Identifying Cocoa ripeness using K-Nearest Neighbor (KNN) Method

Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido

“…Esre proyecto introdujo 498 imágenes originales para el desarrollo de la solución, y 3 veces más esta cantidad en imágenes sintéticas, lo que supone mayor probabilidad de sobre ajuste, sin embargo, los resultados de precisión obtenidos no evidencian este fenómeno. No obstante, es probable que las otras investigaciones al no usar un gran número de imágenes (menos de 100 imágenes) (Riskiawan et al, 2018;Saad & Hussain, 2006;Saadl et al, 2009), presenten un ajuste insuficiente para clasificar imágenes nuevas. Además, se destaca como limitación que al ser un trabajo in situ las categorías de madurez no están presentes en el árbol durante un mismo lapso que las otras categorías, ya que el estado de inmadurez de una mazorca se extiende aproximadamente durante tres meses, mientras que las dos categorías restantes un mes aproximadamente cada una, por tanto, es poco probable encontrar el mismo número de elementos en cada categoría.…”

“…De manera específica, en la producción de cacao la determinación de madurez se ha realizado por medio de espectrometría, haciendo uso de sensores acústicos (Arenga et al, 2017), y la valoración por medio de inspección visual implementando técnicas de colorimetría a través de valores RGB extraídos de imágenes convencionales (Riskiawan et al, 2018). No obstante, en los antecedentes teóricos relacionados con visión por computador se encuentra que la toma de imágenes se suele realizar en ambientes controlados, es decir, con luminosidad, distancia al objeto, y sombras controladas, es por ello que el hacer uso del espacio de color RGB no es oportuno cuando las imágenes se han de tomar en el sitio del cultivo.…”

“…Arenga et al, (2017) realizaron una estimación de la madurez de las mazorcas de cacao haciendo uso de sensores acústicos, para ello disponían de 49 mazorcas, de las cuales fueron extraídas 392 muestras sensoriales, considerando dos categorías (Arenga et al, 2017). De igual manera, un año después, Riskiawan et al, (2018) realizaron una estimación de la madurez de las mazorcas de cacao, capturando imágenes a 25-30 cm del fruto en un escenario controlado, considerando tres categorías con 38 imágenes en total (Riskiawan et al, 2018).…”

“…En tercer lugar, máquinas de soporte vectorial SVM (Arenga et al, 2017;El-Bendary et al, 2015;Elhariri et al, 2014). En cuarto lugar, los autores emplean K-Nearest Neighbors (KNN) (Arenga et al, 2017;Riskiawan et al, 2018). En último lugar implementaron diversas técnicas como: Convolutional Neural Networks CNN (Zhang et al, 2018), K-Means con Fuzzy Logic (Taofik et al, 2018), Mask R-CNN (Le et al, 2019), Rule Based Classification (Kipli et al, 2018), y Random Forest (Santos Pereira et al, 2018).…”

“…Por consiguiente, para evitar lo anterior es necesario realizar una cosecha oportuna. Para el caso del Cacao (Theobroma Cacao) los procesos de identificación del nivel de madurez de la mazorca para su posterior recolección implican retos tecnológicos, debido a que éstos son enteramente artesanales, es decir; los cacaoteros identifican mediante sus sentidos las características morfológicas (principalmente tamaño y color) para determinar si el fruto se encuentra maduro y listo para cosechar (Riskiawan et al, 2018;Tan et al, 2018). Ahora bien, es importante señalar que soportar el proceso de identificación de madurez en las capacidades sensoriales del cacaotero puede llegar a generar incongruencias durante la estandarización del proceso, ya que el color junto con las tonalidades de un producto maduro son diferentes según la variedad de cacao (Perez B & Contreras M, 2017;Ramos Ospino & Gómez Álvarez, 2019).…”