Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial
DOI:
https://doi.org/10.15332/iteckne.v9i1.2744Palabras clave:
Sistema de visión artificial, Segmentación, Extracción de características, ClasificaciónResumen
Los sistemas de visión artificial permiten identificar características físicas y defectos de los productos de manera no intrusiva y confiable. Debido a estas ventajas, los sistemas de visión han tenido gran aceptación en las industrias agrícola y alimenticia, ya que estas industrias requieren de una alta demanda de objetividad, coherencia y eficiencia en el control de la calidad de los productos, condiciones que los sistemas de visión artificial pueden cumplir. Este trabajo propone un procedimiento para evaluar de manera automática el estado de maduración de la piña (Ananas Comosus) variedad perolera en post-cosecha mediante técnicas de visión artificial. El procedimiento de evaluación propuesto es implementado a través de un algoritmo de procesamiento de imágenes digitales en color basado en las etapas de pre-procesamiento, segmentación, extracción de características y clasificación estadística. Se empleó, imágenes en el espacio de color HSV, segmentación por umbralización automática mediante el método de Otsu, el momento de primer orden de las distribuciones de los planos H y S como características, y el algoritmo MBSAS (Modified Basic Sequential Algorithmic Scheme– en inglés) para la clasificación. Se utilizaron 319 imágenes, de las cuales 110 imágenes fueron utilizadas en el proceso de entrenamiento y 209 imágenes fueron utilizadas en el proceso de evaluación. Los resultados obtenidos por el procedimiento de evaluación propuesto en este trabajo, fueron contrastados con el juicio de valor de tres expertos, que mostraron que el algoritmo propuesto tiene una eficiencia de evaluación cercana al 96,36%.
Descargas
Citas
[2] El país está preparado agrícolamente para el TLC, Revista Portafolio (Online), Octubre 11 de 2011, Disponible: http://www.portafolio.co/negocio
[3] R. D. Tillett, Image analysis for agricultural processes. En: Division Note DN 1585. Research Institute. 1990.
[4] L.G. Shapiro, G.C.Stockman, Computer Vision, Prentice Hall, 2001.
[5] Da-Wen Sun, Computer Vision Technology for Food Quality Evaluation, Ed. Elsevier, 2008.
[6] P. Chen, Z. Sun, A review of non-destructive methods for quality evaluation and sorting of agricultural products, Journal of Agricultural Engineering Research, Volume 49, May–August 1991, Pages 85-98.
[7] TadhgBrosnan, Da-Wen Sun, Inspection and grading of agricultural and food products by computer vision systems—a review, Computers and Electronics in Agriculture, Volume 36, Issues 2–3, November 2002, Pages 193-213.
[8] V Leemans, M-F Destain, A real-time grading method of apples based on features extracted from defects, Journal of Food Engineering, 61 (2004), pp. 83–89.
[9] JA Throop, DJ Aneshansley, WC Anger, DL Peterson, Quality evaluation of apples based on surface defects: development of an automated inspection system,Postharvest Biology and Technology, 36 (2005), pp. 281–290.
[10] D Unay, B Gosselin, Stem and calyx recognition on “Jonagold” apples by pattern recognition,Journal of food Engineering, 78 (2) (2007), pp. 597–605.
[11] J Blasco, S Cubero, R Arias, F Juste, E Moltó, On-line quality grading of mandarin segments by computer vision, XVIth CIGR World Congress: Agricultural Engineering for a Better World, Book of Abstracts, Bonn, Germany (2006), pp. 623– 624.
[12] J Blasco, N Aleixos, E Moltó, Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm, Journal of Food Engineering, 81 (3) (2007), pp. 535–543.
[13] N Hernandez, P Barreiro, M Ruiz-Altisent, J RuizCabello, ME Fernandez-Valle,Detection of seeds in citrus using MRI under motion conditions and improvement with motion correction, Concepts in Magnetic Resonance: Part B—Magnetic Resonance Engineering, 26B (1) (2005), pp. 81–92.
[14] M Nagata, PM Bato, M Mitarai, Q Cao, T Kitahara, Study on sorting system for strawberry using machine vision (part 1): development of software for determining the direction of strawberry (Akihime variety), Journal of Japan Society of Agricultural Machinery, 62 (1) (2000), pp. 100–110.
[15] R Díaz, M Blasco, J Blasco, E Moltó, Comparison of three algorithms in the classiication of table olives by means of computer vision, Journal of Food Engineering, 61 (2004), pp. 101–107.
[16] S Colmagro, G Collins, M Sedgley, Processing technology of the table olive, Horticultural Reviews, 25 (2001), pp. 235–260.
[17] JC Noordam, GW Otten, AJM Timmermans, BH van Zwol, High speed potato grading and quality inspection based on a color vision system, Proceedings of SPIE: The International Society for Optical Engineering, 3966 (2000), pp. 206–219.
[18] T Brosnan, D Sun, Improving quality inspection of food products by computer vision—a review, Journal of Food Engineering, 61 (2004), pp. 125– 135.
[19] C. Maya. Desarrollo de un algoritmo para la caracterización y clasiicación de granos de café empleando técnicas de visión artiicial. Manizales: U. Nacional de Manizales, 2001.
[20] J. Betancur, Segmentación de granos de café mediante métodos de crecimiento de regiones. Manizales: U Nacional de Manizales, 2002.
[21] Z. Sandoval, F. Prieto, Caracterización y clasiicación de café cereza por medio de visión artiicial, 2003.
[22] J. E. Hernández, Clasiicación de frutos de café según su etapa de maduración basada en redes neuronales artiiciales. Manizales: U. Nacional de Manizales, 2004.
[23] J. C. Mosquera, A. Sepúlveda, C, A. Isaza, Procesamiento de imágenes ópticas de frutos café en cereza por medio de iltros acusto-ópticos, Ingeniería y Desarrollo, Universidad del Norte, Numero 21, 2007.
[24] N.Otsu, A threshold selection method for gray level histograms, IEEE Trans. Syst. Man Cybern., 9, 62-6, 1979.
[25] S. Theodoridis, S. Koutroumbas, Pattern Recognition. Academic Press, San Diego, USA, 2008.
[26] G. Bradski, A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library,O’Reilly Media, 2008.
[27] González, R.C., Woods, R.E.: Digital Image Processing. Prentice Hall, 2008.
[28] Stricker, M. and Orengo, M., Similarity of color images, SPIE Conference on Storage and Retrieval for Image and Video Databases III. Vol. 2420, p. 381-392, 1995.
[29] Moore, A., Cross validation for detecting and preventing overitting, School of Computer Science, Carneigie Mellon University, 2001.
[30] Lizcano, S., Identiicación de las etapas de maduración de la piña perolera empleando técnicas de visión artiicial, Universidad Pontiicia Bolivariana, Seccional Bucaramanga, 2010.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
La revista ITECKNE se encuentra registrada bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional Por lo tanto, esta obra se puede reproducir, distribuir y comunicar públicamente, siempre que se reconozca el nombre de los autores y a la Universidad Santo Tomás. Se permite citar, adaptar, transformar, autoarchivar, republicar y crear a partir del material, siempre que se reconozca adecuadamente la autoría, se proporcione un enlace a la obra original y se indique si se han realizado cambios.
La Revista ITECKNE no retiene los derechos sobre las obras publicadas y los contenidos son responsabilidad exclusiva de los autores, quienes conservan sus derechos morales, intelectuales, de privacidad y publicidad. Sin embargo esta facultada para editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir el artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.
