Sistema de visión artificial para evaluar cereza de café
Resumen
La calidad de productos del campo es un factor clave para la industria agrícola debido a que impacta de sobremanera su valor de mercado. La calidad del café de especialidad depende de una serie de características específicas que atraen al consumidor. En este trabajo se presenta el diseño y construcción de un sistema de visión artificial para la clasificación de cereza de café de especialidad desarrollado en el lenguaje Python con una Raspberry Pi 4. La segmentación de imágenes se basa en dos parámetros del café: color y tamaño. Se utiliza el espacio de color HSV y la teoría de momentos de las imágenes para calcular el área en píxeles de la cereza de café. El sistema de visión artificial propuesto obtuvo una exactitud de 93.49% en la clasificación de cereza de café respecto a su grado de maduración y una precisión del 82.6%, fue verificado con una base de datos compuesto por 169 imágenes obtenidas mediante una cámara SH003, con el sistema propuesto se logran obtener más de 3600 granos de café cereza clasificados en una hora en promedio, cantidad superior a la reportada por los clasificadores expertos de la región (2500 granos por hora).
Descargas
Citas
Bazame, H., Molin, J., Althoff, D., & Martello, M. (2021). Detection, classification, and mapping of coffee fruits during harvest with computer vision. Computers and Electronics in Agriculture.
Castro, W., Oblitas, J., De-La-Torre, M., Cotrina, C., Bazan, K., & Avila-George, H. (2019). Classification of cape gooseberry fruit according to its level of ripeness using machine learning techniques and different color spaces. IEEE Access, 7.
Centro de estudios para el desarrollo rural sustentable y la soberanía alimentaria. (2018). El café en México diagnóstico y perspectiva.
Eustaquio, W., & Jr, J. (2020). Classification of Immature and Mature Coffee Beans Using RGB Values and Machine Learning Algorithms. International Journal of Emerging Trends in Engineering Research.
García, M., Candelo, J., & Hoyos, F. (2019). Quality and defect inspection of green coffee beans using a computer vision system.
González, R., & Woods, R. (2018). Digital image processing (Pearson (ed.); 4th ed.).
Lal, H., & Fukai, H. (2022). Peaberry and normal coffee bean classification using CNN, SVM, and KNN: their implementation in and the limitations of Raspberry Pi 3. AIMS Agriculture and Food.
Marín, R. (2020). ¿Qué es OpenCV? Instalación en Python y ejemplos básicos. Revista Digital INESEM. https://revistadigital.inesem.es/informatica-y-tics/opencv/
Mery, D. (2015). Computer vision for X-ray testing. Imaging, system, image databases and algorithms. Springer.
Montes, N. (2015). Real-time classification of coffee fruits using FPGA. 91. http://www.bdigital.unal.edu.co/50617/
Moore, A. (2018). Python GUI Programming with Tkinter : Develop responsive and powerful GUI applications with Tkinter. 442.
SAGARPA. (2018). Café Mexicano: planeación agrícola nacional del 2017 al 2030. https://www.gob.mx/cms/uploads/attachment/file/256426/B_sico-Caf_.pdf
Sandoval, Z., & Prieto, F. (2007). Caracterización de café cereza empleando técnicas de visión artificial. Revista Facultad Nacional de Agronomía - Medellín, 60(2).
Shih, F. (2010). Image Processing and Pattern Recognition: Fundamentals and Techniques (IEEE (ed.)). John & Sons, Inc.
Susanibar, G., Ramirez, J., Sanchez, J., Ramirez, R., & Arroyo, D. (2021). Development of an automated machine for green coffee beans classification by size and defects. Journal of Advanced Agricultural Technologies, 8.
Derechos de autor 2023 Jordan Antonio Cruz-Morales , Joel Artemio Morales-Viscaya , Alejandro Israel Barranco-Gutiérrez, Agustín Leobardo Herrera-May , Adán Antonio Alonso-Ramírez, Rosa María Woo-García
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
