Aplicación de redes transformers para la discriminación de productos líquidos de aseo
DOI:
https://doi.org/10.53591/easi.v4i2.2600Palabras clave:
Inteligencia artificial, Identificación de productos, Etiquetado, Redes neuronales transformersResumen
Este artículo presenta un algoritmo de inteligencia artificial basado en redes neuronales transformers que permite discriminar productos líquidos identificados con diferentes etiquetas y con presentaciones en varios colores, a partir de una cámara para facilitar la gestión de su posterior manipulación por parte de un ordenador, lo que nos facilita, en entornos de fabricación, la conexión entre el mundo físico y el digital. El proceso comienza con la digitalización de los productos para establecer una base de datos, luego se definen los parámetros del entrenamiento de la red, que una vez realizado se evalúa midiendo el tiempo de aprendizaje, la precisión y el tiempo que tarda en clasificar los productos, todo ello desarrollado en un entorno virtual. Gracias a los resultados, es posible concluir que, incluso con una pequeña cantidad de datos, incluidas imágenes de etiquetas que no están completas o no son de la mejor calidad, los tiempos de procesamiento no superan los 0,5 segundos y se logra un reconocimiento con una precisión del 100 %, lo que corresponde a la ausencia de confusión entre las categorías consideradas, dada la robustez de la red transformer seleccionada.
Referencias
Al-Ali, M., Hajji, Y., Said, Y., Hleili, M., Alanzi, A., Laatar, A., & Atri, M. (2023). Solar Energy Production Forecasting Based on a Hybrid CNN-LSTM-Transformer Model. Mathematics, 11(3), 676. https://doi.org/10.3390/math11030676
Bose, R., Mondal, H., Sarkar, I., & Roy, S. (2022). Design of smart inventory management system for construction sector based on IoT and cloud computing. e-Prime - Advances in Electrical Engineering, Electronics and Energy, 2, 100051. https://doi.org/10.1016/j.prime.2022.100051
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., & al., M. D. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. https://doi.org/10.48550/arXiv.2010.11929
Espitia Cubillos, A. A., Jiménez Moreno, R., & Rodríguez Carmona, E. (2025). Deep learning architectures for location and identification in storage systems. IAES International Journal of Artificial Intelligence (IJ-AI), 592-601. https://doi.org/10.11591/ijai.v14.i1.pp592-601
Guacheta-Alba, J. C., Espitia-Cubillos, A. A., & Jiménez-Moreno, R. (2024). Automated Box Classification in a Virtual Industrial Environment Using Machine Vision Algorithms. 12th International Conference on Control, Mechatronics and Automation (ICCMA) (págs. 305-310). London, UK: IEEE. https://doi.org/10.1109/ICCMA63715.2024.10843920
Habib, F. E., Bnouachir, H., Chergui, M., & Ammoumou, A. (2022). Industry 4.0 concepts and implementation challenges: Literature Review. 2022 9th International Conference on Wireless Networks and Mobile Communications (WINCOM), (págs. 1-6). Rabat, Morocco. https://doi.org/10.1109/WINCOM55661.2022.9966456
Huang, T., Qian, H., Huang, Z., Xu, N., Huang, X., Yin, D., & Wang, B. (2024). A time patch dynamic attention transformer for enhanced well production forecasting in complex oilfield operations. Energy, 309, 133186. https://doi.org/10.1016/j.energy.2024.133186
Liu, L., Song, X., & Zhou, Z. (2022). Aircraft engine remaining useful life estimation via a double attention-based data-driven architecture. Reliability Engineering & System Safety, 221, 108330. https://doi.org/10.1016/j.ress.2022.108330
Ma, Y., Li, X., & Yuan, C. (2024). Intelligent prediction of oil well working conditions based on Transformer. Journal of Physics: Conference Series, 2901, 012022. https://doi.org/10.1088/1742-6596/2901/1/012022
Ma, Y., Wang, X., Yuan, J., Zhang, L., Chen, J., & Fen, K. (2024). Clothing Detection Action Recognition Based on Hierarchical Transformer Networks. 16th International Conference on Communication Software and Networks (ICCSN), (págs. 199-206). Ningbo, China. https://doi.org/10.1109/ICCSN63464.2024.10793382
Mark, B. G., Rauch, E., & Matt, D. T. (2022). Systematic selection methodology for worker assistance systems in manufacturing. Computers & Industrial Engineering, 166, 107982. https://doi.org/10.1016/j.cie.2022.107982
Qi, Y., & Sun, H. (2024). Defect Detection of Insulator Based on YOLO Network. 9th International Conference on Electronic Technology and Information Science (ICETIS), (págs. 232-235). Hangzhou, China. https://doi.org/10.1109/ICETIS61828.2024.10593675
Qureshi, A., Butt, A., Alazeb, A., Mudawi, N., Alonazi, M., Almujally, N., . . . Liu, H. (2024). Semantic Segmentation and YOLO Detector over Aerial Vehicle Images. Computers, Materials & Continua, 80(2). https://doi.org/10.32604/cmc.2024.052582
Saleem, M. H., Potgieter, J., & Arif, K. M. (2022). Weed Detection by Faster RCNN Model: An Enhanced Anchor Box Approach. Agronomy, 12(7), 1580. https://doi.org/10.3390/agronomy12071580
Touvron, H., Cord, M., El-Nouby, A., Verbeek, J., & Jégou, H. (2022). Three things everyone should know about vision transformers. En S. Avidan, G. Brostow, M. Cissé, G. M. Farinella, & T. Hassner (Edits.), Computer Vision–ECCV, 13684, 497-515. Switzerland: Springer Nature. https://doi.org/10.1007/978-3-031-20053-3_29
Vaddadi, S., Srinivas, V., Reddy, N., Girish, H., Rajkiran, D., & Devipriya, A. (2022). Factory Inventory Automation using Industry 4.0 Technologies. 022 IEEE IAS Global Conference on Emerging Technologies (GlobConET), (págs. 734-738). Arad, Romania. https://doi.org/10.1109/GlobConET53749.2022.9872416
Wang, S., Sun, H., Wang, Y., & Luo, X. (2023). Prediction of key chemical parameters based on improved Transformer. 4th International Conference on Computer Engineering and Application (ICCEA), (págs. 855-859). Hangzhou, China. https://doi.org/10.1109/ICCEA58433.2023.10135471
Wu, B. (2023). Motion Control Algorithm for Automatic Welding of Complex Intersecting Line Joints Based on Deep Learning. 2023 International Conference on Mechatronics, IoT and Industrial Informatics (ICMIII), (págs. 352-356). Melbourne, Australia. https://doi.org/10.1109/ICMIII58949.2023.00073
Yoon, J., Han, J., & Nguyen, T. (2023). Logistics box recognition in robotic industrial de-palletising procedure with systematic RGB-D image processing supported by multiple deep learning methods. Engineering Applications of Artificial Intelligence, 123(B), 106311. https://doi.org/10.1016/j.engappai.2023.106311
Zheng, H., Chen, X., Cheng, H., Du, Y., & Jiang, Z. (2024). MD-YOLO: Surface Defect Detector for Industrial Complex Environments, Optics and Lasers in Engineering, 178, 108170. https://doi.org/10.1016/j.optlaseng.2024.108170
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Anny Astrid Espitia Cubillos, Robinson Jiménez-Moreno, Esperanza Rodríguez-Carmona
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Las contribuciones publicadas en la revista EASI se rigen por la licencia de acceso abierto CC BY-NC-ND 4.0 (Creative Commons Reconocimiento-NoComercial-SinDerivadas 4.0). Esta licencia te empodera como autor, y garantiza la amplia difusión de tu investigación mientras protege tus derechos.
Para autores:
- Los autores pueden reproducir y distribuir la obra en cualquier formato no comercial, siempre que la obra indique los autores y datos de la revista EASI, y no contravenga los puntos mencionados en el apartado de los permisos y prácticas editoriales.
- La revista obtiene una licencia para publicar y distribuir el manuscrito original.
Para lectores/usuarios:
Acceso y distribución gratuita: cualquier lector o usuario puede acceder, descargar, copiar, imprimir y compartir el artículo publicado libremente según los términos de la licencia CC BY-NC-ND 4.0.
Reconocimiento obligatorio: si un tercero utiliza el material publicado, debe dar crédito al creador proporcionando el nombre, el título del artículo y el nombre de la revista, lo que garantiza la propiedad intelectual del autor(es) y ayuda a construir su reputación académica.
Uso no comercial: solo se permite el uso no comercial del trabajo publicado. No comercial significa que no está destinado principalmente ni dirigido al aprovechamiento comercial o la compensación monetaria por parte de ningún tercero.
No se permiten modificaciones: el contenido del artículo publicado no se puede cambiar, mezclar o reconstruir a partir del trabajo del autor. Esto asegura la integridad y precisión de los resultados de la investigación.
