Clasificación
Automática de Limón Sutil Peruano (Citrus Aurantifolia)
usando Máquinas de Vectores de Soporte
Automatic
Sorting of Peruvian Subtle Lemon (Citrus Aurantifolia) using Support Vector Machines
Freddy
Alcarazo-Ibáñez1, Victor Tuesta-Monteza1,
Heber Iván Mejía-Cabrera1, Juan Carlos Callejas1, Raciel Yera2
1-
Universidad Señor de Sipán. Carretera a Pimentel Km.
5, Chiclayo, Perú
2-
Universidad de Ciego de Ávila. Carretera a Morón Km. 9 ½, Ciego de Ávila, Cuba.
*E-mail:
callejas1959@yahoo.es
Recibido:
20/02/2020; Aprobado: 26/10/2020
Resumen
La
clasificación manual de frutas es un proceso que requiere de personal experto y
es propenso al error humano. Reviste entonces vital importancia la
automatización del mismo utilizando herramientas computacionales. En esta
investigación se propuso un marco de trabajo basado en la aplicación de
técnicas de Pre-Procesamiento de Imágenes y de Visión Artificial para clasificar
de manera automática frutos del Limón Sutil Peruano (Citrus Aurantifolia)
por color. Se presenta un prototipo de clasificación soportado por una
plataforma de hardware para extraer las características de Momentos de Color de
las imágenes de Citrus Aurantifolia con vistas a
entrenar las técnicas de clasificación de Máquina de Vectores de Soporte (SVM)
y K-Vecinos más Cercanos (KNN). Los resultados arrojaron que utilizando el
Momento de Color de la media del canal R (rojo), SVM obtuvo una precisión del
98%. Al convertir las imágenes al espacio de color CIELAB utilizando las
coordenadas a* y b* la precisión obtenida por las técnicas SVM y K-NN fue del
100%.
Palabras
clave:
Clasificación automática, Limón Sutil Peruano, Máquinas de Vectores de Soporte,
K-Vecinos más Cercanos, pre-procesamiento de imágenes.
Abstract
The manual classification of fruits is a process that
requires expert knowledge and is prone to human error. Therefore, the
automation of such process through the use of
computational tools is of high importance. This research proposes a framework
based on the application of image pre-processing techniques and artificial
vision for automatically classifying Citrus Aurantifolia
fruits through their colors. A classification prototype is presented which is
supported by a hardware platform to extract the Color Moments features from the
Citrus Aurantifolia images, so as
to train the Support Vector Machine (SVM) and K-nearest neighbors (KNN)
classification techniques. Results conclude that using the Color Moment related
to the mean of the R channel, SVM reaches a precision of 98%. When images were
converted into the CIELAB color space, the use of the coordinates a* and b*
leads to a precision of 100% using the classifiers SVM and KNN.
Key words: Automatic
classification, subtle Peruvian lemon, support vector machine, K-nearest
neighbors, image pre-processing.
I.
INTRODUCCIÓN
Diversos
mercados del mundo importan el Limón Sutil Peruano (Citrus Aurantifolia),
el cual es fuente importante de vitamina C para las personas, siendo esto
recomendado por la Organización Mundial de la Salud (OMS) [1].
Un
proceso importante con vistas a su comercialización resulta la clasificación
manual de este limón, en maduro, pintón, o verde. Sin embargo, por ser un
proceso manual existe una alta probabilidad de que se realicen clasificaciones
incorrectas debido al factor del error humano, convirtiéndose así al proceso en
impreciso al depender de factores subjetivos como es el estado de salud de la
persona y la experticia de la misma. A raíz de lo anterior, la presente
contribución se centra en el uso de herramientas computacionales que
automaticen esta clasificación, contribuyendo así a mitigar estas
insuficiencias.
La
revisión del estado del arte en esta línea de investigación permite identificar
varios antecedentes de trabajos relacionados con la clasificación automática de
cítricos usando técnicas computacionales. En esta dirección, Ying et al. [2]
proponen un método para evaluar el estado de madurez
de los cítricos basándose en rasgos de color, evaluando la propuesta en una
base de datos de 252 imágenes del cítrico de Weizhang. En adición, Khojastehnazhand
et al. [3]
propuso una arquitectura compuesta por varios
componentes de hardware como cámaras y tarjetas de captura, con vistas a
evaluar la calidad de frutos de limón. Recientemente, Blasco et al. [4]
presentan un revisión de los desarrollos tecnológicos
más actuales centrados en evaluar la calidad de las frutas de diversos
cítricos, considerando determinación de defectos, forma y color. En este
sentido a pesar de ser un área de trabajo abordada previamente por algunos
autores, existen aún muy pocos trabajos centrados en mostrar un estudio
completo de la evaluación de la calidad de imágenes de cítricos usando una base
de datos real, tal y como ha sido recientemente evidenciado por Bhargava et al [5].
Con
vistas a cubir esta brecha, el objetivo de este
trabajo es el de reportar la experiencia del desarrollo de un marco de trabajo
basado en hardware y software, para la clasificación automática de Citrus Aurantifolia en la región de Lambayeque, Perú, basado en
técnicas de aprendizaje automático y visión artificial.
Para
la clasificación automática de Citrus Aurantifolia se
utiliza la técnica de Máquina de Vectores de Soporte (SVM) y K-Vecinos más
Cercanos (KNN) [6]
utilizando las características de Momentos de Color [7].
Estas permiten aplicar operaciones estadísticas tales como la media, desviación
estándar, asimetría o curtosis sobre los canales de
las imágenes de las clases Maduro, Pintón y Verde de Citrus Aurantifolia
en el espacio de color RGB, y permiten la identificación de las mismas. Además,
las imágenes originales de Citrus Aurantifolia fueron
convertidas a otros espacios de color con la finalidad de mejorar los
resultados. Un prototipo de clasificación automático de Citrus Aurantintolfia fue desarrollado para probar el sistema de
clasificación en un ambiente real.
La
novedad del trabajo se puede resumir en:
-
La
utilización de técnicas de inteligencia artificial y de visión por computadora
en la clasificación de frutas de Citrus Aurantifolia.
-
El
desarrollo de un prototipo de clasificación automática para probar el sistema
de clasificación.
-
La
evaluación de las propuestas en un escenario con casos reales.
El
trabajo se estructura de la forma siguiente. La sección II muestra los
antecedentes más directos de la presente investigación, a partir de los
trabajos relacionados. La sección III muestra el desarrollo de la propuesta,
mientras que la sección IV muestra los resultados del estudio realizado sobre
datos reales. La sección V muestra las conclusiones y los posibles trabajos
futuros a desarrollar.
II. TRABAJOS RELACIONADOS
El
problema de la identificación manual de frutas por su estado de maduración,
siempre ha presentado variabilidad e imprecisión por factores subjetivos como
la fatiga ocular del experto clasificador, o el estado de salud general de la
persona [5, 8]. A
pesar de ser esta un área de trabajo también abordada previamente desde el
punto de vista computacional por varios investigadores [5],
existe un número menor de trabajos enfocados específicamente en el dominio de
los cítricos.
En
esta dirección, Ying et al. [2] proponen un método para evaluar el estado de madurez de los
cítricos basándose en rasgos de color. Con este fin, utilizan una red neuronal
de tres capas del tipo feed-forward para mapear las características
del cítrico basándose en sus niveles de color. Esto es evaluado en una base de
datos de 252 imágenes de cítricos provenientes de la región de Weizhang, China. Por otro lado, Khojastehnazhand
et al. [3] proponen una arquitectura compuesta por varios componentes
de hardware como cámaras y tarjetas de captura, con vistas a evaluar la calidad
de frutos de limón. En este caso utilizan los valores de saturación e
intensidad como rasgos determinantes, así como el volumen de la fruta. La
calibración del sistema es hecha tomando como referencia muestras previas de
tipos de frutas, elegidas por expertos. En adición, Posada et al. [9] han
presentado un sistema de parametrización y clasificación automática de limones
persas, en el que evalúan las variaciones morfométricas
y colorímetras a través de datos estadísticos de
posicionamiento en el canal RGB de una imagen. Asimismo, Dorj et al.
[6] proponen un
algoritmo que utiliza los rasgos de color para presentar una visión global de
las características del cítrico, empleando la segmentación basada en la
transformada watershed.
Finalmente, Vidal et al. [7] proponen la estimación del índice estándar de color del
cítrico usando un sistema desarrollado para una plataforma móvil.
Resumiendo,
el análisis de los trabajos previos sugiere la presencia de una cantidad menor
de investigaciones relacionadas con el uso de herramientas computacionales para
apoyar la caracterización manual de cítricos, en comparación con otras frutas y
vegetales [5, 8, 9].
El
presente trabajo se centra en esta dirección, al proponer un marco de trabajo
para la clasificación automática de Citrus Aurantifolia
en la región de Lambayeque, Perú, basado en técnicas de aprendizaje automático
y visión artificial.
III. DESARROLLO DE LA PROPUESTA
El marco
de trabajo propuesto para llevar a cabo la clasificación automática de Citrus Aurantifolia por color se presenta en la Figura 1. A
continuación se describen cada una de las etapas de este marco de trabajo.
Figura 1. Marco de trabajo propuesto
para la Clasificación Automática de Citrus Aurantifolia
por Color.
III.A Caracterización
de las Clases de Citrus Aurantifolia
Para
realizar la recolección de las muestras de Citrus Aurantifolia
se recurrió a un experto en agroindustria el cual pudo proporcionar las
características de color de cada una de las clases de Citrus Aurantifolia (Maduro, Pintón y Verde) en una matriz con el
color promedio en RGB de las clases.
Figura 2. Clases Verde, Pintón y
Maduro de Citrus Aurantifolia.
Con
base a las características de color adquiridas por el experto se recolectaron
las muestras. En la Figura. 2 se puede apreciar de izquierda a derecha la clase
Verde, Pintón y Maduro de Citrus Aurantifolia. La
clase “Verde” se caracteriza por tener un color de textura de verde oscuro, la
clase “Pintón” tiene un color de textura verde con manchas amarillas y en la
mayoría de los casos su color es menos oscuro que la clase “Verde”. La clase
“Maduro” se caracteriza por tener toda la textura amarilla con ligeros tonos de
color verde.
III.B Adquisición
de Imágenes
Se
obtuvo una base de datos de 350 imágenes por cada clase de Citrus Aurantifolia en el espacio de color RGB. Las imágenes se
adquirieron utilizando un prototipo de adquisición de imágenes con iluminación
controlada como se aprecia en la Figura 3. Se utilizó la fuente de iluminación
LED (6w, 500 lúmenes, 180-240v), la cual es una fuente de iluminación
económica, de respuesta rápida y menos sensible a vibraciones, que proporciona
una intensidad de luz moderada y difusa.
La
cámara utilizada en el prototipo de adquisición de imágenes (Figura 4) tuvo una
resolución de 5 Megapíxeles (Mpx) de marca Logitech
(modelo C-170). Las imágenes adquiridas tuvieron una resolución de 640x480 Mpx en el espacio RGB.
Un
programa escrito en el lenguaje de programación Python utilizando la librería
de código abierto OpenCV permitió acceder a la cámara
Logitech C-170 para adquirir las imágenes de Citrus Aurantifolia.
Todas
las imágenes fueron separadas en carpetas, es decir se agruparon en distintas
carpetas aquellas clases que pertenecen a la clase “Maduro”, “Pintón” y
“Verde”. Por lo tanto, se obtuvo una base de datos de 1050 imágenes
correctamente ordenadas para posteriormente realizar su pre-procesamiento. En
la Figura 5 podemos apreciar imágenes de ejemplo que fueron adquiridas mediante
el prototipo de adquisición de imágenes.
Figura 3. Diseño 3D del Prototipo de
Adquisición de Imágenes de Citrus Aurantifolia.
Figura 4. Imágenes Reales del Prototipo de Adquisición de Imágenes
de Citrus Aurantifolia.
III.C Pre-Procesamiento
de las Imágenes
Una
vez elaborada la base de datos de imágenes de Citrus Aurantifolia
con las clases Maduro, Pintón y Verde, se procede a realizar el
pre-procesamiento de las imágenes. Esto se realiza con la finalidad de lograr
su segmentación y elaborar una nueva base de datos de imágenes segmentadas de
las tres clases de Citrus Aurantifolia, para
posteriormente utilizar dicha base de datos y extraer las características de
color de cada una de las imágenes.
El
primer paso fue aplicar la corrección gamma, según [10] la
corrección gamma se utiliza para corregir el brillo de una imagen utilizando
una transformación no lineal entre los valores de entrada y los valores de
salida asignados (Ecuación 1).
(1)
Donde I es la imagen de entrada, G es el valor gamma, en este caso
particular se utilizó G = 0.8, y O es
la imagen de salida escalada en un rango de [0, 255].
Figura 5. Imágenes Adquiridas de
Citrus Aurantifolia.
Posteriormente
a las imágenes se les aplico un filtro pasa bajo “blur”
para atenuar las frecuencias altas y dejar invariantes las frecuencias bajas.
Filtrada la imagen con el filtro pasa bajo se convirtió al espacio de color
HSV, según [11] el espacio de color HSV tiene la ventaja de ser
invariante a las condiciones de luz y por lo tanto la conversión a HSV se
realiza para detectar la presencia de Citrus Aurantifolia
en las imágenes adquiridas respecto a su fondo. El siguiente paso fue convertir
la imagen en HSV a escala de grises para poder aplicar el método de segmentación
Otsu [12] para
encontrar un nivel de umbral en las imágenes de Citrus Aurantifolia
las cuales tiene un fondo de color blanco (Figura 4).
Las
técnicas aplicadas para realizar el pre-procesamiento de las imágenes de Citrus
Aurantifolia se resumen en la Figura 6.
Figura 6. Etapas del Pre-procesamiento
de las Imágenes de Citrus Aurantifolia.
III.D Extracción
de Características de Color
El
color es considerado una característica importante para la representación de
una imagen debido a que dicho atributo es invariante con respecto a la escala y
rotación de esta. Los momentos de color utilizados para describir las imágenes
son la varianza de color, la media de color, la curtosis
de color y la asimetría de color [7]. Según [13] los momentos de color se basan en el supuesto
de que la distribución del color en una imagen puede ser interpretada como una
distribución de probabilidad. Las distribuciones de probabilidad se
caracterizan por un número de momentos; por ejemplo, las distribuciones
normales se diferencian por su media y varianza. Por lo tanto, se deduce que si
el color de una imagen sigue una cierta distribución de probabilidad, los
momentos de esa distribución pueden ser utilizados como características para
identificar una imagen basándose en el análisis de su color [13]. Se
extrajeron las características de color de la media del canal R (Rojo) de las
imágenes de Citrus Aurantifolia. Se omitieron las
características de la media de canal Verde (Green) y Azul (Blue) debido a que
no presentaron valores diferenciadores que pudieran servir para entrenar una
técnica de clasificación automático.
En la
Figura 7 se puede apreciar que los valores de la media del canal R (rojo)
tienden a disminuir. En esta dirección, los valores más altos del canal R los
tiene la clase “Maduro” de Citrus Aurantifolia,
seguidamente los valores menores del canal R los tiene la clase “Pintón”, y
finalmente la clase “Verde” es aquella clase que tiene los valores más bajos
del canal R.
Figura 7. Media del Canal R (Rojo) de
las Imágenes de Citrus Aurantifolia.
Por lo
tanto las características de la media del canal Rojo se extrajeron mediante la
siguiente ecuación:
(2)
Donde R es el canal
Rojo de las imágenes de Citrus Aurantifolia y N es el número total
de píxeles.
Con
el objetivo de mejorar los resultados se obtienen los valores promedios de las
coordenadas a* y *b (relación a*/b*) del espacio de color CIELAB. El espacio de
color CIE L* a* b* es muy utilizado debido a la uniformidad en la distribución
de colores en el dicho espacio [14]. En [15] se estudió la evolución del color de epicarpios de
tomates durante 27 días, se determinó que las coordenadas a* y b* del espacio
de color CIELAB presentan valores bajos cuando el estado de maduración del
tomate es verde y valores más altos cuando el tomate tiene un mayor nivel de
madurez. A raíz de lo anterior, la relación de las coordenadas a*/b* son
extraídas para mejorar la precisión de la clasificación de las clases de Citrus
Aurantifolia.
Para
extraer las características de la relación a*/b* se utiliza una base de datos
de 250 imágenes por clase. Estas imágenes de la nueva base de datos fueron extraídas
de la base de datos original de 350 imágenes por clase. Partiéndose de esta, se
realizó un análisis para separar aquellas imágenes de Citrus Aurantifolia que presentaban características distintivas,
con la finalidad de obtener una mayor capacidad de aprendizaje por parte de la
técnica de clasificación utilizada posteriormente.
En
la Figura 8 se puede apreciar la representación gráfica de las características extraídas
de la relación a*/b* de las imágenes de Citrus Aurantifolia
en el espacio de color CIELAB. Este tipo de gráfico permite verificar si las
características presentan o no demasiado ruido y si no están muy mezcladas, lo
cual incidiría de forma negativa en la utilización de la técnica de
clasificación.
Figura 8. Representación gráfica de
las Características de la relación a*/b* extraídas de las imágenes de Citrus Aurantifolia en el espacio de Color CIELAB.
La
representación gráfica de las características de la relación a*/b* de las
imágenes de Citrus Aurantifolia en el espacio de
color CIELAB mostradas en la Figura 8 permiten concluir que las características
de la clase Maduro presentan los valores más altos, mientras que los valores
más bajos los tiene la clase Verde. Más específicamente, en el orden de mayor a
menor la clase Maduro tiene los valores más altos, la clase Pintón presenta
valores más bajos que la clase Maduro y la clase Verde tiene los valores más
bajos de todas las clases.
En
la Tabla 1 se muestran los valores de las nueve primeras características extraídas
de ejemplo de cada clase (Maduro, Pintón y Verde) de Citrus Aurantifolia.
Por
lo tanto, a partir de las características extraídas de ejemplo de Citrus Aurantifolia que se aprecian en la Tabla 1 se corrobora lo
indicado por [15], pudiéndose apreciar valores altos para Citrus Aurantifolia de clase “Maduro” y “Pintón” mientras que los
valores más bajos los tiene la clase “Verde”. Por lo tanto valores bajos de las
características extraídas de la relación a*/b* representan la presencia de
color verde en Citrus Aurantifolia y valores más
altos representan la presencia de color amarillo [15],
o mayor estado de madurez en Citrus Aurantifolia.
Tabla 1. Características de ejemplo
de la relación a*/b* de las imágenes de Citrus Aurantifolia.
|
Maduro |
Pintón |
Verde |
|
21.18 |
6.60 |
3.52 |
|
21.53 |
6.72 |
2.44 |
|
24.00 |
4.76 |
2.85 |
|
23.72 |
8.59 |
2.14 |
|
23.13 |
9.84 |
4.17 |
|
24.54 |
10.03 |
3.83 |
|
24.97 |
9.97 |
4.87 |
|
24.87 |
10.10 |
3.40 |
|
23.68 |
11.92 |
3.22 |
III.E Entrenar
Técnica de Clasificación Automática
Se
eligió utilizar las técnicas de clasificación automática de Máquinas de
Vectores de Soporte (SVM) y K-Vecinos más Cercanos (KNN) para clasificar las
instancias capturadas de Citrus Aurantifolia en las
clases maduro, pintón o verde. En trabajos previos como el desarrollado por Hammed et al. [6] se
realizó una comparación de diversas técnicas de clasificación automática
aplicadas a la clasificación de frutas y vegetales, y en este ambas técnicas se
destacan por haber obtenido una mayor tasa de precisión frente a otras técnicas
aplicadas en la clasificación de frutas como son Redes Neuronales Artificiales
(ANN), K-medias, Naive Bayes
entre otras.
La
técnica de clasificación SVM está conformada por un clasificador binario que se
usa ampliamente para la clasificación de datos en muchas aplicaciones, siguiendo
un procedimiento para encontrar un hiperplano de
separación óptimo [8]. Esta técnica, con datos no lineales, asigna el
espacio de entrada original de las características a un espacio de entidades de
mayor dimensión. Dicho mapeo maximiza las capacidades de generalización del
clasificador utilizando funciones kernel las cuales son capaces de poder ampliar la separación
entre las clases [8].
Dado
un conjunto de ejemplos de entrenamiento donde
es el vector de
características y
son las etiquetas o
clases de las muestras de entrenamiento, el límite óptimo está definido como:
(3)
Donde w y b
pueden ser resueltos siguiendo el problema de optimización siguiente:
(4)
Donde
C es el parámetro de penalidad (C>0) y ε es el valor del error, sujeto
además a la siguiente restricción . La solución de este problema de optimización maximiza el
margen de la frontera de decisión.
Se
utilizó una función kernel de base radial (RBF)
debido a que las características de Citrus Aurantifolia
no son linealmente separables. La función de base radial ofrece buenos
resultados en muchas aplicaciones de clasificación automática con SVM en datos
linealmente no separables [8]. Por lo tanto, la ecuación presente en la expresión (3)
se convierte en:
(5)
Donde es el coeficiente de Lagrange,
es el conjunto de
índices diferentes de cero de
,
es un parámetro libre,
es un ejemplo de
prueba, y
es la distancia euclídea.
El
método propuesto de esta investigación se centra en clasificar las clases
Maduro, Pintón y Verde de Citrus Aurantifolia.
Considerando que no se tienen dos clases binarias y se tienen más de dos clases
se aplicó la clasificación SVM multiclase [8].
Para su implementación se utilizó la librería SciKitLearn
utilizada en aplicaciones de aprendizaje automático la cual es de código
abierto y se utiliza en el lenguaje de programación Python.
Por
otra parte la técnica de clasificación automática K-NN se basa en clasificar
puntos de datos desconocidos utilizando la distancia euclídea.
Cada punto de datos en los k puntos de datos más cercanos emite el voto y la
categoría con el mayor número de votos gana [16].
Ambas
técnicas de clasificación SVM y KNN se entrenaron con el 80% de las
características de Citrus Aurantifolia y se reservó
el 20% para realizar las pruebas de clasificación. El rendimiento de ambas
técnicas de clasificación se evaluó obteniendo una matriz de confusión, la cual
según [17] permite evaluar el desempeño de técnicas o modelos de
clasificación automático obteniendo una serie de medidas que se presentarán en
la sección de resultados.
III.F Prototipo
de Clasificación Automático de Citrus Aurantifolia
El
prototipo de clasificación automática implementado en esta investigación tiene
una faja transportadora la cual se adaptó al prototipo de adquisición de
imágenes (Figura 4). La faja transportadora es controlada mediante un
microcontrolador Arduino y un driver L298 (Puente H).
Se utiliza un sensor infrarrojo para detectar Citrus Aurantifolia
antes de llegar a la cámara. Detectado el fruto por el sensor, la faja
transportadora es detenida por 5 segundos, tiempo que se utiliza para que el
sistema adquiera los datos, en este caso la imagen de Citrus Aurantifolia y seguidamente extraiga las características
del fruto. Finalizada los 5 segundos de espera se envía el comando “t” para que
el sistema de clasificación en la computadora proceda a clasificar el fruto con
las características de la imagen capturada, de la misma manera se hace una
pausa de 2 segundos para enviar el comando al computador.
Terminado
el tiempo la faja transportadora se inicia y el microcontrolador Arduino queda en espera que le llegue el número de la clase
predicha por el clasificador. El valor enviado al microcontrolador es capturado
para procesarlo por tres condiciones las cuales verifican si el valor recibido
desde el computador corresponde a la clase maduro (0), pintón (1) o verde (2),
y en función de dichos valores se mueven los actuadores luego de un determinado
tiempo. En las Figuras 9 y 10 se aprecian imágenes reales del prototipo de
clasificación automático de Citrus Aurantifolia por
color.
A
modo de resumen, en la Figura 11 se aprecia respectivamente el diagrama de
flujo que se desarrolla entre el prototipo de clasificación automática de
Citrus Aurantifolia y la computadora la cual contiene
en ejecución la técnica de clasificación automática SVM.
Figura 9. Partes del Prototipo de
Clasificación Automático de Citrus Aurantifolia.
Figura 10. Prototipo de Clasificación
Automático de Citrus Aurantifolia.
Figura 11. Diagrama de Flujo del
Prototipo de Clasificación Automático de Citrus Aurantifolia.
IV.
RESULTADOS
A
continuación, se presentan los resultados obtenidos de la clasificación
automática de Citrus Aurantifolia utilizando las
características de los Momentos de Color.
En
un primer momento, la técnica de clasificación automática SVM fue entrenada con
las características de la media del canal R (rojo) de las imágenes de Citrus Aurantofilia en el espacio de color RGB.
La
técnica SVM obtuvo una precisión general del 98%, mientras que se obtuvo una
tasa de precisión de 98% para todas las clases de Citrus Aurantifolia
(Maduro, Pintón y Verde). En el mismo orden de clases de Citrus Aurantifolia, la sensibilidad obtenida fue del 100%, 96% y
98% respectivamente. La tasa de especificidad obtenida de las clases fue del
99% y se obtuvo una exactitud del 99% para la clase Maduro, 98% para la clase
Pintón, y la clase Verde obtuvo una tasa del 99% respectivamente. La técnica de
clasificación SVM obtuvo un tiempo computacional de 0.0467925 seg.
En
la Figura 12 se puede apreciar la representación gráfica de los resultados
obtenidos de la técnica de clasificación SVM evaluada con los indicadores de
sensibilidad, especificidad, exactitud y precisión en clasificar las clases de
Citrus Aurantifolia, utilizando las características
del Momento de Color de la media del canal R (Rojo) de las imágenes de Citrus Aurantifolia en el espacio de color RGB.
Figura 12. Gráfico de los resultados de
la técnica de clasificación SVM entrenada con las características del Momento
de Color de la media del canal rojo (R) de las imágenes de Citrus Aurantifolia en el espacio de color RGB.
Estos
resultados obtenidos fueron mejorados al entrenar las técnicas de clasificación
SVM y KNN con las características de la relación a*/b* de las imágenes de
Citrus Aurantifolia en el espacio de color CIELAB.
Aquí es de resaltar que ambas técnicas de clasificación SVM y KNN al computar
los indicadores obtuvieron una tasa de precisión del 100% en clasificar las
clases Maduro, Pintón y Verde.
Sin
embargo, los tiempos computacionales de ejecución consumidos por las técnicas
de clasificación fueron distintos. La técnica de SVM obtuvo un tiempo
computacional de ejecución de 0.029801 segundos (29 milisegundos), mientras que
el tiempo computacional consumido por la técnica KNN fue de 0.0074096 segundos,
es decir aproximadamente 7 milisegundos. Sin embargo, a pesar de que la técnica
KNN obtuvo en este caso un tiempo de ejecución menor respecto a SVM, el
procesamiento de KNN a gran escala es computacionalmente costoso y requiere de
una gran cantidad de memoria para un cálculo eficiente de las similitudes [18].
Se necesitan análisis adicionales para decidir la mejor técnica a utilizar
desde el punto de vista computacional, en un escenario a mayor escala.
V.
CONCLUSIONES Y TRABAJOS FUTUROS
La
presente contribución ha presentado un marco de trabajo para la clasificación
automática de Citrus Aurantifolia, el cual está
compuesto por seis etapas fundamentales, que son la Caracterización de las
clases, Adquisición de las imágenes, Pre-procesamiento de las imágenes,
Extracción de las características del color, Entrenar técnica de clasificación
automática, y el Prototipo de clasificación
Se
concluyó que las características del espacio de color CIELAB (relación a*/b*)
han permitido obtener una tasa de precisión del 100% en clasificar las clases
Maduro, Verde y Pintón de Citrus Aurantifolia. El
resultado obtenido fue superior respecto a la utilización de las
características del Momento de Color de la media del canal R (rojo) de las
imágenes de Citrus Aurantifolia en el espacio de
color RGB para entrenar la técnica de clasificación SVM. En este último caso la
técnica obtuvo una tasa de precisión general del 98%.
La
técnica de clasificación KNN obtuvo un menor tiempo de ejecución respecto a la
técnica de clasificación SVM utilizando las características de la relación
a*/b* de las imágenes de Citrus Aurantifolia en el
espacio de color CIELAB.
Las
técnicas de pre-procesamiento digital de imágenes y visión artificial se han
utilizado sin inconvenientes y demuestran que pueden obtener una tasa de
precisión alta en la clasificación automática de frutas como es Citrus Aurantifolia. Por lo tanto su aplicación para automatizar
procesos de clasificación manual de frutas puede ayudar a disminuir los errores
cometidos por personal experto en clasificación de frutas. Aunque estos
sistemas no pueden igualar la precisión del ojo y la mano de los humanos, la velocidad
y el costo al que trabajan pueden superarlas fácilmente.
Como
trabajo futuro más inmediato, se propone realizar un análisis completo de la
superficie de la fruta utilizando otro diseño de faja transportadora que
permita rotar la fruta 360° con la finalidad de detectar la presencia de
defectos, forma y tamaño de Citrus Aurantifolia. En
adición, se pretende aplicar herramientas provenientes de la lógica difusa con
el fin de manejar la incertidumbre asociada al proceso de clasificación [19].
Referencias bibliográficas
[11] N. A.
Dobernack, "Implementación de un sistema de detección de señales de
tráfico mediante visión artificial basado en FPGA," Universidad de Sevilla, Sevilla, España.[Online] Available: http://bibing.us.es/proyectos/abreproy/12112/fichero/Documento_por_capitulos, vol. 2, 2013.
[13] N.
Keen, "Color moments," School
Of Informatics, University Of Edinburgh, pp. 3-6, 2005.