Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial
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...
- Autores:
-
Silva, Luis Angel
Lizcano, Sergio
- Tipo de recurso:
- Fecha de publicación:
- 2011
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Universidad Santo Tomás
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/8252
- Acceso en línea:
- http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58
- Palabra clave:
- Sistema de visión artificial, Segmentación, Extracción de características, Clasificación.
- Rights
- License
- Copyright (c) 2018 ITECKNE
| id |
SantoToma2_0d70ffc9b90f265e9bd52a7feba88a25 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/8252 |
| network_acronym_str |
SantoToma2 |
| network_name_str |
Universidad Santo Tomás |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| title |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| spellingShingle |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial Sistema de visión artificial, Segmentación, Extracción de características, Clasificación. |
| title_short |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| title_full |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| title_fullStr |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| title_full_unstemmed |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| title_sort |
Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial |
| dc.creator.fl_str_mv |
Silva, Luis Angel Lizcano, Sergio |
| dc.contributor.author.spa.fl_str_mv |
Silva, Luis Angel Lizcano, Sergio |
| dc.subject.proposal.spa.fl_str_mv |
Sistema de visión artificial, Segmentación, Extracción de características, Clasificación. |
| topic |
Sistema de visión artificial, Segmentación, Extracción de características, Clasificación. |
| description |
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%. |
| publishDate |
2011 |
| dc.date.issued.spa.fl_str_mv |
2011-07-07 |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/article |
| dc.identifier.spa.fl_str_mv |
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58 10.15332/iteckne.v9i1.58 |
| url |
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58 |
| identifier_str_mv |
10.15332/iteckne.v9i1.58 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.spa.fl_str_mv |
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58/51 /*ref*/Colombia ha tenido un buen año con los TLC que negoció, Revista Portafolio (Online), Octubre 13 de 2011, Disponible: http://www.portafolio.co/ negocio /*ref*/El país está preparado agrícolamente para el TLC, Revista Portafolio (Online), Octubre 11 de 2011, Disponible: http://www.portafolio.co/negocio /*ref*/R. D. Tillett, Image analysis for agricultural processes. En: Division Note DN 1585. Research Institute. 1990. /*ref*/L.G. Shapiro, G.C.Stockman, Computer Vision, Prentice Hall, 2001. /*ref*/Da-Wen Sun, Computer Vision Technology for Food Quality Evaluation, Ed. Elsevier, 2008. /*ref*/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. /*ref*/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. /*ref*/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. /*ref*/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. /*ref*/D Unay, B Gosselin, Stem and calyx recognition on “Jonagold” apples by pattern recognition,Journal of food Engineering, 78 (2) (2007), pp. 597–605. /*ref*/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. /*ref*/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. /*ref*/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. /*ref*/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. /*ref*/R Díaz, M Blasco, J Blasco, E Moltó, Comparison of three algorithms in the classification of table olives by means of computer vision, Journal of Food Engineering, 61 (2004), pp. 101–107. /*ref*/S Colmagro, G Collins, M Sedgley, Processing technology of the table olive, Horticultural Reviews, 25 (2001), pp. 235–260. /*ref*/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. /*ref*/T Brosnan, D Sun, Improving quality inspection of food products by computer vision—a review, Journal of Food Engineering, 61 (2004), pp. 125– 135. /*ref*/C. Maya. Desarrollo de un algoritmo para la caracterización y clasificación de granos de café empleando técnicas de visión artificial. Manizales: U. Nacional de Manizales, 2001. /*ref*/J. Betancur, Segmentación de granos de café mediante métodos de crecimiento de regiones. Manizales: U Nacional de Manizales, 2002. /*ref*/Z. Sandoval, F. Prieto, Caracterización y clasificación de café cereza por medio de visión artificial, 2003. /*ref*/J. E. Hernández, Clasificación de frutos de café según su etapa de maduración basada en redes neuronales artificiales. Manizales: U. Nacional de Manizales, 2004. /*ref*/J. C. Mosquera, A. Sepúlveda, C, A. Isaza, Procesamiento de imágenes ópticas de frutos café en cereza por medio de filtros acusto-ópticos, Ingeniería y Desarrollo, Universidad del Norte, Numero 21, 2007. /*ref*/N.Otsu, A threshold selection method for gray level histograms, IEEE Trans. Syst. Man Cybern., 9, 62-6, 1979. /*ref*/S. Theodoridis, S. Koutroumbas, Pattern Recognition. Academic Press, San Diego, USA, 2008. /*ref*/G. Bradski, A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library,O’Reilly Media, 2008. /*ref*/González, R.C., Woods, R.E.: Digital Image Processing. Prentice Hall, 2008. /*ref*/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. /*ref*/Moore, A., Cross validation for detecting and preventing overfitting, School of Computer Science, Carneigie Mellon University, 2001. /*ref*/Lizcano, S., Identificación de las etapas de maduración de la piña perolera empleando técnicas de visión artificial, Universidad Pontificia Bolivariana, Seccional Bucaramanga, 2010. |
| dc.relation.citationissue.eng.fl_str_mv |
ITECKNE; Vol 9, No 1 (2012); 31-41 |
| dc.relation.citationissue.spa.fl_str_mv |
ITECKNE; Vol 9, No 1 (2012); 31-41 2339-3483 1692-1798 |
| dc.rights.eng.fl_str_mv |
Copyright (c) 2018 ITECKNE |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Copyright (c) 2018 ITECKNE http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.eng.fl_str_mv |
Universidad Santo Tomás. Seccional Bucaramanga |
| institution |
Universidad Santo Tomás |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1800786388829863936 |
| spelling |
Silva, Luis AngelLizcano, Sergio2011-07-07http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/5810.15332/iteckne.v9i1.58Los 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%.application/pdfspaUniversidad Santo Tomás. Seccional Bucaramangahttp://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58/51/*ref*/Colombia ha tenido un buen año con los TLC que negoció, Revista Portafolio (Online), Octubre 13 de 2011, Disponible: http://www.portafolio.co/ negocio/*ref*/El país está preparado agrícolamente para el TLC, Revista Portafolio (Online), Octubre 11 de 2011, Disponible: http://www.portafolio.co/negocio/*ref*/R. D. Tillett, Image analysis for agricultural processes. En: Division Note DN 1585. Research Institute. 1990./*ref*/L.G. Shapiro, G.C.Stockman, Computer Vision, Prentice Hall, 2001./*ref*/Da-Wen Sun, Computer Vision Technology for Food Quality Evaluation, Ed. Elsevier, 2008./*ref*/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./*ref*/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./*ref*/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./*ref*/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./*ref*/D Unay, B Gosselin, Stem and calyx recognition on “Jonagold” apples by pattern recognition,Journal of food Engineering, 78 (2) (2007), pp. 597–605./*ref*/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./*ref*/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./*ref*/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./*ref*/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./*ref*/R Díaz, M Blasco, J Blasco, E Moltó, Comparison of three algorithms in the classification of table olives by means of computer vision, Journal of Food Engineering, 61 (2004), pp. 101–107./*ref*/S Colmagro, G Collins, M Sedgley, Processing technology of the table olive, Horticultural Reviews, 25 (2001), pp. 235–260./*ref*/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./*ref*/T Brosnan, D Sun, Improving quality inspection of food products by computer vision—a review, Journal of Food Engineering, 61 (2004), pp. 125– 135./*ref*/C. Maya. Desarrollo de un algoritmo para la caracterización y clasificación de granos de café empleando técnicas de visión artificial. Manizales: U. Nacional de Manizales, 2001./*ref*/J. Betancur, Segmentación de granos de café mediante métodos de crecimiento de regiones. Manizales: U Nacional de Manizales, 2002./*ref*/Z. Sandoval, F. Prieto, Caracterización y clasificación de café cereza por medio de visión artificial, 2003./*ref*/J. E. Hernández, Clasificación de frutos de café según su etapa de maduración basada en redes neuronales artificiales. Manizales: U. Nacional de Manizales, 2004./*ref*/J. C. Mosquera, A. Sepúlveda, C, A. Isaza, Procesamiento de imágenes ópticas de frutos café en cereza por medio de filtros acusto-ópticos, Ingeniería y Desarrollo, Universidad del Norte, Numero 21, 2007./*ref*/N.Otsu, A threshold selection method for gray level histograms, IEEE Trans. Syst. Man Cybern., 9, 62-6, 1979./*ref*/S. Theodoridis, S. Koutroumbas, Pattern Recognition. Academic Press, San Diego, USA, 2008./*ref*/G. Bradski, A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library,O’Reilly Media, 2008./*ref*/González, R.C., Woods, R.E.: Digital Image Processing. Prentice Hall, 2008./*ref*/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./*ref*/Moore, A., Cross validation for detecting and preventing overfitting, School of Computer Science, Carneigie Mellon University, 2001./*ref*/Lizcano, S., Identificación de las etapas de maduración de la piña perolera empleando técnicas de visión artificial, Universidad Pontificia Bolivariana, Seccional Bucaramanga, 2010.ITECKNE; Vol 9, No 1 (2012); 31-41ITECKNE; Vol 9, No 1 (2012); 31-412339-34831692-1798Copyright (c) 2018 ITECKNEhttp://purl.org/coar/access_right/c_abf2Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificialinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_2df8fbb1Sistema de visión artificial, Segmentación, Extracción de características, Clasificación.11634/8252oai:repository.usta.edu.co:11634/82522023-07-14 16:37:18.529metadata only accessRepositorio Universidad Santo Tomásnoreply@usta.edu.co |