Identificación de las etapas de maduración de la piña perolera emplenado técnicas de visión artificial

Abstract

Los sistemas de visión artificial para la evaluación de calidad de los alimentos han tenido gran aceptación en la industria alimenticia, ya que han aumentado la demanda de objetividad, coherencia y eficiencia en la evaluación de la calidad de los alimentos. Por lo tanto se desarrolló un algoritmo para la identificación de los estados de maduración de la piña Perolera en post-cosecha. Para adquirir las imágenes fue necesario construir una recamara con condiciones de luz homogéneas y un color de fondo uniforme. Se utilizó una cámara CCD para capturar la imagen de la piña. El modelo de color HSV fue utilizado en el procesamiento de las imágenes, ya que emula la forma como los inspectores entrenados perciben el color de los frutos. El histograma de la componente de matiz tiene una distribución bimodal, que corresponde a la fruta y al fondo. La máxima varianza del nivel de gris de la componente matiz, entre la fruta y el fondo determina el umbral óptimo. Una vez la imagen fue segmentada satisfactoriamente, se extrajo el área de interés. Luego, se calculó la media de los histogramas de las componentes matiz y saturación. Por último, mediante técnicas de clasificación estadística de aprendizaje no supervisado, se agruparon los datos utilizando un algoritmo MBSAS y se clasificaron las muestras mediante un clasificador de mínima distancia. En total se utilizaron 319 muestras, 110 para entrenar y 209 para evaluar. Los resultados mostraron que el algoritmo tiene una eficiencia del 96,36%.

The artificial vision systems for food quality evaluation are being used in the food industry because it has increased demands for objectivity, consistency and efficiency in food quality evaluation. Therefore was developed an algorithm for the identification of the maturity stages of Perolera pineapple on post harvest. To acquire the images was necessary make a chamber with homogeneous light conditions and a uniform background color. Was used a camera CCD to capture pineapple image. The HSV color model was used in the image processing because it emulates how the trained inspectors perceive color on the fruits. The intensity histogram of the Hue component in the image had a bimodal distribution for the fruit portion and the background portion. The maximum grey level variance of the Hue component between the fruit and the background determined the optimal threshold. Once the image was segmented successfully, the interest area was extracted. Then, mean of the histograms of the hue and saturation component was calculated. Finally, using statistical classification techniques of unsupervised learning, the data were clustered using a MBSAS algorithm and the samples were classified using a minimum distance classifier. In total were used 319 samples, 110 for learning and 209 for evaluating. The results showed that the algorithm has efficiency 96,36%.