Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Verde Arbica
Juan Ramrez Ticona1
1
Resumen: Debido a la alta demanda del mercado internacional por productos de calidad y al aumento de la exportacin del
grano de caf verde arbica en el Per, es necesario un reconocimiento de defectos de granos de caf verde arbica rpido y
preciso. Actualmente el reconocimiento de defectos de granos de caf verde arbica es uno de los cuellos de botella
encontrados en la cadena productiva del sector del caf y adems propenso a errores, debido a que actualmente es realizado
de forma manual y subjetiva. Buscando una solucin al problema, se presenta un modelo de reconocimiento automtico de
doce diferentes defectos de granos de caf verde arbica basado principalmente en la utilizacin del algoritmo de mejora de
imagen White Patch. Los resultados de clasificacin de defectos de granos de caf verde arbica muestran una precisin
media del 99.706%.
Palabras Clave: White Patch; Caf Verde Arbica; Visin Artificial.
Abstract: Due to the high international market demand for quality products and increased exports of arabica green coffee
beans in Peru, a recognition of defects in arabica green coffee beans it needs fast and accurate. Currently, recognition of
defects arabica green coffee beans is one of the bottlenecks found in the productive chain of the coffee sector and also
prone to error because it is currently done manually and subjective. Seeking a solution to the problem, a model of automatic
recognition of twelve different defects arabica green coffee beans mainly based on the use of image enhancement algorithm
White Patch is presented. The results of classification of defects arabica green coffee beans show an average 99.706%
accuracy.
Keywords: White Patch; Arabica Green Coffee; Artificial Vision.
1. INTRODUCCIN
Los granos de caf verde son los granos de caf antes de ser
tostados [1], es decir el grano de caf extrado de la planta,
llamada cereza, despus de la cosecha, existe una variedad de
especies de granos de caf verde pero las dos ms producidas
y exportadas mundialmente son robusta y arbica [2][3],
siendo la ltima la ms producida y exportada en la
actualidad. Actualmente en el Per el proceso de
reconocimiento de defectos de granos de caf verde arbica es
realizado por especialistas Q-graders [1], los cuales utilizan el
Arabica Green Coffee Defect Handbook [4] para reconocer
los defectos, dado que en este manual estn los diecisis
defectos a reconocer, cada uno de estos es mostrado en la
Figura 1, otros defectos encontrados no son tomados en
cuenta. Lamentablemente ese proceso es lento y propenso a
errores debido a que es realizado de forma manual y basado
en la experiencia lo cual genera cuellos de botella en el ciclo
de vida del producto y una disminucin en la calidad del
producto a exportar.
En la literatura hay trabajos que han tratado este problema y
problemas similares utilizando visin artificial, la cual es una
tecnologa prometedora para la identificacin rpida y
automatizada de granos y debido a los recientes avances en la
potencia de clculo y la memoria de las computadoras
personales, la visin artificial se puede emplear para el
reconocimiento de defectos de granos. Varios investigadores
han aplicado anlisis digital de imgenes y reconocimiento de
patrones para la identificacin de granos. Carter et al. en [5]
clasifican granos de arroz en tres tipos utilizando un prototipo
de captura de imgenes de muestras de granos que no se
tocan, thresholding para separar el fondo de los granos,
f i ( x , y )=G( x , y ) Ri (x , y) I i
Asumiendo que
obtiene (2).
(1)
G ( x , y )=1 y Ri ( x , y )=1 , se
f i ( x , y )=I i
(2)
I i =max {f i (x , y )}
max
(3)
Ei (x , y )=
f i( x , y)
Ii
(4)
max
Cdigo
Cantidad
GBL
70
GBS
135
Cereza seca
CS
199
Conchas
80
DPH
194
Flotador
118
Inmaduro
261
Grano agrio
GA
95
Grano negro
GN
198
Negro parcial
NP
187
Pergamino
224
PMC
180
Normal
97
2.4 Segmentacin
Debido a que es necesario separar los granos de caf verde
arbica del fondo para el reconocimiento de defectos en una
muestra de granos de caf verde arbica, fue necesario
2.6 Clasificacin
Debido a que es necesario reconocer los defectos de granos de
caf verde arbica de forma automtica se utiliz el
clasificador de margen mximo Support Vector Machine
(SVM) dado que trata de separar las diferentes clases
mediante la bsqueda directa de los lmites adecuados entre
ellos. Para este propsito, construye hiperplanos para separar
el espacio de caractersticas entre las clases. En este trabajo,
para la clasificacin de las muestras de granos de caf verde
arbica, el SVM se construy utilizando el conjunto de
entrenamiento que contiene trece clases. Aunque SVM se
desarroll para problemas de clasificacin binaria, su
aplicacin puede ser mejorada para los problemas multiclase
que estn directamente relacionados con el estudio que aqu
3. RESULTADOS Y DISCUSIN
3.1 Matriz de Confusin del Modelo de
Reconocimiento de Defectos de Granos de
Caf Verde Arbica
Como el mejor mtodo para evaluar los modelos predictivos
multiclase, la matriz de confusin es usada para evaluar el
funcionamiento del clasificador de defectos de granos de caf
verde arbica. Las principales ventajas de la matriz de
confusin es que puede explicar las relaciones entre diferentes
clases, y muestra cmo los errores se distribuyen entre las
clases. La matriz de confusin se calcul de acuerdo a los
resultados experimentales sobre el conjunto de validacin.
Cada columna de la matriz de confusin incluye las muestras
Tabla IIII: Matriz de Confusin del Modelo de Reconocimiento de Defectos de Granos de Caf Verde Arbica
GBL
GBS
CS
DH
GA
GN
NP
PMC
GBL
35
GBS
67
CS
100
40
DH
97
59
130
GA
48
GN
98
NP
93
110
PMC
90
49
presicin=
VP
VP+ FP
call=
(5)
VP
VP+ FN
(6)
Clase
Precisin
Re-call
GBL
100%
100%
GBS
100%
100%
CS
100%
100%
100%
100%
DPH
100%
98.98%
100%
100%
100%
99.237%
GA
100%
100%
GN
98.99%
100%
NP
100%
98.936%
98.214%
100%
PMC
100%
100%
100%
100%
Algoritmo de
Mejoramiento de
Imagen
Tiempo de Ejecucin
del Algoritmo de
Mejora de imagen
por Muestra (ms)
Precisin (%)
Sin Mejora
71.246
Usando WP
0.6
99.706
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
AGRADECIMIENTOS
Se agradece a la Ctedra Concytect en Tecnologas de la
Informacin por haber facilitado los diferentes defectos de
granos de caf verde arbica.
REFERENCIAS
[17]
[18]
Analysis, Journal of the Brazilian Chemical Society, vol. 26, no. 1, pp.
102-109, January 2015.
[19] E. Land and J. McCann, Lightness and retinex theory, Journal of the
Optical Society of America, vol. 61, no. 1, pp. 1-11, January 971.
[20] A. Gijsenij and T. Gevers, Color Constancy Using Natural Image
Statistics and Scene Semantics, Pattern Analysis and Machine
Intelligence, IEEE Transactions on, vol. 33, no. 4, pp. 687-698, April
2011.
[21] S. Zeki, A Vision of the Brain, 1st edition, Wiley-Blackwell, January
1993.