Reconocimiento Automtico de Defectos de Granos de Caf

Verde Arbica
Juan Ramrez Ticona1
1

CITEC, UNSA, Arequipa, Per

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,

caractersticas de tamao seleccionadas con principal

component analysis y un clasificador fuzzy logic.
Khatchatourian y Padilha en [6] realizan el reconocimiento de
ocho variedades de semillas de soja utilizando un prototipo de
captura de imgenes de muestras de semillas que no se tocan,
un filtro de anti-aliasing para mejorar las imgenes, el
mtodo de Prewitt para la deteccin de contornos, dilatacin
para eliminar contornos no deseados, eliminacin de ruido,
caractersticas morfolgicas y redes neuronales artificiales
para la clasificacin.

Figura 1: Los Diecisis Defectos Propuestos en el Arabica Green

Coffee Defect Handbook

Choudhary et al. en [7] clasifican granos de trigo, cebada,

avena y centeno utilizando un prototipo de captura de
imgenes de muestras de granos que no se tocan, thresholding
para separar el fondo de los granos, erosin, dilatacin,

caractersticas morfolgicas, de color, textura, wavelet y un

clasificador linear discriminant. Carrillo y Pealoza en [8]
realizan el trabajo pionero en el reconocimiento de defectos
de granos de caf verde al reconocer seis defectos utilizando
Flood of growth para separar el fondo de los granos,
caractersticas de forma, tamao, color y clasificadores
basados en la distancia de Mahalanobis. Chen et al. en [9]
identifican granos de maz chino de cinco variedades
utilizando para la captura de imgenes de muestras de granos
que no se tocan un scanner, caractersticas geomtricas, de
color, forma seleccionadas a travs de Stepwise discriminant
analysis y un clasificador de dos etapas, donde la primera
etapa es un clasificador que utiliza la distancia de
Mahalanobis y la segunda etapa es un clasificador Back
propagation neural network. Faridah et al. en [10] clasifican
muestras de granos de caf verde robusta como un todo en
lugar de la clasificacin de los granos componentes de forma
individual en siete clases utilizando un prototipo de captura de
imgenes, eliminacin de ruido y reduccin de distorsin
ptica, caractersticas de textura, color y una red neuronal
artificial. Arefi et al. en [11] identifican cuatro variedades de
granos de trigo iran utilizando un prototipo de captura de
imgenes de muestras de granos que no se tocan, funciones de
Matlab para separar los granos del fondo, caractersticas de
color, morfolgicas y una red neuronal artificial. Delwiche et
al. en [12] evalan dos tipos de daos en granos de trigo
estadounidense utilizando un prototipo de captura de
imgenes de granos individuales, en donde de cada grano
capturan tres imgenes desde distintos ngulos, caractersticas
morfolgicas, de textura seleccionadas utilizando forward
stepwise search y un clasificador k-nearest neighbor.
Valiente-Gonzlez et al. en [13] clasifican los granos de maz
en aceptado o rechazado utilizando un prototipo de captura de
imgenes de granos individuales y un enfoque llamado
novelty detection basado en principal component analysis.
Oyama en [14] clasifica granos de caf verde en veintin
clases utilizando un prototipo de captura de imgenes de
muestras de granos, una funcin de segmentacin de granos,
atributos seleccionados de morfologa, color y textura
utilizando chi-cuadrado, ganancia de informacin, principal
component analysis y un clasificador conocido como
multilayer perceptron. Montes Condori et al. en [15]
clasifican once defectos fsicos de granos de caf verde
arbica utilizando un prototipo de captura de imgenes de
muestras de granos, el mtodo de Otsu para separar el fondo
de los granos, caractersticas de textura basadas en la matriz
de co-ocurrencia para imgenes RGB y un clasificador
conocido como support vector machine, lamentablemente
tuvieron problemas en la separacin del fondo de los granos
debido a la poca diferencia entre el fondo y los granos de caf
verde. Guzman Apaza et al. en [16] realizan el
reconocimiento de doce defectos de granos de caf verde
arbica a travs de la utilizacin de un prototipo de captura de
imgenes de muestras de granos, un algoritmo de correccin
de color conocido como multiscale retinex with color
restoration, el mtodo de Otsu para separar el fondo de los
granos, caractersticas de textura basadas en la matriz de coocurrencia para imgenes RGB y support vector machine,
igualmente que el anterior trabajo presenta problemas en la
segmentacin por la misma razn, por lo que el algoritmo de
correccin de color que utilizan lo aplicaron a cada grano
individualmente y no a la totalidad de la muestra. Kurtulmu
y nal en [17] discriminan siete variedades de colza
utilizando para la captura de imgenes de muestras de granos

un scanner, caractersticas de textura seleccionadas utilizando

el proceso de Gram-Schmidt, recursive feature elimination y
un clasificador support vector machine con parmetros
seleccionados a travs de grid-search y K-fold cross
validation. Vilar et al. en [18] clasifican semillas de ricino con
respecto al tipo de cultivo en dos grupos utilizando un
prototipo de captura de imgenes de semillas individuales,
caractersticas de color y un mtodo llamado partial least
squares-discriminant analysis.
En este trabajo debido a que ninguno de los modelos
anteriormente expuestos realiza una correccin de color en las
imgenes completas se propone un modelo
de
reconocimiento de defectos de granos de caf verde arbica
mediante el uso de tcnicas de mejora de imagen utilizando
correccin de color en la totalidad de la muestra,
segmentacin del fondo de los granos de caf verde,
extraccin de caractersticas de cada grano y clasificacin. En
la Seccin 2 se presentan los materiales y mtodos necesarios
para realizar el reconocimiento de defectos de granos de caf
verde arbica. En la Seccin 3 se muestran los resultados y las
observaciones realizadas de los resultados obtenidos. En la
Seccin 4 se muestran las conclusiones y trabajos futuros a
realizarse.
2. MATERIALES Y MTODOS
2.1 Muestras de Granos de Caf Verde Arbica
En este trabajo se reconocen doce diferentes clases de
defectos de granos de caf verde arbica de los diecisis,
nombrados, grano brocado leve, grano brocado severo, cereza
seca, conchas, dao por hongos, flotador, inmaduro, grano
agrio, grano negro, negro parcial, pergamino, partidos o
mordido o cortado son usados en este estudio, cada uno de
ellos incluyendo el grano de caf verde sin defecto que es
llamado de clase normal es mostrado en la Figura 2.

Figura 1: Las Diferentes Clases de

Defectos de Granos de Caf Verde Arbica
( (a)grano brocado leve, (b)grano brocado
severo, (c)cereza seca, (d)conchas, (e)dao
por
hongos,
(f)flotador,
(g)inmaduro,
(h)grano agrio, (i)grano negro, (j)negro
parcial, (k)pergamino, (l)partidos o mordido
o cortado) y la Clase de Grano sin Defectos
( (m) normal)
Se cont con una cantidad de granos de 2038 en donde 1941
eran granos con defectos y los 97 restantes eran granos
normales. La distribucin de los granos con defectos y
normales se pueden ver en la Tabla I.

2.2 Adquisicin de Imgenes

Para la adquisicin de imgenes de muestras de granos de
caf verde arbica se utiliz todos los granos de caf, una
cmara de celular con una resolucin de 4160 x 2340 pixeles
en un ambiente cerrado con iluminacin controlada
proveniente de un foco fluorescente ubicado verticalmente a
una distancia fija de la escena, la cual es un conjunto de
granos de caf que no se tocan dispuestos sobre una superficie
de color azul, un ejemplo de una muestra es mostrada en la
Figura 3.
2.3 Mejora de Imagen
Para la mejora de las imgenes adquiridas se utiliz el
algoritmo de White Patch (WP), el cual es la forma ms
simple del algoritmo propuesto en [19]. El algoritmo de WP
permite corregir el color de la imagen a travs de la
simulacin de la habilidad de constancia de color [20], la cual
no es ms que la habilidad de un sistema para reconocer los
colores verdaderos de objetos, independientemente de la
iluminacin presente en la escena, un ejemplo de sistema que
posee esa habilidad es la visin humana [21], un ejemplo del
uso de esta habilidad es mostrada en la Figura 4. El algoritmo
de WP ha sido ampliamente utilizado en las tareas de
constancia de color debido a su simplicidad y rendimiento
aceptable [22]. El algoritmo de WP considera los valores ms
altos de intensidad en cada canal de color como la
representacin del blanco para la imagen. Se asume que
f i (x , y) es la intensidad de un pixel en una imagen,
G( x , y ) es un trmino de geometra, Ri (x , y ) es
I i es la intensidad de la iluminacin
la reflectancia,
actual, e i es uno de los canales de color de la imagen. En
(1) se ve la forma de obtener la intensidad de un pixel en un
canal i de una imagen.

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)

Uno de los objetivos del algoritmo de WP es buscar la

mxima intensidad en cada canal, como se indica en (3).

I i =max {f i (x , y )}
max

(3)

Finalmente, todas las intensidades de los pixeles son

escaladas de acuerdo a (4).

Ei (x , y )=

f i( x , y)
Ii

(4)

max

Un ejemplo de la aplicacin del algoritmo de WP en una

muestra de granos de caf verde arbica es mostrado en la
Figura 5.

Figura 3: Muestra de Granos de Caf Verde Arbica

Figura 4: Ejemplo de la habilidad de Constancia de Color

Figura 5: Muestra al Aplicar el Algoritmo de WP

Tabla I: Distribucin de Granos de Caf verde Arbica por Clase
Clase

Cdigo

Cantidad

Grano brocado leve

GBL

70

Grano brocado severo

GBS

135

Cereza seca

CS

199

Conchas

80

Dao por hongos

DPH

194

Flotador

118

Inmaduro

261

Grano agrio

GA

95

Grano negro

GN

198

Negro parcial

NP

187

Pergamino

224

Partidos o mordido o cortado

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

segmentar. Luego de adquirir y mejorar las imgenes, a cada

imagen se le extrajo su canal B, debido a que los granos de
caf tienen poco o nada de tonalidad azul lo que facilita
diferenciar el fondo de los granos de caf como se ve en la
Figura 6, luego se aplic el mtodo de Otsu [23] al canal B
obteniendo una imagen binarizada como se ve en la Figura 7,
despus se realiz la operacin de complemento sobre la
imagen binarizada, debido al que el mtodo de Otsu consider
objeto al fondo y fondo a los granos, mostrando un ejemplo
de complemento en la Figura 8, luego se erosiono el
complemento con el fin de eliminar posible ruido, despus se
obtuvo los contornos de cada grano de caf aplicando un
algoritmo de seguimiento de contornos [24] al complemento,
mostrando un ejemplo en la Figura 9, y finalmente se aplic
Minimum bounding box utilizando los contornos obtenidos
para obtener las regiones de inters, las cuales son reas
rectangulares que contienen un grano de caf
respectivamente, un ejemplo es mostrado en la Figura 10.

Figura 9: Bordes Obtenidos Utilizando el

Algoritmo de Seguimiento de Bordes

Figura 10: Regiones de Inters de una Muestra

Figura 6: Canal B de una Imagen de

Muestra Mejorada

2.5 Extraccin de Caractersticas

Debido a que los defectos a reconocer en este trabajo se
diferencian mayormente por el color se procedi a extraer
caractersticas de cada grano de caf utilizando un histograma
de 256 frecuencias por cada canal del espacio de color RGB,
luego se concateno estos histogramas. Para representar cada
grano de caf como un vector de caractersticas se utiliz 256
caractersticas del histograma del canal R, 256 caractersticas
del histograma del canal B y 256 caractersticas del
histograma del canal B. De esta forma cada grano de caf
256 x 3=768
verde arbica fue representado por
caractersticas. En la Figura 11 se muestra un ejemplo de las
caractersticas extradas de un grano de caf verde arbica.

Figura 7: Imagen Binarizada obtenida al

Aplicar el Mtodo de Otsu al Canal B de una
Muestra
Figura 11: Caractersticas Extradas de Un Grano de Caf
Verde Arbica

Figura 8: Complemento de una Imagen

Binarizada

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

se presenta. Para la discriminacin de doce diferentes defectos

de granos de caf verde arbica se utiliz el enfoque oneagainst-one para convertir la clasificacin binaria en un
aprendizaje multiclase [25]. Para encontrar un clasificador
eficaz para el reconocimiento de defectos de granos de caf
verde arbica, los parmetros del SVM son un kernel lineal y
parmetro de regularizacin C=1 . Para el proceso de
entrenamiento se utiliz el 50% de los granos totales,
escogiendo de cada defecto y de cada grano sin defecto la
mitad, el otro 50% para el proceso de prueba.

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

en una clase predicha, mientras que cada fila incluye las

muestras en una clase real. Una celda de la matriz de
confusin

puede ser uno de los verdaderos positivos (VP), o uno de los

verdaderos negativos (VN), o uno de los falsos positivos (FP)
o uno de los falsos negativos (FN). Todas las predicciones
correctas estn situadas en la diagonal de la matriz de
confusin. Los parmetros de rendimiento del clasificador,
tales como la precisin y re-call se calculan sobre la base de
la matriz de confusin. La frmula de la precisin es
mostrada en la Ecuacin 5 y la formula de re-call es mostrada
en la Ecuacin 6.

presicin=

VP
VP+ FP

call=

(5)

VP
VP+ FN

(6)

Como se puede apreciar en la Tabla III se ve que casi la

totalidad de las clases de defectos y clase normal fueron
clasificadas de forma correcta por el SVM multi-clase,

obtenindose solamente tres errores en la clasificacin de los

granos de caf verde arbica. Dentro de los 99 granos que
presentan el defecto grano negro, 98 de estos granos son
clasificados correctamente, y 1 grano fue incorrectamente
clasificado como defecto inmaduro. La precisin del
clasificador SVM para discriminar el defecto grano negro fue
del 98.99%. El segundo y tercer fallo en la clasificacin fue
en el tipo de defecto pergamino. La precisin obtenida en la
discriminacin del defecto pergamino fue del 98.214% de los
112 granos de caf verde que presentaban el defecto. El
clasificador SVM obtuvo una precisin del 100% en la
discriminacin de los dems defectos restantes y de la clase
normal. La precisin media obtenido por el clasificador SVM
fue del 99.706%. Finalmente en la Tabla IV es mostrada la
precisin y el re-call obtenido por el clasificador para cada
clase de defecto de grano de caf verde arbica. Los
resultados de precisin y re-call obtenidos, demuestran que la
mejora de imagen, las caractersticas extradas y el
clasificador tuvieron xito en sus tareas.
Tabla IV: Precisin y Re-call Obtenidos para cada Clase

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%

3.2 Comparacin entre el Modelo sin Mejora

con el Modelo con Mejora de Imagen
En la Tabla V se puede apreciar una comparacin entre el
modelo sin mejora con el modelo con mejora de imagen el
cual utiliza el algoritmo de WP. Como se puede ver el tiempo
de ejecucin del algoritmo WP no es mucho en una imagen de
muestra de granos de caf verde arbica de dimensiones 4160
x 2340, sin embargo la ventaja que da al modelo que utiliza
WP en cuanto a precisin es muy alta de un 28.46% superior
al modelo sin mejora, lo cual es un gran avance en lo que
respecta a reconocimiento de defectos de granos de caf verde
arbica.
Tabla V: Comparacin entre el Modelo sin Mejora contra el Modelo
usando WP

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]

4. CONCLUSIONES Y TRABAJOS FUTUROS

Un modelo de reconocimiento automtico de doce tipos de
defectos de granos de caf verde arbica basado en
procesamiento de imgenes, visin computacional y
aprendizaje automtico fue propuesto. Los experimentos se
han realizado utilizando 2038 granos de caf verde arbica
que se clasificaron previamente por expertos Q-graders. Las
imgenes capturadas solo contenan una de las caras de los
granos de caf verde arbica utilizados. Correccin de color
utilizando el algoritmo de WP es aplicado para mejorar las
imgenes de muestras de granos de caf verde arbica para
facilitar el reconocimiento de defectos, dado que permite
simular que la imagen fue tomada en condiciones de
iluminacin controladas. Los resultados obtenidos en este
trabajo muestran que el modelo puede ser utilizado en
aplicaciones reales para el reconocimiento de defectos de
granos de caf verde arbica debido a que se obtuvo una
precisin media del 99.706%.
Hay ms cantidad de defectos a reconocer en granos de caf
verde arbica. En este estudio, doce tipos de defectos de los
diecisis reconocidos en el Arabica Green Coffee Defect
Handbook fueron utilizados. Para ayudar a la industria del
caf y mejorar la investigacin, un modelo de reconocimiento
de defectos de granos de caf verde arbica ms completo
debe ser desarrollado para incluir una gama ms amplia de
defectos de granos de caf verde arbica. Adems el modelo
propuesto puede ser mejorado a travs de la incorporacin de
un procedimiento que permita agregar nuevos tipos de
defectos al modelo y entrenarlo. De esta manera, la cantidad
de defectos a detectar en los granos de caf verde arbica
puede ser fcilmente ampliada. Debido a la fcil posibilidad
de aplicacin, el modelo propuesto tiene un potencial para ser
aplicado en diferentes variedades de granos. Como trabajo
futuro se propone realizar la adquisicin de imgenes de
ambas caras de los granos de caf verde arbica para tener
mayor informacin. Este factor ser crucial para obtener
mejores resultados, al disminuir el nmero de falsos
negativos.
Aunque, el nmero de granos de caf verde arbica
considerado en este estudio es relativamente pequeo, un
anlisis de la capacidad de discriminacin del modelo
propuesto se ha realizado y, un mejor rendimiento se podra
esperar para una mayor cantidad de granos de caf verde
arbica.

[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]

Coffee Terms & Definitions From the Specialty Coffee Association of

America, http://www.scaaevent.org/PDF/Press%20Kit/2015/SCAAMedia-Kit_2015-Coffee-Terms-and-Definitions.pdf.
Total production by all exporting countries, http://www.ico.org
/prices/po-production.pdf.
Monthly export statistics, http://www.ico.org/prices/m1-exports.pdf.
Specialty Coffee Association of America, Arabica Green Coffee Defect
Handbook, Abril 2004.
R. Carter, Y. Van and K. Tomlins, Digital Imaging Based
Classification and Authentication of Granular Food Products,
Measurement Science and Technology, vol. 17, no. 2, pp. 235-240,
December 2005.
O. Khatchatourian and F. Padilha, Reconhecimento de Variedades de
Soja por meio do Processamento de Imagens Digitais Usando Redes
Neurais Artificiais, vol. 28, no. 4, pp. 759-769, December 2008.
R. Choudhary, J. Paliwal and D. Jayas, Classification of Cereal Grains
Using Wavelet, Morphological, Colour, and Textural Features of NonTouching Kernel Images, Biosystems Engineering, vol. 99, no. 3, pp.
330-337, March 2008
E. Carrillo and A. Pealoza, Artificial Vision to Assure Coffee-Excelso
Beans Quality, in proceedings of the 2009 Euro American Conference
on Telematics and Information Systems (EATIS 2009), Prague, Czech
Republic, June 2009.
X. Chen, Y. Xun, W. Li and J. Zhang, Combining Discriminant
Analysis and Neural Networks for Corn Variety Identification, vol. 71,
no. 1, pp. S48-S53, April 2010.
F. Faridah, G. Parikesit and F. Ferdiansjah, Coffee Bean Grade
Determination Based on Image Parameter, Telecommunication
Computing Electronics and Control, vol. 9, no. 3, pp. 547-554,
December 2011.
A. Arefi, A. Motlagh and R. Teimourlou, Wheat Class Identification
Using Computer Vision System and Artificial Neural Networks,
International Agrophysics, vol. 25, no. 4, pp. 319-323, 2011.
S. Delwiche, I. Yang and R. Graybosch, Multiple View Image Analysis
of Freefalling U.S. Wheat Grains for Damage Assessment, Computers
and Electronics in Agriculture, vol. 98, pp. 62-73, October 2013.
J. Valiente-Gonzlez, G. Andreu-Garca and P. Potter, Automatic Corn
(Zea Mays) Kernel Inspection System Using Novelty Detection Based
on Principal Component Analysis, Biosystems Engineering, vol. 117,
pp. 94-103, January 2014.
P. Oyama, Mtodo para Classificao de Caf em Gros por Imagens
Digitais pelo Uso de Atributos Selecionados de Morfologia, Cor e
Textura, M.S. thesis, Departamento de Engenharia Eltrica, Escola de
Engenharia de So Carlos, Universidade de So Paulo, So Carlos,
Brazil, July 2014.
R. Condori, J. Humari, C. Portugal-Zambrano, J. Gutirrez-Cceres
and C. Beltrn-Castaon, Automatic Classification of Physical Defects
in Green Coffee Beans Using CGLCM and SVM, in proceedings of
the XL Latin American Computing Conference (CLEI 2014),
Montevideo, Uruguay, September 2014.
R. Guzman, C. Portugal-Zambrano, J. Gutirrez-Cceres and C.
Beltrn-Castaon, An Approach for Improve the Recognition of
Defects in Coffee Beans Using Retinex Algorithms, in proceedings of
the XL Latin American Computing Conference (CLEI 2014),
Montevideo, Uruguay, September 2014.
F. Kurtulmu and H. nal, Discriminating Rapeseed Varieties Using
Computer Vision and Machine Learning, Expert Systems with
Applications, vol. 42, no. 4, pp. 1880-1891, March 2015.
W. Pilar, R. Aranha, E. Medeiros and M. Pontes, Classification of
Individual Castor Seeds Using Digital Imaging and Multivariate

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.

[22] J. Cepeda-Negrete and R. Sanchez-Yanez, Automatic Selection of

Color Cnstancy Algorithms for Dark Image Enhancement by Fuzzy
Rule-Based Reasoning, Applied Soft Computing, vol. 28, pp. 1-10,
March 2015.
[23] N. Otsu, A Threshold Selection Method From Gray-Level Histograms,
IEEE Transactions on Systems., Man., Cybernetics, vol. 9, no. 1 , pp.
62-66, January 1979.
[24] S. Suzuki, Topological Structural Analysis of Digitized Binary Images
by Border Following, Computer Vision, Graphics, and Image
Processing, vol. 30, no. 1, pp. 32-46, April 1985.
[25] C. Lin's, LIB-SVM, http://www.csie.ntu.edu.tw/~cjlin/.