Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clasificacion de Defectos Fisicos de Granos de Cafe Verde
Clasificacion de Defectos Fisicos de Granos de Cafe Verde
I.
I NTRODUCCI ON
c
978-1-4799-6130-6/14/$31.00
2014
IEEE
Azul-Verde
Azulador-Verde
Verde
Verdoso
Verde-Amarillento
Amarillo-Palido
Amarillento
Cafe
Figura 1. Escala de coloracion del cafe verde, los cafes sin tostar presentan una coloracion que va desde el color azul-verdoso hasta el amarillo palido
dependiendo del origen, proceso o tiempo de almacenamiento.
Cuadro I.
Defectos
Categora 1
6
Defectos
Totales
Equivalentes
Defectos
Categora 2
Defectos
Totales
Equivalentes
Grano Negro
Grano Agrio/Vinagre
Cereza Seca
Dano por Hongos
Materia Extrana
Grano Brocado Severo
1
1
1
1
1
5
Negro Parcial
Agrio Parcial
Pergamino
Flotador
Inmaduro
Averanado o Arrugado
Conchas
Partido/Molido/Cortado
Cascara o Pulpa Seca
Grano Brocado Leve
3
3
5
5
5
5
5
5
5
10
Cuadro II.
Nro
1
2
3
4
5
6
7
8
9
10
11
12
13
Alias
Total
Brocado Leve
Brocado Severo
Cereza Seca
Concha
Danho por Hongo
Flotador
Inmaduro
Marron,Agrio,Vinagre
Negro
Normal
Negro Parcial
Pergamino
Partido,Mordido,Cortado
BrocadoL
BrocadoS
CerSeca
Concha
DxHongo
Flotador
Inmaduro
MAVinagre
Negro
Normal
NParcial
Pergamino
PMCortado
TOTAL :
414
313
324
196
355
244
235
192
144
607
139
128
76
3367
La presencia de iluminacion controlada elimina sombras en los granos, sin embargo tambien influye en los
colores de los granos originando brillo.
DE DEFECTOS
M ODELO DE CLASIFICACI ON
Nombre/Clase
Cuadro III.
Espacio
Bordes
Caractersticas
salientes
Figura 3.
Caractersticas
Estadsticas
Caractersticas
de Alto Nivel
Figura 5.
C. Extraccion de caractersticas
Esta es una etapa importante para nuestro modelo de clasificacion de defectos, consiste en la representacion numerica de
un objeto en una escena de imagen a un numero entero o real,
en el Cuadro III se puede apreciar una taxonoma acerca del
espacio de caractersticas extradas en imagenes segun [14].
En este trabajo abordamos la extraccion de caractersticas
utilizando un matriz de co-ocurrencia de niveles de gris y
colores (CGLCM) [15].
1) Matriz de co-ocurrencia de niveles de gris: La matriz de
co-ocurrencia de niveles de gris o mas conocido como GLCM
Atributos
Estructura intrnseca menos sensible a ruidos. Incluyen contornos y
superficies.
Estructura
intrnseca
posicionamiento
preciso.
Incluyen
interseccion de lineas, esquinas,
puntos de alta curvatura.
Usa toda la informacion presente
en la imagen, buenos resultados
para transformaciones rgidas, soporte a sobre-posiciones. Incluyen
momentos invariantes, ejes principales, tecnicas como descomposicion singular del valor y centroides.
Utilizan relaciones y informaciones de alto nivel, buenos resultados para emparejamiento local y
impreciso. Incluyen caractersticas
estructurales y sinteticas y redes
semanticas. Pueden crear tecnicas
de firma para indexar imagenes
Promedio:
VII
135
90
45
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
bc
b
bc
j =
CON =
i,j=0
II
i,j=0
III
N
1
X
Pi,j 2
i,j=0
Energia =
ASM
VII
VI
j2 =
N
1
X
Pi,j ( ln Pi,j )
i,j=0
N
1
X
i,j=0
Pi,j (j j )
Desviacion Estandar
i , j
Correlacion:
IX
corr =
N
1
X
i,j=0
i,j=0
Pi,j |i j|
N
1
X
IV
jPi,j
VIII
Pi,j (i j)2
N
1
X
N
1
X
i,j=0
iPi,j
i,j=0
N
1
X
i =
Pi,j
(i i )(j j )
q
(i2 )(j2 )
En
total
se
consideran
9
relaciones
(RR, RG, RB, GR, GG, GB, BR, BG, BB),
por
cada relacion se crea una matriz de co-ocurrencia.
i-1, j-1
i-1, j
i-1, j+1
i-1, j-1
i-1, j
i-1, j+1
i, j-1
i, j
i, j+1
i, j-1
i, j
i, j+1
i+1, j-1
i+1, j
i+1, j+1
i+1, j-1
i+1, j
i+1, j+1
Figura 8.
i = 1, ..., l, yi {1, 1} y xi Rd
Entonces existe un hiperplano, como el de la Figura 8 que
separa los datos de etiquetas positivas y negativas, tales que:
xi + b 1 i
xi + b 1 i
para yi = 1;
para yi = 1 i i
Figura 9.
P RUEBAS Y RESULTADOS
En esta Seccion detallamos el conjunto de imagenes utilizado para la realizacion de pruebas del modelo de clasificacion,
luego utilizamos el extractor de caractersticas CGLCM y lue-
Cuadro IV.
Clase
Cuadro V.
BRL BRS CER CON HON FLO INM MAV NEP NEG NOR PMC PER
BrocadoL
310
12
20
BrocadoS
18
CerSeca
Concha
DxHongo
57
237
292
12
17
13
33
27
78
352
31
Flotador
144
79
Inmaduro
33
14
151
26
MAVinagre
153
NParcial
24
90
Negro
11
124
Normal
44
18
26
12
496
PMCortado
23
20
Pergamino
126
Clase
BRL
BRS
CER
CON
HON
FLO
INM
MAV
NEP
NEG
NOR
PER
BrocadoL
BrocadoS
108
114
CerSeca
113
Concha
106
DxHongo
120
Flotador
10
104
Inmaduro
12
93
MAVinagre
10
103
NParcial
116
Negro
123
Normal
17
10
85
Pergamino
126
A. Base de imagenes
Utilizamos SVM como metodo de clasificacion, utilizando un kernel RBF con C = 10, = 0.4 y
= 0.00001, el resultado de estos parametros es
producto de varias configuraciones.
Recall
Precision
F-measure
BrocadoL
74.88
68.58
71.59
BrocadoS
76.01
64.40
69.73
CerSeca
90.12
89.02
89.57
Concha
39.80
29.93
34.16
DxHongo
99.50
96.97
98.22
Flotador
59.31
76.19
66.70
Inmaduro
64.59
75.88
69.78
MAVinagre
80.19
81.38
80.78
NParcial
64.75
72.58
68.44
Negro
86.11
87.94
87.02
Normal
81.88
68.89
74.82
PMCortado
26.74
57.14
36.43
Pergamino
98.44
99.21
98.82
La clase Pergamino tiene un color amarillento caracterstico y una textura bien diferenciada, y la clase
DxHongo tambien presenta en conjunto un color y
textura muy diferente de las otras clases.
Problema de clases no balanceadas, es decir algunas
clases tienen muchos ejemplares, como es el caso de
la clase Normal (607 imagenes) mientras que otras
clases tienen muy pocas, caso de la clase PMCortado
(76 imagenes). Esto puede conllevar a que el clasificador tenga preferencia por la clase que tenga mas
ejemplares y no tome en cuenta sus caractersticas.
Este problema esta bien documentado en la literatura,
para mayor entendimiento y posibles soluciones ver
[27], [28], [29].
En terminos de textura y color la clase PMCortado
es muy parecida a la clase BrocadoS, por ese motivo
existe poca discriminacion entre ambas (ver tabla IV).
Eso tambien explica porque medida Recall de la clase
PMCortado es notoriamente menor que su Precision.
La clase Concha se confunde con varias clases, debido
a que en la base de datos estos ejemplares son muy
parecidos a la clase Normal en terminos de textura
y color, sin embargo ademas algunos de ellos tienen
otros defectos. Un enfoque que podra clasificar de
mejor manera este tipo de defecto sera utilizando
caractersticas de forma.
En conclusion las clases PMCortado y Concha pueden
ser mejor diferenciados por su forma que por la textura
y color.
Clase
Precision
Recall
F-measure
BrocadoL
73.47
85.71
79.12
BrocadoS
86.36
90.48
88.37
CerSeca
92.62
89.68
91.13
Concha
78.52
84.13
81.23
DxHongo
94.49
95.24
94.86
Flotador
86.67
82.54
84.55
Inmaduro
72.09
73.81
72.94
MAVinagre
83.74
81.75
82.73
NParcial
99.15
92.06
95.47
Negro
96.85
97.62
97.23
Normal
80.19
67.46
73.28
Pergamino
99.21
100.00
99.60
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
[27]
[28]
[29]