Sistema eficiente y de bajo costo para la selección de granos de café: una aplicación de la visión artificial

Autores/as

  • Cesar Rosas-Echevarría Laboratorio de Control de Procesos, Universidad Nacional Hermilio Valdizán.
  • Hubel Solís-Bonifacio Universidad Nacional Agraria de la Selva, 10131, Perú.
  • Alberto Cerna-Cueva

DOI:

https://doi.org/10.17268/sci.agropecu.2019.03.04

Palabras clave:

granos de café, visión computacional, selección de granos, bajo costo.

Resumen

La calidad del café es un factor clave para el acceso a mejores mercados, por lo que un proceso de selección de granos eficiente resulta fundamental, sin embargo, actualmente estos equipos son de elevado costo e inaccesibles para los pequeños y medianos productores, por esta razón esta investigación tiene como objetivo establecer una propuesta de bajo costo para la selección de granos de café con respecto al color y tamaño mediante visión artificial (V.A.). Para esto se tomó una muestra al azar de 50 kg de café y se realizó la selección en forma tradicional mediante clasificación visual para el color (verde, rojo y marrón) y el tamaño (menor, igual y mayor a 1 cm2), posteriormente a esta misma muestra se aplicó la selección mediante V.A. en una cámara que recibía granos a razón de 3 por segundo. Los resultados obtenidos con la selección manual y aplicando V.A. no presentaron diferencia significativa estadística en cuanto a resultados a un nivel de α = 0,05, sin embargo, en cuanto a tiempo y costos, la selección por V.A. le tomó solo una hora y la selección manual, dos. La selección de granos de café por V.A. es superior que la selección manual.

Biografía del autor/a

Cesar Rosas-Echevarría, Laboratorio de Control de Procesos, Universidad Nacional Hermilio Valdizán.

Hubel Solís-Bonifacio, Universidad Nacional Agraria de la Selva, 10131, Perú.

Alberto Cerna-Cueva

Citas

Barbin, D.; Felicio, A.; Sun, D.-W.; Nixdorf, S.; Hirooka, E. 2014. Application of infrared spectral techniques on quality and compositional attributes of coffee: An overview. Food Research International 61: 23-32.

Borem, F.M.; Ribeiro, F.C.; Figueiredo, F. P.; Giomo, G.S.; Fortunato, V.A.; Isquierdo, E.P. 2013. Evaluation of the sensory and color quality of coffee beans stored in hermetic packaging. Journal of Stored Products Research 52: 1-6.

Castro, P.; Contreras, Y.; Laca, D.; Nakamatsu, K. 2004. Café de especialidad: alternativa para el sector cafetalero peruano. ESAN - Cuadernos de difusión 17: 61-84.

Feng, L.; Liu, Y.; Li, Z.; Zhang, M.; Wang, F.; Liu, S. 2019. Discriminative bit selection hashing in RGB-D based object recognition for robot vision. Assembly Automation 39: 17-25.

Fernández-Vásquez, R.; Stinco, C.M.; Meléndez-Martínez, A.J.; Heredia, F.J.; Vicario, I.M. 2011. Visual and instrumental evaluation of orange juice color: a consumers' preference study. Journal Sens. Stud. 26(6): 436-444.

Hailu, A. 2015. Identification and Classification of Foreign Materials (Non-Coffee Beans origin) present in Sample Coffee Beans by using Imaging Techniques. Tesis de maestría, Universidad de Haramaya, Oromia. Etiopia. 93 pp.

Herrera, J.C.; Medina, S.M.; Martinez, G.E.; Beleño, K.; Berrio, J.S. 2016. Clasificación de los frutos de café según su estado de maduración y detección de la broca mediante técnicas de procesamiento de imágenes. Prospect 14: 15-22.

Izmaylov, D.V.; Tolstoba, N.D.; Bodrov, K.Y. 2018. Computer vision system selection for control of rapid prototyping processes. Optical Instrument Science, Technology and Applications: 106950Q.

Ke-ling, T.; Lin-juan, L.; Li-ming, Y.; Jian-hua, W.; Qun, S. 2018. Selection for high quality pepper seeds by machine vision and classifiers. Journal of Integrative Agriculture 17: 1999-2006.

Kumar, A.; Ganjyal, G.M.; Jones, D.D.; Hanna, M.A. 2006. Digital image processing for measurement of residence time distribution in a laboratory extruder. Journal Food Engineering 75(2): 237-244.

Larrain, R.E.; Schaefer, D.M.; Reed, J.D. 2008. Use of digital images to estimate CIE color coordinates of beef. Food Research International 41(4): 380-385.

Martin, M.L.; Ji, W.; Luo, R.; Hutchings, J.; Heredia, F.J. 2007. Measuring colour appearance of red wines. Food Quality 18(6): 862 - 871.

Mendoza, F.; Dejmek, P.; Aguilera, J. M. 2006. Calibrated color measurements of agricultural foods using image analysis. Postharvest Biological Technology 41(3): 285-295.

Morais, E.; Samid, D.; Groenner, B.H.; Pereira, M.; Alvarenga, R. 2016. A computer vision system for coffee beans classification based on computational intelligence techniques. Journal of Food Engineering 171: 22-27.

Niño, Z.L.; Ortiz, F.A. 2007. Caracterización de café cereza empleando técnicas de visión artificial. Facultad Nacional de agronomía 60(2): 4105-4127.

Oblitas, J.; Castro, W. 2014. Computer Vision System for the Optimization of the Color Generated by the Coffee Roasting Process According to Time, Temperature and Mesh Size. Ingeniería y Universidad 18(2): 355-368.

Pajares, G.; García-Santillán, I.; Campos, Y.; Montalvo, M.; Guerrero, J. M.; Emmi, L.; Gonzales-Santos, P. 2016. Machine-Vision Systems Selection for Agricultural Vehicles: A Guide. Journal of Imaging 2: 34.

Pedreschi, F.; Mery, D.; Bunguer, A.; Yanez, V. 2011. Computer vision classification of potato chips by color. Journal Food Process Engineering 34: 1714-1728.

Saldaña, E.; Siche, R.; Huamán, R.; Luján, M.; Castro, W.; Quevedo, R. 2013. Computer vision system in real-time for color determination on flat surface food. Scientia Agropecuaria 4(1): 55-63.

Saldaña, E.; Siche, R.; Castro, W.; Huamán, R.; Quevedo, R. 2014. Measurement parameter of color on yacon (Smallanthus sonchifolius) slices using a computer vision system. LWT - Food Science and Technology 59(2, Part 2): 1220-1226.

Sanz-Uribe, J.R.; Ramos - Giraldo, P. J.; Oliveros - Tascon, C.E. 2008. Algorithm to identify maturation stages of coffee fruits. Advances in Electrical and Electronics Engineering - IAENG Special Edition of the World Congress on Engineering and Computer Science, San Francisco, 22-24 oct, 2008.

Sun, X.; Chen, K.; Berg, E.P.; Magolski, J.D. 2011. Predicting fresh beef color grade using machine vision imaging and support vector machine (SVM) analysis. Journal Animal Veterinary 10: 1504-1511.

Valous, N.A.; Mendoza, F.; Sun, D.-W.; Allen, P. 2009. Colour calibration of a laboratory computer vision system for quality evaluation of pre-sliced hams. Meat Science 81(1): 132-141.

Wu, D.; Sun, D.W. 2013. Colour measurements by computer vision for food quality control - a review. Food Sci. Technol 29: 5-20.

Yagiz, I.; Balaban, M.O.; Kristinsson, H.G.; Welt, B.A.; Marshall, M.R. 2009. Comparison of Minolta colorimeter and machine vision system in measuring colour of irradiated Atlantic salmon. Journal Sciencie Food Agricultural 89(4): 728-730.

Zapotoczny, P.; Majewska, K. 2010. A compa-rative analysis of colour measurements of the seed coat and endosperm of wheat kernels performed by various techniques. International Journal Food Properties 13(1): 75-89.

Zhang, F.; Li, W.; Zhang, Y.; Feng, Z. 2018. Data Driven Feature Selection for Machine Learning Algorithms in Computer Vision. IEEE Internet of Things Journal 5(6): 4262-4272.

Received February 19, 2019.

Accepted August 31, 2019.

Corresponding author: FrancoC_92_08@hotmail.com (A.F. Cerna-Cueva).

Descargas

Publicado

2019-10-07

Cómo citar

Rosas-Echevarría, C., Solís-Bonifacio, H., & Cerna-Cueva, A. (2019). Sistema eficiente y de bajo costo para la selección de granos de café: una aplicación de la visión artificial. Scientia Agropecuaria, 10(3), 347-351. https://doi.org/10.17268/sci.agropecu.2019.03.04

Número

Sección

Artículos originales