CID073 | RevistaCID

Implementación de un Perceptrón Multicapa en Microcontroladores de bajo Costo para la Clasificación Cromática Computada en el Borde

Implementation of a Multilayer Perceptron on Low-cost Microcontrollers for Edge-computed Chromatic Classification

    Machado   Díaz Eduardo
   INSTITUTO TECNOLÓGICO SUPERIOR DE LERDO
   eduardo.md@itslerdo.edu.mx
   https://orcid.org/0000-0003-2610-7570
   Coto Fuentes Hesner
   INSTITUTO TECNOLÓGICO DE LA LAGUNA
   hesnercf@gmail.com
   https://orcid.org/0000-0002-9548-7864
   Vaquera González Efraín
   INSTITUTO TECNOLÓGICO SUPERIOR DE LERDO
   efrain.vg@itslerdo.edu.mx
   https://orcid.org/0009-0002-9123-6977

Volumen:

1 Edición:

12 Resumen

La transición hacia la Industria 4.0 exige sistemas ciberfísicos capaces de procesar información estocástica directamente en el dispositivo, superando las limitaciones del control determinista tradicional. Este artículo presenta el diseño e implementación de una red neuronal artificial, específicamente un perceptrón multicapa (MLP), desplegado en un microcontrolador de arquitectura asimétrica de doble núcleo (RP2040) para realizar tareas de clasificación cromática mediante computación en el borde o Edge AI. La metodología empírica contempló la evaluación de diversos sensores ópticos, seleccionando la tecnología de integración digital directa y filtrado infrarrojo (TCS34725) por su alta estabilidad frente a transductores de conversión de luz a frecuencia. Se generó un conjunto de datos estandarizado y balanceado de 1250 muestras a partir de objetos fabricados en polímero PETG correspondientes a cinco clases de color. La red neuronal propuesta posee una topología ligera de cuatro capas (3-16-16-5) y funciones de activación ReLU y Softmax, resultando en un modelo computacionalmente eficiente de solo 341 parámetros entrenables. El modelo fue entrenado y validado mediante un flujo de aprendizaje supervisado, demostrando una convergencia estable sin presencia de sobreajuste. Los resultados experimentales sobre un conjunto de prueba independiente arrojaron una exactitud global del 99.20% y un puntaje F1 del 99% para las clases de mayor separabilidad lineal. Se concluye que la implementación de arquitecturas neuronales en sistemas embebidos de bajo costo es altamente viable, permitiendo un procesamiento cognitivo robusto para aplicaciones de control de calidad inteligente en la manufactura moderna.

Palabras clave

Clasificación cromática, Computación en el borde, Perceptrón multicapa, Redes neuronales artificiales, RP2040, Sistemas embebidos

Referencias Bibliográficas

AMS-OSRAM. (2015). TCS34725 Color Light-to-Digital Converter with IR Filter: Datasheet. AMS AG. https://ams.com/tcs34725
Castañeda-Hernández, R., Ruiz-Varela, J. A., & Pérez-Cruz, M. (2019). Sistema de clasificación de piezas en banda transportadora utilizando visión artificial. Revista Iberoamericana de Automática e Informática Industrial, 16(3), 312–321. https://doi.org/10.4995/riai.2019.10564
Cruz-Alvarado, J., Mendoza-Contreras, D., & Villarreal-Soto, M. (2022). Módulos didácticos para la enseñanza de la automatización en entornos de Industria 4.0. Revista de Ingeniería Industrial, 43(1), 45–58.
Fernández-Reyes, P., Gómez-Lozano, A., & Torres-Esquivel, R. (2019). Comparación de sensores ópticos de bajo costo para clasificación cromática. Ingeniería, Investigación y Tecnología, 20(4), 1–11. https://doi.org/10.22201/fi.25940732e.2019.20n4.034
Gómez, H., Martínez, L., & Reyes, P. (2019). Clasificación de piezas plásticas mediante redes neuronales artificiales y sensores RGB en sistemas de manufactura flexible. Computación y Sistemas, 23(2), 589–601. https://doi.org/10.13053/cys-23-2-3114
Islas-Salgado, R., & Vega-Martínez, A. (2018). Sistema de clasificación por color basado en lógica difusa para líneas de ensamble automotriz. Innovación y Desarrollo Tecnológico, 10(1), 23–34.
Martínez-Gutiérrez, C., Flores-Ríos, B. L., & Pizarro-Chávez, L. (2020). TinyML en microcontroladores ARM para clasificación de señales en tiempo real. Memorias del XVII Congreso Mexicano de Robótica (pp. 112–118). Sociedad Mexicana de Robótica.
Pedraza-Ávila, F., Salinas-Flores, O., & Castro-Fernández, M. (2020). Edge computing para control de calidad en manufactura: arquitecturas y costos. Revista Mexicana de Ingeniería y Tecnología, 14(3), 201–215.
Raspberry Pi Ltd. (2021). RP2040 Datasheet: A microcontroller by Raspberry Pi. Raspberry Pi Ltd. https://datasheets.raspberrypi.com/rp2040/rp2040-datasheet.pdf
Rojas-Hernández, R., Sánchez-Medel, L., & Fuentes-Aguilar, R. Q. (2021). Clasificación cromática de frutas mediante aprendizaje profundo en plataformas embebidas. Revista de Sistemas Computacionales y TIC's, 7(2), 1–12. https://doi.org/10.35429/JSCA.2021.7.2.1.12
Sánchez-Torres, J. A., & Mejía-Álvarez, P. (2020). Análisis de tecnologías de sensado óptico para automatización industrial de bajo costo. Ciencia y Tecnología, 13(2), 45–57.
Siemens AG. (2020). S7-1200 Programmable Controller System Manual. Siemens Industry Online Support. https://support.industry.siemens.com
Warden, P., & Situnayake, D. (2020). TinyML: Machine learning with TensorFlow Lite on Arduino and ultra-low-power microcontrollers. O'Reilly Media.