Sistema de visión artificial para la clasificación de granos de trigo y cebada
Resumen
Este estudio presenta en detalle un sistema de visión artificial que clasifica objetos en dos clases. El procedimiento por el que se realiza la clasificación se compone de dos etapas, una de entrenamiento y otra de prueba. En la etapa de entrenamiento se obtiene un vector de características, que es una lista ordenada de características que maximiza el poder de clasificación. En la etapa de prueba se lleva a cabo una clasificación basada en el análisis discriminante (AD) y en el algoritmo de los K vecinos más próximos. El sistema fue aplicado a la clasificación de granos de trigo y cebada. Los resultados obtenidos permiten concluir que en la clasificación de granos de trigo y cebada mediante el sistema presentado: (i) se puede obtener una precisión alta en la clasificación; (ii) el empleo de características morfológicas, de textura y de color de forma conjunta ofrece mejores resultados que el empleo de características de un sólo tipo; (iii) la extracción del radio máximo, el valor medio del componente verde y el valor y medio del nivel de gris de la matriz de co-ocurrencia GLCM orientada 90° ofrece los mejores resultados de clasificación; y (iv) el empleo de un número de características superior a tres incrementa el coste computacional y puede reducir la precisión en la clasificación.Descargas
Citas
Bebis G., Egbert D., Shah M., 2003. Review Of Computer Vision Education. Ieee Trans Educ 46, 2-21. http://dx.doi.org/10.1109/TE.2002.808280
Chen X., Xun Y., Li W., Zhang J., 2010. Combining Discriminant Analysis And Neural Networks For Corn Variety Identification. Comput Electron Agric 71, 48-53. http://dx.doi.org/10.1016/j.compag.2009.09.003
Choudhary R., Paliwal J., Jayas D.S., 2008. Classification Of Cereal Grains Using Wavelet, Morphological, Colour And Textural Features Of Non-Touching Kernels Images. Biosyst Eng 99, 330-337. http://dx.doi.org/10.1016/j.biosystemseng.2007.11.013
Choudhary R., Mahesh S., Paliwal J., Jayas D.S., 2009. Identification Of Wheat Classes Using Wavelet Features From Near Infrared Hyperspectral Images Of Bulk Samples. Biosyst Eng 102, 115-127. http://dx.doi.org/10.1016/j.biosystemseng.2008.09.028
Chtioui Y., Bertrand D., Devaux M.F., Barba D., 1996. Application Of A Hybrid Neural Network For The Discrimination Of Seeds By Artif Icial Vision. Proc Viii Ieee Intnl Conf On Tools With Artificial Intelligence, Toulousse, France, Nov 16. Pp. 484-489. http://dx.doi.org/10.1109/TAI.1996.560797
Churchill D.B., Bilsland D.M., Cooper T.M., 1993. Separation Of Mixed Lots Of Tall Fescue And Ryegrass Seed Using Machine Vision. T Asae 36, 1383-1386.
Duda R.O, Hart P.E., Stork D.G., 2001. Pattern Classification. Willey Interscience, Ny, Usa. 738 Pp.
Gonzalez R.C., Woods R.E., 2006. Digital Image Processing. Prentice-Hall, Ny, Usa. 954 Pp.
Granitto P.M., Navone H.D., Verdes P.F., Ceccatto H.A., 2002. Weed Seeds Identification By Machine Vision. Comput Electron Agric 33, 91-103. http://dx.doi.org/10.1016/S0168-1699(02)00004-2
Leemans V., Destain M.F., 2007. A Computer-Vision Based Precision Seed Drill Guidance Assistance. Comput Electron Agric 59, 1-12. http://dx.doi.org/10.1016/j.compag.2007.04.003
Luo X., Jayas D.S., Symons S.J., 1999. Identification Of Damaged Kernels In Wheat Using A Colour Machine Vision System. J Cereal Sci 30, 49-59. http://dx.doi.org/10.1006/jcrs.1998.0240
Majumdar S., Jayas D.S., 2000a. Classification Of Cereal Grains Using Machine Vision: I. Morphology Models. T Asae 43, 1669-1675.
Majumdar S., Jayas D.S., 2000b. Classif Ication Of Cereal Grains Using Machine Vision: Ii. Color Models. T Asae 43, 1677-1680.
Majumdar S., Jayas D.S., 2000c. Classif Ication Of Cereal Grains Using Machine Vision: Iii. Texture Models. T Asae 43, 1681-1687.
Majumdar S., Jayas D.S., 2000d. Classification Of Cereal Grains Using Machine Vision: Iv. Combined Morphology, Color, And Texture Models. T Asae 43, 1689-1694.
Marchant J.A., Onyango C.M., Street M.J., 1990. Computer Vision For Potato Inspection Without Singulation. Comput Electron Agric 4, 235-244. http://dx.doi.org/10.1016/0168-1699(90)90022-H
Paliwal J., Shashidhar N.S., Jayas D.S., 1999. Grain Kernel Identification Using Kernel Signature. T Asae 42, 1921-1924.
Paliwal J., Visen N.S., Jayas D.S., White N.D.G., 2003. Cereal Grain And Dockage Identification Using Machine Vision. Biosyst Eng 85, 51-57. http://dx.doi.org/10.1016/S1537-5110(03)00034-5
Parker J.R., 1993. Practical Computer Vision Using C. John Wiley & Sons, Ny, Usa. Pp. 476.
Pearson T., Brabec D., Scott H., 2008. Color Image Based Sorter For Separating Red And White Wheat. Sensing And Instrumentation For Food Quality And Safety 2, 280-288. http://dx.doi.org/10.1007/s11694-008-9062-0
Theodoridis S., Koutroumbas K., 2006. Pattern Recognition. Elsevier, San Diego, Usa. 837 Pp.
Visen N., Paliwal J., Jayas D.S., 2002. Algorithm Development For Grain Kernel Identification. Ieee Canadian Conf On Electrical And Computer Engineering. Manitoba, Canada. Vol. 2, Pp. 963-967.
Wan Y.N., Lin C.M., Chiou J.F., 2002. Rice Quality Classification Using And Automatic Grain Quality Inspection System. T Asae 45, 379-387.
Webb A.R., 2002. Statistical Pattern Recognition. John Wiley & Sons, Ltd, Chichester, Uk. 496 Pp.
Zayas I., Pomeranz Y., Lai F.S., 1989. Discrimination Of Wheat And Nonwheat Components In Grain Samples By Image-Analysis. Cereal Chem 66, 233-237.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
