Caracterización y clasificación de café cereza usando visión artificial
Se desarrolló un sistema de visión artificial para la clasificación de frutos de café en once categorías dependiendo de su estado de madurez. Para la descripción de la forma, el tamaño, el color y la textura de un fruto de café se extrajeron 208 características. La reducción del conjunto de caracter...
- Autores:
-
Sandoval Niño, Zulma Liliana
- Tipo de recurso:
- Fecha de publicación:
- 2005
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/2620
- Palabra clave:
- 62 Ingeniería y operaciones afines / Engineering
Evaluación de clasificadores
Café (grano) - clasificación
Café (grano) - selección de características
Visión por computador
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | Se desarrolló un sistema de visión artificial para la clasificación de frutos de café en once categorías dependiendo de su estado de madurez. Para la descripción de la forma, el tamaño, el color y la textura de un fruto de café se extrajeron 208 características. La reducción del conjunto de características de 208 a 9 se hizo con base en los resultados de dos métodos de selección de características, uno univariado y otro multivariado. El conjunto final de características se evaluó en tres técnicas de clasificación: Bayesiano, redes neuronales y clustering difuso. Con el clasificador Bayesiano se obtuvo un error de clasificación del 5,43%. Usando redes neuronales el error de clasificación fue de 7,46%. Mientras que 19,46% fue el error obtenido usando clustering difuso. / Abstract: A machine vision system was used to classify coffee fruits into eleven groups according to ripen. 208 features of the individual fruits were extracted from two dimensional images and used as shape, size, color and texture description. An univariate and a multivariate method for feature selection was used to select a subset of 9 from an initial set of 208 features. The selected features were subsequently used as inputs to three classification schemes: the Bayesian decision, a neural network and a fuzzy k means clustering. The average classification error obtained for Bayesian classifier was 5,43%. The neural network classifier resulted in a average classification error of 7,46%. While 19,46% was the error obtained using fuzzy clustering. |
|---|