Olive pitting, slicing and stuffing machines (DRR in Spanish) are characterized by the fact that their optimal functioning is based on appropriate adjustments. Traditional systems are not completely reliable because their minimum error rate is 1–2%, which can result in fruit loss, since the pitting process is not infallible, and food safety issues can arise. Such minimum errors are impossible to remove through mechanical adjustments. In order to achieve this objective, an innovative solution must be provided in order to remove errors at operating speed rates over 2500 olives/min. This work analyzes the appropriate placement of olives in the pockets of the feed chain by using the following items: (1) An IoT System to control the DRR machine and the data analysis. (2) A computer vision system with an external shot camera and a LED lighting system, which takes a picture of every pocket passing in front of the camera. (3) A chip with a neural network for classification that, once trained, classifies between four possible pocket cases: empty, normal, incorrectly de-stoned olives at any angles (also known as a “boat”), and an anomalous case (foreign elements such as leafs, small branches or stones, two olives or small parts of olives in the same pocket). The main objective of this paper is to illustrate how with the use of a system based on IoT and a physical chip (NeuroMem CM1K, General Vision Inc.) with neural networks for sorting purposes, it is possible to optimize the functionality of this type of machine by remotely analyzing the data obtained. The use of classifying hardware allows it to work at the nominal operating speed for these machines. This would be limited if other classifying techniques based on software were used.

Las máquinas deshuesadoras de aceitunas se caracterizan porque su funcionamiento óptimo está vinculado a un buen ajuste: Selección de un plato de alimentación adecuado a la variedad de aceituna y su calibre, de las características geométricas de la cadena de alimentación, etc. El primero de estos elementos fija la entrada óptima de aceitunas en la cadena de alimentación impidiendo que queden cangilones vacíos o se llenen con más de una aceituna. El segundo elemento fija la correcta posición de la aceituna para ser deshuesada, evitando que esta sea deshuesada por un eje que no sea el principal.El trabajo propuesto analiza en tiempo real la correcta ubicación de las aceitunas en los cangilones de la cadena de alimentación, para ello se utiliza:1.-Un sistema de visión artificial con disparo externo capaz de extraer una foto de cada cangilón que pase frente a una cámara.2.-Una red neuronal clasificadora basada en un chip físico, de manera que adecuadamente entrenada, permita clasificar el cangilón en cuatro posibles estados: vacío, normal, con aceituna mal posicionada en “barco” y caso anómalo (dos aceitunas en un mismo cangilón, aceituna rota o aceituna mal posicionada no en barco).El trabajo muestra el uso de dos chips físicos con redes neuronales para la clasificación:a) Intel Curieb) NeuroMem CM1KEl uso de los chips físicos Intel Curie y sobretodo Neuromem CM1K por su mayor capacidad y escalabilidad, ha sido satisfactorio y por tanto se comprueba un gran potencial para la clasificación.Se ha comprobado que la velocidad de transmisión de la información por puerto serie es suficiente para las velocidades habituales de las máquinas deshuesadoras, en torno a 1.800 aceitunas/min.Para poder realizar las pruebas se ha desarrollado una interfaz mediante la aplicación QT en lenguaje C++ que permite poder configurar de manera sencilla las imágenes a procesar y las condiciones de contorno para la detección de los fallos indicados. de Jódar Lázaro, Manuel; Madueño Luna, Antonio; Lucas Pascual, Alberto; Ruíz Canales, Antonio; Molina Martínez, Jose Miguel; Justicia Segovia, Meritxell; Baena Sánchez, Montserrat

Analysis of the performance of the feeding

Las máquinas deshuesadoras/rodajadoras de aceituna y de relleno (DRR), son máquinas rotativas empleadas para aceituna de mesa. Constan de: tolva para depositar las aceitunas, cadena de alimentación de cangilones para transportarlas hasta un tambor giratorio, con, punzones para extraer los huesos mediante varillas desplazadoras. Finalmente las aceitunas deshuesadas van a una salida de la máquina y los huesos a otra.Estas máquinas por su naturaleza mecánica presentan un porcentaje de error a la hora de posicionar correctamente las aceitunas a ser deshuesadas/rellenadas/rodajadas, como resultado, esas aceitunas no son aptas para consumo y tienen que ser descartadas por varias razones:1.-Se han deshuesado por el eje menor de la aceituna formando lo que se conoce como “barco”2.-Se ha deshuesado en un eje inclinado próximo al eje principal lo que se conocen como “beatas”En el caso 1, las aceitunas pueden presentar en su interior el hueso entero que no ha podido ser extraído debido a la posición de la aceituna en el momento del deshuesado o de trozos del mismo. El sistema de flotación por densidad (que sigue al proceso de deshuesado), a veces no es capaz de eliminar las aceitunas con esquirlas de hueso con el problema que ello conlleva (salud alimentaria, rotura de punzones y asientos de la máquina DRR).En el caso 2, las aceitunas se considerarán aptas o no para su consumo en función de los criterios de calidad de la empresa.Para poder realizar las pruebas se ha desarrollado una interfaz mediante una aplicación QT creator en lenguaje C++ y las librerías de visión artificial OpenCV que permite junto a una cámara industrial y varias modificaciones mecánicas en la máquina DRR, extraer barcos/beatas y con ello determinar su porcentaje. El resultado obtenido con este sistema se ha contrastado con escandallos reales de las aceitunas deshuesadas/rellenas para cada valor angular seleccionado.Este trabajo aporta un análisis del porcentaje de barcos/beatas que se generan en una máquina DRR de aceitunas que incorporan este sistema de visión artificial en función del ángulo de expulsión seleccionado y permite dar indicaciones prácticas de los ángulos óptimos a las fábricas para minimizar los defectos.Figura 1: Cantidad de barcos obtenidos por cada 1000 aceitunas según el intervalo angular analizado. Lucas Pascual, Alberto; Madueño Luna, Antonio; De Jodar Lázaro, Manuel; Molina Martínez, José Miguel; Ruiz Canales, Antonio