Sistema eficiente y de bajo costo para la selección de granos de café: una aplicación de la visión artificial
DOI:
https://doi.org/10.17268/sci.agropecu.2019.03.04Keywords:
granos de café, visión computacional, selección de granos, bajo costo.Abstract
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.
Author Biographies
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
References
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).
Published
How to Cite
Issue
Section
License
The authors who publish in this journal accept the following conditions:
a. The authors retain the copyright and assign to the magazine the right of the first publication, with the work registered with the Creative Commons attribution license, which allows third parties to use the published information whenever they mention the authorship of the work and the First publication in this journal.
b. Authors may make other independent and additional contractual arrangements for non-exclusive distribution of the version of the article published in this journal (eg, include it in an institutional repository or publish it in a book) as long as it clearly indicates that the work Was first published in this journal.
c. Authors are encouraged to publish their work on the Internet (for example, on institutional or personal pages) before and during the review and publication process, as it can lead to productive exchanges and a greater and faster dissemination of work Published (see The Effect of Open Access).
