Beef classifier using neural networks
DOI:
https://doi.org/10.63728/riisds.v3i1.295Keywords:
Artificial Neural Network, Beef Classification, Multi-layer Perceptron, Data normalizationAbstract
In the present work it is proposed to have a beef classification system, using an intelligent Artificial Neural Networks (RNA) method that allows classification based on Mexican regulations NMX-FF-078-SCFI-2002, besides taking into account multiple geographical factors and the characteristics of the cattle. The RNA used is based on the Multi-layer Perceptron model and seeks to approximate the accuracy of the methods used by the experts. This network was trained with data obtained from 673 animals, so the characteristics given for training are obtained from cuts in the meat of different parts of the beef, which, given the applied method of normalization to these data, were chosen the more relevant for which an Artificial Neural Network was obtained with a 98.66% accuracy, value obtained when comparing with the opinion of the experts.
References
Almeida, P. F., Alves, W. L., Farias, T. B., & Curvelo Santana, J. C. (2012). Elaboración y Clasificación Sensorial de Gelatinas de Patas de Pollos: Correlación usando Redes Neuronales Artificiales. Información tecnológica, 23(6), 129-136. doi:https://dx.doi.org/10.4067/S0718-07642012000600014
Chauvet, M. (1997). La Ganadería Mexicana frente al fin de siglo. Guadalajara, México: Departamento de Sociología Universidad Autónoma Metropolitana Azcapotzalco.
Fornias, O. V., & Díaz, C. V. (7 de Octubre de 1998). Clasificación de los productos cárnicos. Cubana Aliment Nutr, 18(1), 63-7.
Gallo, C., Caro, M., Villarroel, C., & Araya, P. (1999). Características de los bovinos faenados en la Xa Región (Chile) según las pautas indicadas en las normas oficiales de clasificación y tipificación. . Archivos de medicina veterinaria, 31(1), 81-88. doi:https://dx.doi.org/10.4067/S0301-732X1999000100008
Henríquez, M. R., & Palma, P. A. (2011). Control Automático de Condiciones Ambientales en Domótica usando Redes Neuronales Artificiales. . Información tecnológica, 22(3), 125-139. doi:https://dx.doi.org/10.4067/S0718-07642011000300014
JALISCO, U. D. (2012). AUMENTÓ 89.5% EL CONSUMO DE CARNE POR PERSONA EN. JALISCO. San Pedro Tlaquepaque: Gobierno Federal.
Lora, F., Aricapa, H. J., Pérez, J. E., Arias, L. E., Idarraga, S. E., Mier, D., & Gómez, J. E. (2007). Detección de Toxoplasma gondii en carnes de consumo humano por la técnica de reacción en cadena de la polimerasa en tres ciudades del eje cafetero. Infectio, 11(3), 117-123.
Rosas, P. G., López, J. V., Ripalda, M. H., González, S. H., & Juárez, I. L. (2016). Uso de la red neuronal Perceptrón para detección de cambios pequeños en la media en los gráficos de control. 10th Latin American and Caribbean Conference for Engineering and Technology (págs. 1-10). Panama City: 1 st LACCEI International Symposium on Software Architecture and Patterns.
Soria, L. A., & Corva, P. M. (Mayo-Agosto de 2004). Factores genéticos y ambientales que determinan la terneza de la carne bovina. Archivos Latinoamericanos de Produccion Animal, 12(2), 73-88.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2017 Revista Interdisciplinaria de Ingeniería Sustentable y Desarrollo Social
This work is licensed under a Creative Commons Attribution 4.0 International License.
