Diseño de un sistema automático de selección de frutos de café mediante técnicas de visión artificial

Abstract

Este artículo puede compartirse bajo la licencia CC BY-ND 4.0 (https://creativecommons.org/licenses/by-nd/4.0/) y debe referenciarse usando el siguiente formato: J.C. Herrera et al., "Diseño de un sistema automático de selección de frutos de café mediante técnicas de visión artificial," UIS Ingenierias, vol. 15, no. RESUMENEn el presente artículo se propone un sistema de visión artificial para la detección del fruto de café apto para producción. Para lograr esta detección se desarrollaron dos algoritmos, uno encargado de clasificar los frutos de café en maduros o no maduros, y otro que detecta la presencia de la plaga de la broca. Para el primero se extrajeron características de color y se usó un clasificador bayesiano. Por otra parte, el algoritmo de detección de brocas busca zonas negras en la imagen, esto debido a que la evidencia dejada por esta plaga son orificios en la superficie del fruto. Además, se diseñó un sistema mecánico para el transporte de los frutos de café durante el proceso, y un mecanismo de extracción para separar los frutos, una vez estos sean clasificados por el algoritmo. Los resultados obtenidos mostraron una efectividad del 87%.PALABRAS CLAVE: Análisis de color de imágenes, Binarización, Clasificación de imágenes, Extracción de características, Fruto de café, Proceso de selección, Segmentación de imágenes, Visión artificial. ABSTRACTIn this Article, it is proposed a computer vision system, which can detect whether a coffee fruit is suitable for production or not. In order to achieve this detection two algorithms were developed, one to classify the coffee fruit in the ripe or unripe state; and the other to detect the presence of the 'coffee berry borer'. The first one uses a Bayesian Classifier to identify the colour of the fruit, and the second algorithm searches for the holes made by the coffee berry borer on the surface of the product. Moreover, a mechanical system was designed for the transportation and separation of the coffee fruits. In the first stage, coffees are transported as pictures of them are taken. At the end of this stage, the separation mechanism alters the path of the fruit based on the result of the classifier. The system proposed obtained an effectiveness of 87%. KEYWORDS:Artificial neural networks, Binarization, Feature Extraction, Image classification, Image color analysis, Image segmentation, Machine vision, Selection process. INTRODUCCIÓNEn Colombia, el procesado del café se sigue realizando manualmente, a pesar del arduo trabajo que esto representa. Este proceso consta principalmente de cinco etapas: recolección, selección, lavado, despulpado y secado. El alcance de esta investigación se concentra en la etapa de selección, la cual consiste en determinar si los frutos de café son adecuados para la producción. Para esto, los caficultores tienen que analizar si los frutos del café están en un estado adecuado de maduración. Además, tienen que buscar la presencia de la broca, una plaga que afecta gravemente a estos cultivos.

Effectiveness of a cherry coffee sorter prototype with image recognition using machine learning

“…The accuracy of the prototype for bean selection is in the acceptable range (greater than 80.0%) as well as the report of Herrera et al (2016), who determined a level of effectiveness of 87.0% of an automatic coffee fruit selection system that applied Bayesian algorithms based on the minimum error rule. The results also agree with the research of Portugal-Zambrano et al (2016), where the classification of physical defects of green coffee beans with a computer vision system achieved 98.8% effectiveness using the White-Patch algorithm, color histograms as feature extractor and SVM for the classification task.…”

Sistema de control métrico bidimensional para tornillos metálicos utilizados en osteosíntesis

“…En empresas locales, la calidad de un implante es verificada a través de inspecciones visuales hechas de forma manual utilizando un software privativo, lo que puede traducirse en tres factores importantes: mayor tiempo en el proceso de inspección por ejecutarse de manera manual, mayores costes por el pago de licencias de software privativo, y por último, una menor precisión en las métricas tomadas debido a errores humanos [13], [14].…”

Simulation of a Canning Jar Sorting System by Machine Vision in Enterprises Using Python

“…El algoritmo de detección de brocas busca zonas negras en la imagen, debido a la evidencia dejada por la plaga. Los resultados mostraron una efectividad del 87% [10]. Iborra y su equipo desarrollaron un sistema de inspección automatizado para el control de calidad de cigüeñales basado en arquitectura de hardware reconfigurable, el cual es capaz de detectar grietas, poros e intrusiones.…”