and A. K. Jérôme, “Application based on Hybrid CNN-SVM and PCA-SVM Approaches for Classification of Cocoa Beans,” IJACSA, vol. 13, no. 9, 2022. https://doi.org/10.14569/IJACSA.2022.0130927
[13] T. Coughlin, “Supersize My Pi [The Art of Storage],” IEEE Consumer Electron. Mag., vol. 6, no. 3, pp. 124–144, Jul. 2017. https://doi.org/10.1109/MCE.2017.2685038
[14] P. D. Prasetyo Adi et al., “Optimization and Development of Raspberry Pi 4 Model B for the Internet of Things,” in 2023 IEEE 9th Information Technology International Seminar (ITIS), Batu Malang, Indonesia: IEEE, Oct. 2023, pp. 1–6. https://doi.org/10.1109/ITIS59651.2023.10420261
[15] A. P. Singh and D. Agarwal, “Webcam Motion Detection in Real-Time Using Python,” in 2022 International Mobile and Embedded Technology Conference (MECON), Noida, India: IEEE, Mar. 2022, pp. 1–4. https://doi.org/10.1109/MECON53876.2022.9752059
[16] M. Islamiah and F. Fathurrahmaniah, “Praktikalitas Pembelajaran STEM dengan Arduino dan Sensor HX-711 pada Materi Impuls Berbasis Website,” jm-jpmipa, vol. 4, no. 4, pp. 707–717, Dec. 2024. https://doi.org/10.53299/jagomipa.v4i4.904
[17] S. P. Atti, H. Raj, H. K. A. N, H. R, P. N. H, and M. R. K, “Humanoid Robot,” in 2024 IEEE 11th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), Lucknow, India: IEEE, Nov. 2024, pp. 1–4. https://doi.org/10.1109/UPCON62832.2024.10982951
[18] J. Vazquez, A. P. Torres, F. J. L. Alcolea, E. J. M. Martinez, and P. Roncero-Sanchez, “Implementation of a sensorized home alarm prototype on an FPGA platform,” in 2022 Congreso de Tecnología, Aprendizaje y Enseñanza de la Electrónica (XV Technologies Applied to Electronics Teaching Conference), Teruel, Spain: IEEE, Jun. 2022, pp. 1–7. https://doi.org/TAEE54169.2022.9840636
[19] J. Torres Ventura, A. H. Ruelas Puente, and J. R. Herrera García, “Rendimiento para la interoperabilidad entre Rasperry pi, ESP8266 y PLC con Node-RED para el IIoT,” ings, no. 29, pp. 90–97, Jan. 2023. https://doi.org/10.17163/ings.n29.2023.08
[20] D. Ascencios, K. Meza, J. Lluen, and G. Simon, “Calibración, validación y automatización del sistema de riego por goteo subterráneo usando un microcontrolador Arduino,” Rev. investig. altoandin., vol. 22, no. 1, pp. 95–105, Jan. 2020. https://doi.org/10.18271/ria.2020.540
[21] J. B. Rola et al., “Convolutional Neural Network Model for Cacao Phytophthora Palmivora Disease Recognition,” ijacsa, vol. 15, no. 8, 2024. https://doi.org/10.14569/IJACSA.2024.0150897
[22] D. Anduyan, N. Cabillo, N. Gultiano, and M. P. Pacot, “Enhancing Cocoa Pod Disease Classification via Transfer Learning and Ensemble Methods: Toward Robust Predictive Modeling,” 2025, arXiv. https://doi.org/10.48550/ARXIV.2504.12992
[23] O. Eric, R.-M. O. M. Gyening, O. Appiah, K. Takyi, and P. Appiahene, “Cocoa beans classification using enhanced image feature extraction techniques and a regularized Artificial Neural Network model,” Engineering Applications of Artificial Intelligence, vol. 125, p. 106736, Oct. 2023. https://doi.org/10.1016/j.engappai.2023.106736
[24] D. B. Vera, B. Oviedo, W. C. Casanova, and C. Zambrano-Vega, “Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.),” 2024, arXiv. https://doi.org/10.48550/ARXIV.2401.01247
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Copyright (c) 2025 Mishelle Mosquera Rizzo, Jorge Piguave Rodríguez, Charles M. Pérez-Espinoza, Teresa Samaniego Cobo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
