Desarrollo de un método de visión de máquina para la clasificación de los estados de maduración del mango Tommy Atkins

El mango Tommy Atkins es uno de los principales frutos en la economía colombiana, siendo el tercer producto más importante en ventas a nivel nacional en el ámbito agroindustrial. Para la venta del fruto se debe clasificar según el estado de maduración, esta actividad es realizada de forma manual durante largas jornadas de trabajo, lo que genera diferentes problemas de rendimiento y precisión al realizar el proceso de clasificación (FedeMango, 2014). Si bien, existe un método que permite identificar de manera precisa el estado de maduración en el que se encuentra el fruto, dicho método exige la apertura del fruto generando el daño de la materia prima, ocasionando que se pierda parte importante de la producción y por ende, un posible porcentaje útil durante el proceso de venta (Sena, 2019). Es por esto que, una posible alternativa viable para la clasificación de los estados de maduración del mango es por medio de visión de máquina, realizando extracción de características encontradas por cada estado de maduración generando un clasificador según las similitudes encontradas por cada nivel de maduración. La técnica mencionada puede permitir la clasificación durante largas jornadas de tiempo sin que esta, cambie su rendimiento por alguna situación externa, la cual es uno de los problemas principales encontrados en la técnica de clasificación manual. Por lo cual se realiza un modelo de predicción por método de visión de máquina para la clasificación del estado de maduración del mango Tommy Atkins. Dicho proyecto se hizo de forma secuencial en tres fases. La primera fase de este proyecto se realiza una recolección de diversas imágenes al mismo tiempo que por cada fruto fotografiado se hace el análisis químico, (Brix , y % acidez) dando como resultado un conjunto de datos de imágenes con su el reporte del estado de maduración. En la segunda fase se procede a extraer 4 características estadísticas de los frutos en cuatro espacio de color, con el fin de entrenar el algoritmo segun las caracteristicas obtenidas. Al mismo tiempo se usan técnicas de extracción y reducción de características, con el fin de reducir el sobre ajuste en el algoritmo, mejorando la precisión del modelo. Por último; se valida el algoritmo, utilizando el 20% del conjunto de datos para validación, donde, según los aciertos obtenidos por parte del modelo, los cuales se verifican con la coincidencia de los resultados químicos obtenidos de los frutos evaluados se identifica la precisión del algoritmo.Teniendo en cuenta el resultado de la validación del algoritmo, en tiempo real puede generar una predicción del 80% de precisión para la clasificación de los estados de maduración, donde el principal reto de clasificación es el estado de maduración 3 (Maduro), ya que comparte características similares con los demás estados de maduración, generando que el algoritmo obtenga mayores errores durante su proceso de clasificación.

• Autores: Vargas Escobar, Nataly
• Tipo de recurso: https://purl.org/coar/resource_type/c_7a1f
• Fecha de publicación: 2023
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/12152
• Acceso en línea: https://hdl.handle.net/20.500.12495/12152; https://repositorio.unbosque.edu.co
• Palabra clave: Procesamiento de imágenes; variables estadísticas; Técnicas de visión artificial; Técnicas de reducción,; Clasificadores; 610.28; Image processing; Statistical variables; Computer vision techniques; Reduction techniques; Classifiers
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional