Computer vision grading system for physical quality
evaluation of green coffee beans
Christian E. Portugal-Zambrano, Juan C. Gutiérrez-Cáceres
y Juan Ramirez-Ticona
Cátedra Concytec en Tecnologı́as de la Información
Escuela Profesional de Ingenierı́a de Sistemas
Av. Venezuela s/n, Universidad Nacional de San Agustı́n
Email: {christ.pz.cs,jcgutierrezc,juanrt1909}@gmail.com
Abstract—Evaluating the physical defects of green coffee
beans are an important process in defining their quality. This
evaluation is normally carried out by visual inspection or using
traditional instruments which have some limitations. This work
is focused on the implementation of a computer vision system
combining a hardware prototype and a software module. The
hardware was developed to capture the images of coffee beans, the
software uses a White-Patch algorithm as a image enhancement
procedure, color histograms as feature extractor and SVM for
the classification task, a database of 1930 images was collected,
we used 13 categories of defects described in the SCAA standard
of evaluation. Results of classification achieved a 98.8% of overall
detection accuracy, therefore the proposed system proved to be
effective in classifying physical defects of green coffee beans.
Finally a set of conclusions and future works are presented.
Keywords—coffee beans defects,Retinex, White Patch, Image
Enhancement, SVM, Histogram, Grade System
I. I NTRODUCCI ÓN
Se denomina café a la bebida que se obtiene de los frutos y
semillas de la planta de café o cafeto. La bebida es altamente
estimulante por contener cafeı́na. Por extensión, también se
puede designar con este nombre al lugar de consumo de esta
bebida y sus múltiples variantes. Ej. cafeterı́a o bistro. En la
Figura 1 se observa las etapas de procesamiento de café co-
menzando en la planta de café y sus productos como grano
de café verde, posteriormente se procede a un procesamiento
de preparación (Tostado) para luego poder ser servido como
bebida en diversas presentaciones o usos.
(a) (b) (c) (d)
Figura 1. Café y su producción, (a) Planta de café en crecimiento, (b) Granos
de café verde, (c) Granos de café tostado, (d) Taza de café.
Las etapas básicas de procesamiento de granos de café co-
mienzan en las plantaciones, luego es cosechado para poste-
riormente ser secado mediante técnicas especiales y artesana-
les. La etapa de secado brinda la coloración verde al grano
978-1-5090-1633-4/16/$31.00
2016
c IEEE
César A. Beltrán-Castañón
Grupo de Reconocimiento de Patrones e IA Aplicada
Sección de Ingenierı́a Informática
Pontificia Universidad Católica del Perú
Av. Universitaria 1801, San Miguel, Lima 32, Perú
Email: cbeltran@pucp.pe
de café, luego es clasificado para eliminar impurezas y granos
malos o deformes, también es clasificado por tamaño.
La naturaleza de exportación de los granos de café exige un
control de calidad fı́sico y quı́mico (catación), los laboratorios
de análisis de calidad deben asegurar la competencia técnica
del personal encargado. En los laboratorios deben existir
metodologı́as para identificar las necesidades de formación
y actualización técnica del personal. El equipo de control
de calidad constituye una parte importante dentro de los
laboratorios de análisis de calidad de café verde, por tal motivo
todo laboratorio de evaluación de calidad del café debe estar
provisto de equipamiento eficiente y eficaz, el cual es muy
necesario para la correcta ejecución de los análisis.
A nivel mundial la SCAA (Specialty Coffee Association of
America) [1] es una entidad que se encarga de capacitar y
regular las calificaciones y programas de formación para el
aseguramiento de la calidad de exportación de granos de café.
En el proceso de control de calidad fı́sico de granos de
café verde la SCAA describe un total de 16 defectos, divididos
en dos categorı́as de impacto en taza, cada uno de ellos
representa un nivel de influencia directa en olor, sabor y
consistencia en taza, valorizando la calidad en un conjunto
de puntos en catación. El proceso de evaluación fı́sica para la
determinación de defectos en café se determina mediante una
revisión manual e individual de cada grano, luego se elabora
un conteo de todos los defectos encontrados por muestra de
granos de café. Normalmente la tarea de evaluación fı́sica es
visualmente agotadora y saturada en tiempos de producción de
café, originando que los expertos estén propensos a errores o
imprecisiones producto de la fatiga laboral.
En la literatura se han propuesto modelos computacionales,
equipos de tecnologı́a y/o metodologı́as que buscan aprovechar
el beneficio de las tecnologı́as digitales para asistir las tareas
realizadas por los expertos en los laboratorios de control de
calidad, algunos trabajos han sido aplicados a productos de
mayor tamaño como manzanas, naranjas, plátanos, pescado,
etc. y de menor tamaño como arroz, trigo, quinua.También
se han desarrollado productos de software que asisten en la
recolección de datos, sin embargo una solución al problema
del análisis fı́sico de granos de café verde para la detección
automática de defectos aún está siendo explorada.
En este trabajo se plantea una solución para la clasificación
automática de café en hardware y software, como un sistema
basado en visión computacional para la detección y clasifica-
ción automática de defectos fı́sicos en granos de café verde,
en la Sección II se describen conceptos y se presentan algunos
trabajos previos encontrados en la literatura, en la Sección
III se describe el control de calidad en granos de café verde
y su importancia, luego en la Sección IV se presenta el
modelo de detección y clasificación de defectos, describiendo
las caracterı́sticas del hardware de adquisición de imágenes
y las técnicas utilizadas en el software, en la Sección V las
pruebas y resultados del sistema son presentados, finalmente en
la Sección VI un conjunto de conclusiones y trabajos futuros
son descritos.

II. C ONCEPTOS Y TRABAJOS PREVIOS

A. Constancia de color
La palabra Retinex es la unión de las palabras retina y
cortex, sugiriendo que la vista y el cerebro están envueltos
en un proceso, ambos conforman el sistema visual humano
(Human Visual System - HVS) [2]. Sabemos que las imágenes
digitales en algunos casos son diferentes comparadas con la
escena directamente percibida por el HVS, nuestro sistema
visual puede descontar automáticamente la variación de ilu-
minación para asegurar que el color percibido se mantenga
constante bajo condiciones de iluminación variables [3], esta
caracterı́stica se llama constancia de color.
Los algoritmos de constancia de color asumen que la ilumina-
ción es uniforme en toda la escena. La relación de la intensidad
de color bajo una fuente de luz en una imagen según [2] es
dada por:
fi (x, y) = G(x, y)Ri (x, y)Ii (1)
donde fi (x, y) es la intensidad del pixel en la posicion (x, y),
G(x, y) es un factor de geometrı́a, R(x, y) es la reflectancia
del objeto, Ii es la iluminación e i corresponde al canal de
color. Luego los algoritmos de constancia de color consideran
0
que la imagen de salida oi (x, y) = G(x, y)Ri (x, y)Ii , son in-
0
fluenciadas por una fuente de luz blanca, donde I = {1, 1, 1}
es la iluminación en la salida, entonces la relación entre la
imagen de entrada y salida es:
fi (x, y)
oi (x, y) = G(x, y)Ri (x, y) = (2)
Ii
1) White-Patch: Este algoritmo pertenece a la familia
Retinex propuesta en [2], esta es la forma más simple de
representación, este modelo toma en cuenta el valor más alto
de cada canal de color como la representación del color blanco.
Computacionalmente, estos valores son hallados a partir de la
intensidad máxima hallada en cada canal:
Ii = max{fi (x, y)} (3)
B. Histogramas de color
Un histograma es una representación de la distribución de
colores en una imagen [4], representa el número de pı́xeles por
color en un rango de colores determinado, puede ser construido
a partir de cualquier espacio de colores. Un histograma es
N dimensional, donde N representa el número de canales
presentes en una imagen. También un histograma provee un
resumen compacto de la distribución de datos en una imagen,
la cual es relativamente invariante a la traslación y rotación de
la escena en la imagen. En la Figura 2 se aprecia el histograma
de colores para cada canal en un grano de café, para tipo
Cereza Seca y Brocado Leve.
Figura 2. Histograma de colores para un grano de café tipo Cereza Seca
(Superior) y Brocado Leve (Inferior).
C. Clasificación
En un análisis de clasificación se construyen modelos capa-
ces de pronosticar la pertenencia de un objeto a una categorı́a o
clase sobre la base de las caracterı́sticas del objeto. Existen dos
aspectos particulares relacionados a la clasificación [5]. El pri-
mero es, dada una imagen de entrada, decidir si ella pertenece
a alguna clase especı́fica previamente definida. Esta categorı́a
es usualmente conocida como clasificación supervisada. El
segundo aspecto, no hay un conocimiento previo de las clases
por lo que su utiliza algún criterio de similitud. Esta es una
tarea compleja que generalmente requiere de un aprendizaje,
siendo conocido como clasificación no supervisada.
1) Máquinas de soporte vectores (Support Vector Machine
- SVM): Es un clasificador basado en el aprendizaje estadı́stico
para resolver problemas de clasificación de patrones [6]. Los
clasificadores lineales se caracterizan porque aprenden una
función lineal para separar las clases. No se trata de una
agrupación por similitudes, sino que se tiene las clases bien
definidas [7].
Dado un conjunto de ejemplos de entrenamiento (muestras)
podemos etiquetar las clases y entrenar una SVM para
construir un modelo que prediga la clase de una nueva
muestra. Intuitivamente, una SVM es un modelo que
representa a los puntos de muestra en el espacio, separando
las clases por un espacio lo más amplio posible. Cuando las
nuevas muestras se ponen en correspondencia en función de
su proximidad, pueden ser clasificadas a una u otra clase,
dependiendo de la proximidad a cada una.
Más formalmente, la idea principal de SVM es construir
un hiperplano o conjuntos de hiperplanos en un espacio de
dimensionalidad muy alta como superficie de decisión, de tal
forma que, el margen de separación entre ejemplos positivos
y negativos sea el máximo [8]. Una buena separación entre
las clases permitirá una clasificación correcta.
Matemáticamente, se parte de un conjunto de datos de
entrenamiento xi , yi con:
i = 1, ..., l, yi ∈ {−1, 1} y xi ∈ Rd
Entonces existe un hiperplano, como el de la Figura 3 que
separa los datos de etiquetas positivas y negativas, tal que:
xi ω + b ≥ 1 − ξi para yi = 1; xi ω + b ≤ 1 − ξi para
yi = −1
Donde ω es la normal al hiperplano y xi son las variables
introducidas por los errores de clasificación en calidad de
violaciones del hiperplano, de manera que Σξi será la cota del
error de clasificación. Una manera directa2
de añadir el coste
a la función objetivo es minimizar kω2 k + CΣξi , siendo C
la constante elegida correspondiente al inverso del valor de la
penalización de los errores. Ası́, se tiene un caso de optimiza-
ción convexa cuyo problema de optimización cuadrática es el
número de vectores de soporte.
Figura 3. Representación gráfica de SVM [9]
En general, SVM puede ser clasificada de dos formas:
lineales y no lineales.
2) SVM Lineales: Las SVM lineales son utilizadas para
definir fronteras de separación de datos que pertenecen a
dos clases, lidiando con los datos linealmente separables.
Considera un conjunto de entrenamiento T con n muestras
de datos xi ∈ X y sus respectivas clases yi ∈ Y , siendo X el
espacio de datos y Y = −1, +1. En este caso el conjunto de
datos T es linealmente separable por un clasificador, cuando
es posible separar los datos en función de sus clases -1 y
+1 por un hiperplano. Las SVMs lineales son eficaces en la
clasificación de conjuntos de datos linealmente separables o
que posean una distribución aproximadamente lineal. Pero, hay
muchos casos en que no es posible dividir satisfactoriamente
los datos de entrenamiento por un hiperplano.
3) SVM No Lineales: Las SVMs no lineales son una
extensión de las lineales. En algunas situaciones los datos de
entrenamiento no pueden ser divididos por un hiperplano, es
decir, los datos no son linealmente separables, como podemos
visualizar en la Figura 4. En la Figura 4(a) tenemos una
muestra de datos, representando dos clases, una por un cı́rculo
y otra por un triángulo. En este caso una frontera circular
serı́a la forma de separar las clases, como puede ser visto
en la Figura 4(b). Para solucionar este problema de datos no
linealmente separables por una recta, el conjunto de entrada
en un espacio de baja dimensión es mapeado para un nuevo
espacio de alta dimensión. Este caso es presentado en la Figura
4(c).
Figura 4. Mapeamiento de un espacio de baja dimensión (a) a un espacio
de alta dimensión (b), luego un clasificador lineal puede ser utilizado para
separar las clases (c).
La SVM lidia con problemas no lineales al mapear el
conjunto de entrenamiento de su espacio original en baja
dimensión, referenciado como entradas, para un nuevo espacio
de mayor dimensión. Sea Φ : X −→ ζ un mapeamiento,
en que X es un espacio de baja dimension y ζ denota el
espacio de alta dimensión. Escoger adecuadamente Φ hace que
el conjunto de entrenamiento sea mapeado a un espacio de
alta dimensión ζ y pueda ser separado por una SVM lineal.
El mapeo de los datos lineales para no lineales Φ puede ser
muy complejo debido a la gran dimensionalidad del espacio
de caracterı́sticas ζ . De esta forma, para realizar el cálculo de
productos escalares Φ(xi ) · Φ(xj ) entre los datos en el espacio
de caracterı́sticas se utilizan kernels, los cuales serán distintos
según el problema que se quiera resolver, es necesario realizar
pruebas empı́ricas para determinar el kernel a utilizar.
D. Trabajos previos
El tratamiento digital de imágenes de café ha permitido
realizar estudios en forma, color, textura y en algunos casos de
densidad, [10] realiza un estudio para la utilización de técnicas
de visión artificial en el desarrollo de un sistema para la
automatización de la cosecha de café, compuesto de una etapa
de adquisición de imágenes, un conjunto de algoritmos para
segmentación de frutos de café maduros y verdes, finalmente
implementó un algoritmo para la caracterización y clasificación
de frutos de café basados en las propiedades morfológicas y
de color, orientando su trabajo al pronóstico y automatización
de cosechas y detección de enfermedades y plagas.
En [11] el autor presenta tres modelos diferentes de segmen-
tación utilizando técnicas basadas en crecimiento de regiones
a partir de semillas, sus modelos fueron aplicados a imágenes
de frutos de café en condiciones controladas, sus resultados
mostraron un buen desempeño para la detección de bordes
realizando un proceso de segmentación robusto, este trabajo
fue profundizado en [12] donde se desarrolló un sistema de
visión artificial para la clasificación de frutos de café en
once categorı́as basadas en su estado de madurez, extrajeron
208 caracterı́sticas reduciéndolas a 9 utilizando métodos de
selección univariados y multivariados, posteriormente [13]
realizó un estudio de análisis de imágenes para la clasificación
de café de Etiopı́a, sin embargo utilizó muy pocos criterios
para la evaluación de resultados.
Luego en [14] el autor realizó un trabajo para desarrollar un
sistema de ordenamiento automático de granos de café utili-
zando procesamiento de imágenes y una red neuronal para
la identificación de la calidad de cada grano, utilizó seis
parámetros de medición como longitud, área, perı́metro, área
defectuosa y grado de color rojo y verde, sus resultados fue-
ron prometedores sin embargo describı́a algunas desventajas
debido a que no podı́a caracterizar todos los tipos de defectos
con los parámetros seleccionados. En [15] se utilizó el estándar
nacional de Indonesia para la detección de defectos, utilizando
seis clases, utilizó una cámara web para la adquisición de
imágenes digitales de granos de café uniformemente ilumi-
nadas, realizó un proceso de extracción basada en textura y
concluyó que su modelo de clasificación poseı́a un mı́nimo de
variación en la precisión de 40 granos.
En [16] se empieza a proponer prototipos de hardware que
intenten evaluar la calidad de granos de café, en su trabajo
proponen el uso de un dispositivo espectroscópico para el
análisis, y utiliza el estándar propuesto por la SCAA [1]
para la evaluación de la calidad, sin embargo creemos que la
adquisición de un dispositivo de espectroscopı́a infraroja puede
ser una desventaja al depender de este tipo de cámara, recien-
temente [17] propone un modelo similar con resultados muy
prometedores basados en la correlación de sus espectros. El
trabajo propuesto por [18] elabora un sistema de inspección de
calidad en granos utilizando técnicas de granulometrı́a basada
en la correlación, entre sus principales aportes destaca el uso
de un prototipo de adquisición de imágenes basado en una caja
con fondo uniforme e iluminación controlada, además propone
el uso de un algoritmo de separación de granos que evita la ta-
rea manual de separación, por otro lado la cantidad de defectos
o tipos de granos que usa para sus pruebas se reduce a cuatro.
Otro trabajo que aborda también la elaboración de un prototipo
es el propuesto por [19] en donde utiliza visión computacional
para resolver el problema de los procesos de inspección de
calidad aplicado a frutos de palta, maı́z y mango. [20] propuso
un sistema basado en visión computacional para la evaluación
de tomate en la industria de la agricultura, el autor propone
dos fases, desarrollo de un hardware para capturar imágenes
del tomate y software para analizar sus propiedades fı́sicas,
un trabajo similar pero aplicado a manzanas fue propuesto
en [21]. También [22] propone un sistema para la clasificación
de granos de café basado en técnicas inteligentes, describe
un modelo de prototipo de hardware para la adquisición de
imágenes y la transformación a un modelo de colores CIELab,
también dispone de una separación manual entre granos para
su procesamiento, adicionalmente en su trabajo sólo utiliza
cuatro clases de defectos de café. En este trabajo se utilizó una
técnica de mejoramiento de imágenes digitales dentro de un
proceso automatizado de evaluación de calidad del café para el
análisis fı́sico de defectos, se muestran algunas investigaciones
realizadas en la evaluación de la calidad del café y en el
mejoramiento de imágenes. En los trabajos relacionados con el
mejoramiento de imágenes digitales utilizando operaciones con
histogramas se encuentran algunos que hacen recopilaciones
de técnicas de modificación del histograma en imágenes de
un canal o en escala de grises [23].También algunos autores
proponen técnicas adaptativas, pero siempre sobre imágenes
en escala de grises [24], [25].
En el procesamiento de imágenes de color es necesario una
ecualización de histograma de tres canales RGB para el cual
se considera la correlación entre estos usando un método de
muy baja eficiencia [26]. También se utilizan técnicas de otras
áreas como estadı́stica y procesamiento de lenguaje con la
finalidad de establecer un proceso más preciso de ecualización
de histograma en varios canales [27].
Aparte de la necesidad de aplicar técnicas de ecualización,
en [28] se utiliza otros espacios de color en los que se
trabaja con la saturación, luminosidad y la relación entre
estos comparando los resultados con el uso del espacio RGB
y analizando la necesidad de preservación del componente
Hue en el mejoramiento de imagen, esto es utilizado también
por otros trabajos que analizan el mejoramiento en espacios
similares a HSI [29].
La constancia de color es una técnica utilizada desde su
análisis en [2], [30], algunos trabajos como el de [31] se
enfocan en nuevas combinaciones de constancia de color, para
resolver el problema de hallar los verdaderos colores de objetos
independientemente de la luz de iluminación de la escena. [32]
propone un modelo de selección automática de algoritmos de
constancia de color para el mejoramiento de imágenes oscuras
y determina que el algoritmo White-Patch obtiene un alto
desempeño entre todos los propuestos, una combinación de
constancia de color es propuesta mediante el uso de ecualiza-
ción de histogramas [33], describiendo buenos resultados en
escenas con gran densidad de colores, también [34] propone
una combinación, pero utilizando un método bayesiano para la
obtención de niveles de constancia de color utilizando pistas
de bajo,medio y alto nivel, su propuesta reduce en un 33 % el
error obtenido por otros métodos.
III. C ONTROL DE CALIDAD DE CAF É
Es necesario detectar e identificar el tipo de defectos en
granos de café verde debido a su influencia en el sabor de
la bebida a preparar, los catadores especializados poseen un
entrenamiento único para la detección y caracterización de
cada aroma de café y el reconocimiento de defectos en cada
grano dentro de una muestra de evaluación, un grano de
café puede poseer más de un tipo de defecto, en este trabajo
consideramos como defecto único al de mayor impacto en taza.
El análisis fı́sico de granos de café es una tarea manual y
temporalmente larga, el experto realiza una evaluación de cada
grano presente en una muestra, y procede a evaluar el impacto
en taza de acuerdo a los valores mostrados en el Cuadro I,
se puede apreciar que un grano Negro es de Categorı́a 1 y
por cada grano se considera un punto de impacto, también
cualquier defecto de Categorı́a 1 tiene preferencia sobre los
defectos de Categorı́a 2, por otro lado cinco granos de tipo
Flotador equivalen a un punto en taza. En la evaluación del
café se realiza un análisis manual a una muestra de granos de
café realizando los siguientes pasos:
1) Se debe pesar una muestra representativa del lote
equivalente a 350 Grs. de café verde.
2) Extender la muestra sobre una superficie lisa, plana y
limpia, preferiblemente de un color sólido que puede
ser blanco, azul o negro, para una mejor apreciación.
3) Con la ayuda del manual de defectos de la SCAA
se identifican los diferentes tipos de daños siguiendo
las recomendaciones, comparando cada uno de los
granos defectuosos con las fotografı́as presentadas
en dicho manual. Este paso es realizado por un
experto Q-Grader entrenado en el reconocimiento y
clasificación manual de los granos.
 Cuadro II. T IPOS DE DEFECTOS F ÍSICOS EN GRANOS DE CAF É VERDE .
4) Cada uno de los defectos encontrados, sean completos
o no, deberán registrarse en una hoja de evaluación Nro Nombre/Clase Descripción Fı́sica Muestra
de café para dejar constancia del análisis realizado y
del procedimiento para la obtención de los defectos
1 Brocado Leve Pequeñas y oscuras perforaciones.
totales de la muestra. (BRL)

Cuadro I. TABLA DE EQUIVALENCIAS DE LOS DEFECTOS PRESENTES

EN GRANOS DE CAF É VERDE (TABLA TOMADA DE [1])
Medianas y oscuras perforaciones
2 Brocado Severo
Defectos Defectos Defectos Defectos (0.5mm-0.7mm) en diámetro.
(BRS)
Categorı́a 1 Totales Categorı́a 2 Totales
Equivalentes Equivalentes
Negro 1 Negro Parcial 3 Rojizo, presencia de manchas blan-
3 Cereza Seca (CER)
Agrio/Vinagre 1 Agrio Parcial 3 cas o residuo.
Cereza Seca 1 Pergamino 5
Daño por Hongos 1 Flotador 5
Materia Extraña 1 Inmaduro 5 La forma externa tiene la forma de
Brocado Severo 5 Averanado o Arrugado 5 4 Concha (CON) una concha de mar y la parte inter-
Conchas 5 na tiene forma cónica o cilı́ndrica.
Partido/Mordido/Cortado 5
Cáscara o Pulpa Seca 5
Grano afectado por hongos o Car-
Brocado Leve 10 5 denilla, se le reconoce por las man-
Daño por Hongo
(HON) chas de color amarillorojizo.

Describimos las caracterı́sticas visuales de cada grano de

Color blanco y decolorado, dando
café en el Cuadro II. 6 Flotador (FLO) al café verde una apariencia dispa-
reja.
IV. M ODELO DE DETECCI ÓN Y CLASIFICACI ÓN DE
DEFECTOS Tamaño pequeño, de baja densidad,
7 Inmaduro (INM) de forma cóncava y con bordes
afilados.
En este trabajo se aborda el problema de detección y
clasificación automática de defectos en granos de café verde
a través de la implementación en hardware y software en un Color amarillo pálido, amarillo in-
8 Marrón, Agrio o Vi-
conjunto de etapas. nagre (MAV)
tenso, carmelita o rojizo.

A. Dispositivo de adquisición de imágenes

Para la obtención de imágenes de granos de café verde 9 Negro (NEG) Color opaco.

se implementó un prototipo de adquisición de imágenes que

cumplı́a con ciertos requerimientos:
10 Negro Parcial Color opaco con manchas claras.
• Existı́a una distancia fija entre la cámara de adquisi- (NEP)
ción y las muestras de café.
• Las muestras de café se mantenı́an ordenadas en 11 Normal (NOR) Color marrón verduzco.
una bandeja diseñada para evitar el solapamiento u
oclusión entre granos, también cada grano poseı́a una Cubiertos parcial o totalmente por
distancia de separación entre si. el pergamino, que es una gruesa
12 Pergamino (PER)
cáscara tipo papel de color blanco
• Se utilizó un modelo de iluminación homogéneo con o bronceado
luces blancas.
Coloración rojiza oscura con man-
• Consideramos que para detectar si un granos posee 13 Partido/Mordido o
chas oscuras.
Cortado (PMC)
un defecto, se debe de analizar sus dos caras, sin
embargo el objetivo actual es detectar el defecto, de
este modo restringimos el alcance del problema a
detectar defectos visibles a la cámara.
En la Figura 5 se muestra una vista superior del diseño
• La presencia de iluminación controlada elimina la
de la bandeja en el dispositivo, se propuso un mecanismo de
generación de sombras, sin embargo también influye
abertura y cerrado para el uso por expertos. La configuración
en los colores.
final del prototipo incluye un conjunto de 4 fluorescentes
• La resolución de la imagen debe brindar la capacidad de emisión de luz blanca dispuestos uniformemente en un
de distinguir y resaltar texturas y colores en cada cuadrado y a una distancia de 45cm de la bandeja de granos
grano, buscando la máxima nitidez en la imagen, se de café, también se dispuso de una cámara profesional de
utilizó una cámara profesional para la adquisición de 12 Megapixeles de resolución fijada a una posición superior
imágenes. frontal y de aproximadamente 55 cm de distancia.
Figura 5. Representación gráfica desde una vista superior, de la disposición
de la bandeja para granos de café utilizada en el prototipo de hardware.

En la Figura 6 se presenta la bandeja para la distribución

de granos de café, el material utilizado fue acrı́lico cristal
de 4mm de espesor el cual permitı́a visualizar los granos sin
inclusión de brillos o ruido innecesario, su flexibilidad también
permitió un fácil manejo en el ingreso y extracción de muestras
evitando el temor por quiebre de la bandeja, adicionalmente se
incrustaron bordes de aluminio en la bandeja de acrı́lico para
agregar un nivel de rigidez que permita la disposición fija de Figura 7. Prototipo de adquisición de imágenes en funcionamiento, se puede
apreciar la bandeja de granos de café y su funcionamiento con computador de
los granos. procesamiento. En la parte superior se dispone de la cámara de adquisición
de imágenes.

Figura 6. Bandeja para la disposición de granos de café utilizada en el

prototipo de adquisición de imágenes.
En la Figura 7 se muestra la construcción final del prototipo
en funcionamiento y puesto en laboratorio. El tamaño del
prototipo se debe a la necesidad de girar los granos en el
interior del prototipo, con la finalidad de poder adquirir la
otra cara de las muestras de café.
Finalmente, la Figura 8 muestra la escena final para un
conjunto de granos de café tipo Normal dispuestos en la malla
de separación, obtenida por la cámara digital en el prototipo
final. Podemos apreciar un conjunto de agujeros separados
a cierta distancia, donde los granos de café son ubicados
manualmente, este proceso de acomodo necesita de un tiempo
que en su totalidad es menor que el total utilizado en el proceso
de inspección manual.
Figura 8. Escena final de granos de café tipo Normal, dispuestos en la
malla de separación y control incluido en el prototipo final de adquisición de
imágenes.
B. Modelo de mejoramiento y segmentación de imágenes
Para nuestro proceso de clasificación es necesario un
proceso de mejoramiento de imágenes para garantizar que
cada grano de café en nuestra imagen posea el mismo nivel
de iluminación. En este trabajo se utilizó el algoritmo de
constancia de color White-Patch propuesto en [2], en la Fi-
gura 9 se aprecia los resultados de aplicar el algoritmo White-
Patch a una muestra de granos de café, visiblemente hay una
diferencia en el nivel de iluminación, alcanzando un nivel de
homogeneidad mas notorio.
 (a) (b)
Figura 9. Aplicación del algoritmo White-Patch (a) Muestra de granos de tipo normal (b) Muestra de granos de tipo normal con White-Patch.

Luego de la etapa de mejoramiento, la utilización de una
bandeja para la disposición de los granos hizo necesaria la
realización de un proceso de segmentación, necesario para
aislar las zonas de interés del fondo de nuestra imagen, cada
imagen fue convertida a escala de grises para su posterior
binarización con el algoritmo de Otsu [35], luego se aplicó un
proceso de erosión y dilatación, el algoritmo de [36] fue
utilizado para la obtención de los bordes de cada grano,
finalmente cada región que contenı́a un grano fue segmentada
a las etapas posteriores a la adquisición de imágenes de granos
de café, mejoramiento y segmentación anteriormente descritas,
en el Cuadro III se describe la cantidad de granos por tipo de
defecto y totalidad de granos en nuestra base de imágenes
utilizada en este trabajo.
Cuadro III. D ESCRIPCI ÓN DEL TOTAL DE IM ÁGENES DE GRANOS DE
CAF É POR TIPO DE DEFECTO EN LA BASE DE DATOS DE IM ÁGENES
ELABORADA

utilizando el algoritmo de la mı́nima región cuadrada que Nro Nombre/Clase Alias Total
ocupa un contorno. 1 Brocado Leve BrocadoL 70
En la Figura 10 se aprecia el resultado del proceso de seg- 2 Brocado Severo BrocadoS 128
mentación. Nuestra base de imágenes contiene una imagen por 3 Cereza Seca CerezaS 191
cada grano segmentado. Aseguramos que cada segmento posee 4 Concha Concha 73
sólo un grano de café debido a la separación existente entre 5 Danho por Hongo DxHongo 191
cada agujero en la bandeja de entrada. 6 Flotador Flotador 118
7 Inmaduro Inmaduro 224
8 Marron,Agrio,Vinagre MAVinagre 93
9 Negro Negro 174
10 Normal Normal 221
11 Negro Parcial NegroP 176
12 Pergamino Pergamino 117
13 Partido,Mordido,Cortado PMCortado 154
TOTAL : 1930

De acuerdo a lo mostrado en la Figura 11, para el sistema

Figura 10. Resultado del proceso de segmentación en una muestra de granos
de café.
C. Base de imágenes
La elaboración del prototipo de hardware para la adqui-
sición de imágenes permitió controlar algunos parámetros
como la distancia entre la cámara y la escena, el color de
la iluminación y mantener las condiciones de iluminación
controladas durante todo el proceso de adquisición. De acuerdo
de control de calidad de granos de café verde se realizaron
las siguientes etapas: primero se realizó una recolección de
imágenes de granos de café dispuestos en una bandeja previa-
mente diseñada, luego se realizó un proceso de mejoramiento
de imagen utilizando un algoritmo White-Patch perteneciente
a la familia Retinex de algoritmos de constancia de color, a
seguir se realizó un proceso de segmentación para la obtención
de regiones de interés discriminando el fondo utilizando una
máscara digital por cada grano detectado, posteriormente se
realizó la obtención de vectores de caracterı́sticas expresados
como histogramas de color por cada canal en la imagen
segmentada, finalmente se realizó el proceso de clasificación.
 Se consideran los defectos
especificados en el manual de
control de calidad de Specialty
Coffee Association (SCAA):
- (1) Brocado Leve
- (2) Brocado grave
- (3) Pergamino
- (4) Marrón, agrio, Vinagre
- (5) Concha
- (6) Normal
- (7) Flotador
- (8) Negro
- (9) Negro Parcial
- (10) inmaduro
- (11) Partido, mordido, cortado
- (12) Daño por hongo
Muestra física de
granos de café
DISPOSITIVO DE ADQUISICIÓN DE IMÁGENES
Dispositivo electrónico diseñado para la adquisición MÓDULO DE SEGMENTACIÓN
de imágenes digitales de granos de café por medio Se considera el modelo
de una interfaz electrónica, una cámara digital y compuesto y en orden por
equipo físico en base a aluminio. Posee manual de MÓDULO DE PRE-PROCESAMIENTO
uso, mantenimiento, condiciones de iluminación,
técnicas de segmentación
Se considera el modelo compuesto y en basadas en análisis morfológico y
implementación, especificaciones y diseño.
orden por técnicas de procesamiento de estadístico. Se obtiene imágenes
imágenes basadas en puntos, Se obtiene de granos detectados.
otra imagen
Cámara digital
de adquisición
de imágenes
Detección de
digitales Algoritmo
contornos
(12Mpxl) WhitePatch
Interface de Algoritmo de
control dilatación Aproximación a
electrónica elipses

Una muestra se considera al Algoritmos de

Bandeja de
conjunto de 350grs utilizado para erosión Filtro con
recepción de
el control de calidad, es dispuesta máscara
muestras
en una bandeja con agujeros
(50cmx50cm)
ordenados en forma de matriz
que permite la separación de los MÓDULO DE CLASIFICACIÓN
granos. Se considera el modelo compuesto y en Cada imagen segmentada
orden por un algoritmo de clasificación contiene un grano de café
basado en vectores. Se obtiene una en su etapa inicial sin per-
MÓDULO DE SOFTWARE etiqueta por cada grano clasificado. procesamiento.
Control de
Considera un aplicativo de software con
calidad de interfaces para la adquisición de datos
extraídos de expertos catadores. Los Estructura de datos
datos recopilados son necesarios para el de granos de café
control de calidad industrial. Histogramas
Clasificador de Color segmentados,
basado en enumerados y pre-
Control de calidad vectores procesados.
Interface Gráfica
de medidas por de usuario
tamizado Resultados de
análisis físico

Informe
autogenerado Reporte de Matriz de confusión. Informe autogenerado
ejecución
Control de para experto
calidad físico
Reporte de control Informe autogenerado que permite
de calidad (PDF) validar los resultados con
evaluaciones de especialistas, este
informe es para desarrolladores y no
disponible al usuario final

Figura 11. Etapas en el proceso de control de calidad fı́sica de granos de café verde, se realizó una recolección de imágenes de granos de café dispuestos
en una bandeja previamente diseñada, luego se realizó un proceso de mejoramiento de imagen utilizando un algoritmo White-Patch perteneciente a la familia
Retinex de algoritmos de constancia de color, a seguir se realizó un proceso de segmentación para la obtención de regiones de interés discriminando el fondo
utilizando una máscara digital por cada grano detectado, posteriormente se realizó la obtención de vectores de caracterı́sticas expresados como histogramas de
color por cada canal en la imagen segmentada, finalmente se realizó el proceso de clasificación utilizando SVM.

V. P RUEBAS Y RESULTADOS A. Pruebas utilizando la base de imágenes sin mejorar

En esta Sección detallamos el conjunto de pruebas reali-
zado para validar nuestro sistema, se utilizaron las siguientes
técnicas:
• Se utilizó la base de datos de imágenes descrita en
el Cuadro III, se utilizaron imágenes sin mejorar e
imágenes mejoradas con White-Patch.
• El vector de caracterı́sticas de cada grano segmentado
se representa con un histograma de color por cada ca-
nal de color, se obtuvo un total de 768 caracterı́sticas.
• Utilizamos SVM como método de clasificación con
C = 0.1,  = 0.001.
• El método de validación utilizado fue una validación
cruzada donde K = 10.
En el Cuadro IV se describe la matriz de confusión
obtenida para la base de imágenes sin mejorar y en el Cuadro V
se presentan los resultados de Precision, Recall y F-Measure.
• Los resultados son prometedores, especialmente para
las clases Pergamino y DxHongo, esto se debe a su
gran diferencia en color en comparación con las otras
clases, los ejemplares de tipo Pergamino presentan una
coloración amarillenta y los ejemplares de DxHongo
presentación una coloración Rojiza.
• También observamos que las clases BrocadoL, Broca-
doS, NegroP y Concha son confundidas entre si, esto
se debe a que los ejemplares de estas clases poseen
una coloración parcialmente oscura.
• Existe un grado de confusión entre las clases Negro
y CerezaS, esto debido a su coloración oscura, sin
 Cuadro IV. M ATRIZ DE CONFUSI ÓN PARA LA BASE DE IM ÁGENES SIN MEJORAR

Clase BRL BRS CS CON DxH FLO INM MAV NEG NEGP NOR PERG PMC
BrocadoL 40 7 0 8 0 7 0 0 0 8 0 0 0
BrocadoS 4 109 0 3 0 0 4 0 1 3 0 0 4
CerezaS 0 0 171 0 0 0 0 5 12 3 0 0 0
Concha 5 12 0 37 0 9 2 1 0 1 0 0 6
DxHongo 0 0 0 0 185 0 3 1 0 0 0 0 1
Flotador 4 0 0 5 0 94 3 3 0 4 3 1 1
Inmaduro 0 3 1 0 0 3 172 10 2 8 15 0 9
MAVinagre 0 0 5 0 0 5 11 61 0 6 0 0 5
Negro 0 2 9 0 0 0 1 1 154 5 1 0 0
NegroP 6 4 3 3 0 5 10 5 2 136 2 0 0
Normal 0 1 0 0 1 2 9 1 0 1 203 0 3
Pergamino 0 0 0 0 2 0 0 0 0 0 0 116 1
PMCortado 0 4 0 2 1 3 12 7 0 3 7 0 116

Cuadro V. R ESULTADOS DE PRECISION , RECALL , F-M EASURE PARA LA MATRIZ DE CONFUSI ÓN DEL C UADRO IV

Clase Precision Recall F-Measure

BrocadoL 67.8 57.1 62.0
BrocadoS 76.8 85.2 80.7
CerezaS 90.5 89.5 90.0
Concha 63.8 50.7 56.5
DxHongo 97.9 97.4 97.6
Flotador 73.4 79.7 76.4
Inmaduro 75.8 77.1 76.4
MAVinagre 64.2 65.6 64.9
Negro 90.1 89.0 89.5
NegroP 76.4 77.3 76.8
Normal 87.9 91.9 89.8
Pergamino 99.1 97.5 98.3
PMCortado 79.5 74.8 77.1

embargo esto puede mejorarse utilizando un mejora-
miento de imágenes que realice un contraste entre la
coloración Negra y Marrón oscura, de ambas clases.
• Utilizando una validación cruza K-Fold con K = 10
se obtuvo un 82.5 % de Precision.
B. Pruebas utilizando la base de imágenes con White-Patch
En el Cuadro VI se describe la matriz de confusión
obtenida para la base de imágenes mejorada con White-Patch
y en el Cuadro VII se presentan los resultados de Precision,
Recall y F-Measure.
• Los resultados utilizando el algoritmo de mejoramien-
to White-Patch muestran una mejora notoria en la cla-
sificación. Las clases Flotador, Inmaduro y Pergamino
alcanzan un 100 % de F-Measure, en el caso de la
clase Pergamino los resultados eran esperados debido
a su tonalidad amarillo totalmente distinta de otras
clases, sin embargo la clase Flotador presenta una
coloración verde muy similar a otras clases, creemos
que su mejora de 22.6 % en F-Measure se debe al
White-Patch, dado que luego de aplicar el algoritmo
este grano adquiere una coloración verde clara.
• La clase Normal presenta una mejora de 9 % en F-
Measure, pero presenta una instancia clasificada como
NegroP en ambas pruebas, consideramos que esto
se debe a una sombra generada por la malla de
adquisición, dado que la clase NegroP no presenta
ninguna instancia mal clasificada como Normal.
• Los ejemplares de la clase Inmaduro son descritos
como granos de café que no lograron desarrollarse en
su totalidad, su principal caracterı́stica es el tamaño,
su notable mejora en clasificación se debe al White-
Patch, esta clase adquiere una coloración más clara
que lo diferencia de las clases con coloraciones oscu-
ras como Negro, NegroP, BrocadoS y CerezaS.
• En comparación a los resultados para las clases Bro-
cadoL, BrocadoS, NegroP y Concha en el Cuadro IV
se obtuvieron mejoras notables, resaltando el 38 % de
mejora en F-Measure para la clase BrocadoL, y el
43 % para la clase Concha.
• La clase PMCortado presenta una coloración muy
similar a otras clases, su principal caracterı́stica es
su forma, en el Cuadro IV se comprueba que esta
clase no es confundida con las clases de coloraciones
oscuras (Negro, CerezaS) ni Pergamino, esto se debe a
que un ejemplar PMCortado puede ser originado por
un ejemplar Normal que fue cortado en el proceso
de despulpado del fruto del café, también pudo ser
partido en el proceso de transporte, y ser confundido
como un ejemplar Inmaduro. Estos problemas fueron
reducidos por el algoritmo de mejoramiento, sin em-
 Cuadro VI. M ATRIZ DE CONFUSI ÓN PARA LA BASE DE IM ÁGENES CON W HITE -PATCH

Clase BRL BRS CS CON DxH FLO INM MAV NEG NEGP NOR PERG PMC
BrocadoL 69 1 0 0 0 0 0 0 0 0 0 0 0
BrocadoS 0 127 0 0 0 0 0 0 0 0 1 0 0
CerezaS 0 0 186 0 1 0 0 2 0 0 2 0 0
Concha 0 0 0 72 0 0 0 0 0 1 0 0 0
DxHongo 0 0 0 0 189 0 0 2 0 0 0 0 0
Flotador 0 0 0 0 0 118 0 0 0 0 0 0 0
Inmaduro 0 0 0 0 0 0 224 0 0 0 0 0 0
MAVinagre 0 0 0 0 2 0 0 90 0 1 0 0 0
Negro 0 0 0 0 0 0 0 0 171 0 3 0 0
NegroP 0 0 1 0 0 0 0 0 0 175 0 0 0
Normal 0 0 0 0 0 0 0 0 0 1 219 0 1
Pergamino 0 0 0 0 0 0 0 0 0 0 0 117 0
PMCortado 0 0 0 0 2 0 0 1 0 0 1 0 150

bargo aún presenta una ligera confusión con las clases y mejorada con White-Patch, los resultados mostraron un
DxHongo y MAVinagre, cuando ambas clases no son incremento en los porcentajes de clasificación para todas las
confundidas con PMCortado, esto se debe al corte o clases. Concluimos que la clase PMCortado aún presenta un
partido del grano que generan tonalidades similares a porcentaje de error debido a su coloración muy similar a
esas clases sólo en las regiones dañadas, creemos que las clases MAVinagre y DxHongo, esto es producto del daño
un procedimiento de análisis de forma reducirı́a en su ocasionado por el corte o partición en el grano durante el
totalidad este problema. proceso de despulpado o transporte. Adicionalmente creemos
que la aplicación de un proceso de análisis de forma podrı́a
• Utilizando una validación cruza K-Fold con K = 10 reducir en su totalidad este problema.
se obtuvo un 98.8 % de Precision. Concluimos tambien que el uso de una malla para la dis-
Cuadro VII. R ESULTADOS DE PRECISION , RECALL , F-M EASURE PARA
posición de los granos favorece el proceso de control de
LA MATRIZ DE CONFUSI ÓN DEL C UADRO VI calidad, sin embargo se requiere un tiempo para la disposición
de estos el cual es aún menor que el proceso manual de
Clase Precision Recall F-Measure detección de defectos, se propone una variación en el diseño
BrocadoL 100.0 98.6 99.3 que dispense de la malla, también el uso de un algoritmo
BrocadoS 99.2 99.2 99.2 de granulometrı́a como el utilizado en [18] para resolver el
CerezaS 99.5 97.4 98.4 problema de segmentación de granos.
Concha 100.0 98.6 99.3 En trabajos previos han elaborado algoritmos capaces de
DxHongo 97.4 99.0 98.2 segmentar granos juntos, solapados y/o parcialmente ocluidos,
Flotador 100.0 100.0 100.0 sin embargo esto se ve influenciado por la cantidad de tipos de
Inmaduro 100.0 100.0 100.0 defectos utilizados, y también creemos que la oclusión parcial
MAVinagre 94.7 96.8 95.7 de granos puede eliminar posibles defectos en la escena,
Negro 100.0 98.3 99.1 adicionalmente nosotros creemos que el uso de agujeros del
NegroP 98.3 99.4 98.9 mismo tamaño asegura la inclusión de estos en la escena
Normal 96.9 99.1 98.0 y proponemos también utilizar esta información real de los
Pergamino 100.0 100.0 100.0
agujeros para determinar el tamaño real de los granos de
PMCortado 99.3 97.4 98.4
café en la escena, y lograr un nivel de clasificación por tamaño
necesario para el control de calidad de granos de café verde.
Nuestro sistema ha demostrado resultados prometedores, y
en comparación con otros trabajos similares ha utilizado un
VI. C ONCLUSIONES Y TRABAJOS FUTUROS número mayor de clases basado en el estándar propuesto por
Nuestro trabajo presenta la implementación de un sistema la SCAA para el control de calidad de granos de café verde.
de control de calidad aplicado a la detección de defectos Los resultados descritos demuestran que el sistema implemen-
fı́sicos de granos de café verde, combinamos un módulo de tado puede ser utilizado en laboratorios de control de calidad
hardware y software. El hardware es utilizado para mantener de granos de café verde, como plataforma de asistencia al
condiciones de iluminación constante y homogéneas, también experto.
es utilizado para la adquisición de imágenes de cafe, para
evitar el análisis manual realizado por el experto, el módulo AGRADECIMIENTOS
de software utiliza una combinación de White-Patch como
Los autores quisieran agradecer a CECOVASA (Central de
algoritmo de mejoramiento de imágenes e histogramas de color Cooperativas Agrarias Cafetaleras de los Valles de Sandia) quienes
para su representación vectorial de caracterı́sticas, el sistema brindaron el soporte y conocimiento necesario para el desarrollo de
obtuvo resultados al 98.8 % de Precision, esto demuestra la la investigación. Este trabajo ha sido subvencionado por los Fondos
efectividad de nuestro sistema para la asistencia al experto en para el Desarrollo, Ciencia y Tecnologı́a mediante contrato Nro. 143-
el proceso de control de calidad de granos de café verde. 2013 FONDECYT mediante convenio de la Universidad Nacional de
Se realizaron pruebas con una base de imágenes sin mejorar San Agustı́n y CONCYTEC.
 R EFERENCIAS [23] R. Hummel, “Image enhancement by histogram transformation,” Com-
puter graphics and image processing, vol. 6, no. 2, pp. 184–195, 1977.
[1] SCAA, “Specialty coffe asociation of america,” http://www.scaa.org, [24] Q. Wang and R. K. Ward, “Fast image/video contrast enhancement
Mayo 2016. [Online]. Available: http://www.scaa.org/ based on weighted thresholded histogram equalization,” Consumer
[2] E. H. Land et al., The retinex theory of color vision. Citeseer, 1977. Electronics, IEEE Transactions on, vol. 53, no. 2, pp. 757–764, 2007.
[3] W. Ma, J.-M. Morel, S. Osher, and A. Chien, “An l 1-based variational [25] S. Pichai, B. Krishnasamy, and S. Karuppanagounder, “Bi-level weigh-
model for retinex theory and its application to medical images,” in Com- ted histogram equalization for scalable brightness preservation and
puter Vision and Pattern Recognition (CVPR), 2011 IEEE Conference contrast enhancement for images.” Int. Arab J. Inf. Technol., vol. 10,
on. IEEE, 2011, pp. 153–160. no. 6, pp. 603–609, 2013.
[4] M. Sonka, V. Hlavac, and R. Boyle, Image Processing, Analysis, and [26] P. Trahanias and A. Venetsanopoulos, “Color image enhancement
Machine Vision, 3, Ed. Chapman & Hall, 1998. through 3-d histogram equalization,” in Pattern Recognition, 1992. Vol.
III. Conference C: Image, Speech and Signal Analysis, Proceedings.,
[5] T. Hastie, R. Tibshirani, and J. H. Friedman, The elements of statistical 11th IAPR International Conference on. IEEE, 1992, pp. 545–548.
learning: data mining, inference, and prediction: with 200 full-color
illustrations. New York: Springer-Verlag, 2001. [27] N. Bassiou, C. Kotropoulos, and H. Equalization, “Color Histogram
Equalization Using Probability Smoothing,” no. Eusipco, pp. 4–8, 2006.
[6] S. Haykin, Ed., Neural Networks: Algorithms, Applications, and Pro-
gramming Techniques. Bookman, 2001. [28] R. N. Strickland, C.-S. Kim, and W. F. McDonnell, “Digital color image
enhancement based on the saturation component,” Optical Engineering,
[7] R. Barr, J. Haas, and R. R., “Jist: An efficient approach to simulation vol. 26, no. 7, pp. 267 609–267 609, 1987.
using virtual machines,” in Software: Practice and Experience, 2003.
[29] S. K. Naik and C. Murthy, “Hue-preserving color image enhancement
[8] A. Ben-Hur, D. Horn, H. Siegelmann, and V. Vapnik, “Support vector without gamut problem,” Image Processing, IEEE Transactions on,
clustering,” Machine Learning Research, vol. 2, pp. 125–137, 2000. vol. 12, no. 12, pp. 1591–1598, 2003.
[9] M. Hearst, “Trends controversies: Support vector machines,” IEEE [30] D. H. Foster, “Color constancy,” Vision research, vol. 51, no. 7, pp.
Intelligent System, vol. 13, no. 4, pp. 18–28, 1998. 674–700, 2011.
[10] N. Montes, G. Osorio, F. Prieto, and F. Angulo, “La visión artificial [31] M. M. Faghih and M. E. Moghaddam, “Multi-objective optimization
aplicada al proceso de producción del café,” Dyna, vol. 133, pp. 41– based color constancy,” Applied Soft Computing, vol. 17, pp. 52–66,
49, 2001. 2014.
[11] J. A. B. Acevedo, F. A. P. Ortiz, and G. A. O. Londoño, “Segmentación [32] C.-N. Jonathan and E. Raul, “Automatic selection of color constancy
de frutos de café mediante métodos de crecimiento de regiones,” Rev. algorithms for dark image enhancement by fuzzy rule-based reasoning,”
Fac. Nal. Agr. Medellı́n. Vol, vol. 59, no. 1, pp. 3311–3333, 2006. 2014.
[12] Z. L. S. Niño and F. A. P. Ortiz, “Caracterización de café cereza [33] Y. Li, H. Zhang, W. Jia, D. Yuan, F. Cheng, R. Jia, L. Li, and M. Sun,
empleando técnicas de visión artificial,” Revista Facultad Nacional de “Saliency guided naturalness enhancement in color images,” Optik-
Agronomı́a-Medellı́n, vol. 60, no. 2, pp. 4105–4127, 2007. International Journal for Light and Electron Optics, vol. 127, no. 3,
pp. 1326–1334, 2016.
[13] M. Habtamu, “Image analysis for ethiopian coffee classification,” Mas-
ter’s thesis, Addis Ababa University, 2008. [34] Y. Liu, T. Gevers, and X. Li, “Color constancy by combining low-mid-
high level image cues,” Computer Vision and Image Understanding,
[14] D. Soedibyo, K. Seminar, U. Ahmad, and I. Subrata, “The development vol. 140, pp. 1–8, 2015.
of automatic coffee sorting system based on image processing and
artificial neural network,” in Proceedings of AFITA 2010 International [35] N. Otsu, “A threshold selection method from gray-level histograms,”
Conference-The Quality Information for Competitive Agricultural Based Automatica, vol. 11, no. 285-296, pp. 23–27, 1975.
Production System and Commerce, Bogor Agricultural University, West [36] S. Suzuki et al., “Topological structural analysis of digitized binary
Java-Indonesia, 2010, pp. 272–275. images by border following,” Computer Vision, Graphics, and Image
[15] F. Faridah, Gea O. F. Parikesit, “Coffee bean grade determination based Processing, vol. 30, no. 1, pp. 32–46, 1985.
on image parameter,” TELKOMNIKA (Telecommunication, Computing,
Electronics and Control), vol. 9, pp. 547–554, 2011.
[16] J. R. Santos, M. C. Sarraguça, A. O. Rangel, and J. A.
Lopes, “Evaluation of green coffee beans quality using near
infrared spectroscopy: A quantitative approach,” Food Chemistry,
vol. 135, no. 3, pp. 1828–1835, 2012. [Online]. Available: http:
//www.sciencedirect.com/science/article/pii/S0308814612010321
[17] K. Tolessa, M. Rademaker, B. De Baets, and P. Boeckx, “Prediction
of specialty coffee cup quality based on near infrared spectra of green
coffee beans,” Talanta, vol. 150, pp. 367–374, 2016.
[18] S. A. de Araújo, J. H. Pessota, and H. Y. Kim, “Beans quality inspection
using correlation-based granulometry,” Engineering Applications of
Artificial Intelligence, vol. 40, pp. 84–94, 2015.
[19] H. Calvo, M. A. Moreno-Armendáriz, and S. Godoy-Calderón, “A
practical framework for automatic food products classification using
computer vision and inductive characterization,” Neurocomputing, vol.
175, pp. 911–923, 2016.
[20] M. P. Arakeri et al., “Computer vision based fruit grading system for
quality evaluation of tomato in agriculture industry,” Procedia Computer
Science, vol. 79, pp. 426–433, 2016.
[21] B. Zhang, W. Huang, L. Gong, J. Li, C. Zhao, C. Liu, and D. Huang,
“Computer vision detection of defective apples using automatic light-
ness correction and weighted rvm classifier,” Journal of Food Enginee-
ring, vol. 146, pp. 143–151, 2015.
[22] E. M. de Oliveira, D. S. Leme, B. H. G. Barbosa, M. P. Rodarte,
and R. G. F. A. Pereira, “A computer vision system for coffee beans
classification based on computational intelligence techniques,” Journal
of Food Engineering, vol. 171, pp. 22–27, 2016.