Desarrollo de un método de visión de máquina para la clasificación de los estados de maduración del mango Tommy Atkins
Cargando...
Archivos
Fecha
2023-11
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
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.
Descripción
Abstract
The Tommy Atkins mango is one of the main fruits in the Colombian economy, being the third most important product in sales at national level in the agroindustrial field. For the sale of the fruit, it must be classified according to the state of ripeness, this activity is carried out manually during long working days, which generates different problems of performance and accuracy when performing the classification process (FedeMango, 2014). Although there is a method that allows the precise identification of the ripening stage of the fruit, this method requires opening the fruit, which damages the raw material, causing the loss of an important part of the production and, therefore, a possible useful percentage during the sales process (Sena, 2019).
This is why, a possible viable alternative for the classification of mango ripening stages is by means of machine vision, performing extraction of characteristics found by each ripening stage generating a classifier according to the similarities found by each ripening level. The mentioned technique can allow the classification during long days of time without changing its performance by any external situation, which is one of the main problems found in the manual classification technique.
Therefore, a prediction model was developed using the machine vision method for the classification of the ripening stage of Tommy Atkins mangoes. This project was done sequentially in three phases.
The first phase of this project is a collection of various images at the same time that for each photographed fruit is made the chemical analysis (Brix, and % acidity) resulting in a set of image data with the report of the state of maturation.
In the second phase we proceed to extract 4 statistical characteristics of the fruits in four color spaces, in order to train the algorithm according to the characteristics obtained. At the same time, feature extraction and reduction techniques are used to reduce the overfitting of the algorithm, improving the accuracy of the model.
Finally; the algorithm is validated, using 20% of the data set for validation, where, according to the successes obtained by the model, which are verified with the coincidence of the chemical results obtained from the evaluated fruits, the accuracy of the algorithm is identified. Taking into account the result of the algorithm validation, in real time it can generate a prediction of 80% accuracy for the classification of ripening stages, where the main classification challenge is ripening stage 3 (Ripe), since it shares similar characteristics with the other ripening stages, generating that the algorithm obtains greater errors during its classification process.
Palabras clave
Procesamiento de imágenes, variables estadísticas, Técnicas de visión artificial, Técnicas de reducción,, Clasificadores
Keywords
Image processing, Statistical variables, Computer vision techniques, Reduction techniques, Classifiers