Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial
Los sistemas de visión artificial permiten identificar características físicas y defectos de los productos de manera no intrusiva y confiable. Debido a estas ventajas, los sistemas de visión han tenido gran aceptación en las industrias agrícola y alimenticia, ya que estas industrias requieren de una...
| Autor Principal: | Silva, Luis Angel; Ph.D.(c) en Automática y Robótica. Universidad Pontificia Bolivariana |
|---|---|
| Otros Autores: | Lizcano, Sergio; Ing. Electrónico. Universidad Pontificia Bolivariana |
| Formato: | info:eu-repo/semantics/article |
| Idioma: | spa |
| Publicado: |
Universidad Santo Tomás. Seccional Bucaramanga
2011
|
| Materias: | |
| Acceso en línea: |
http://revistas.ustabuca.edu.co/index.php/ITECKNE/article/view/58 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
Los sistemas de visión artificial permiten identificar características físicas y defectos de los productos de manera no intrusiva y confiable. Debido a estas ventajas, los sistemas de visión han tenido gran aceptación en las industrias agrícola y alimenticia, ya que estas industrias requieren de una alta demanda de objetividad, coherencia y eficiencia en el control de la calidad de los productos, condiciones que los sistemas de visión artificial pueden cumplir. Este trabajo propone un procedimiento para evaluar de manera automática el estado de maduración de la piña (Ananas Comosus) variedad perolera en post-cosecha mediante técnicas de visión artificial. El procedimiento de evaluación propuesto es implementado a través de un algoritmo de procesamiento de imágenes digitales en color basado en las etapas de pre-procesamiento, segmentación, extracción de características y clasificación estadística. Se empleó, imágenes en el espacio de color HSV, segmentación por umbralización automática mediante el método de Otsu, el momento de primer orden de las distribuciones de los planos H y S como características, y el algoritmo MBSAS (Modified Basic Sequential Algorithmic Scheme– en inglés) para la clasificación. Se utilizaron 319 imágenes, de las cuales 110 imágenes fueron utilizadas en el proceso de entrenamiento y 209 imágenes fueron utilizadas en el proceso de evaluación. Los resultados obtenidos por el procedimiento de evaluación propuesto en este trabajo, fueron contrastados con el juicio de valor de tres expertos, que mostraron que el algoritmo propuesto tiene una eficiencia de evaluación cercana al 96,36%. |
|---|