ijaers social
facebook
twitter
Blogger
google plus

International Journal of Advanced
Engineering, Management and Science

ijaems google ijaems academia ijaems pbn nauka gov JournalToc Scilit logo neliti neliti microsoft academic search Tyndale Library WorldCat indiana Library WorldCat aalborg university Library J-Gate academickeys ijaems rootindexing ijaems reddit ijaems research bib ijaems slideshare ijaers digg ijaems tumblr ijaems plurk ijaems I2OR ijaems ASI ijaems bibsonomy

Identification of Cocoa Pods with Image Processing and Artificial Neural Networks
( Vol-4,Issue-7,July 2018 )

Author(s):

Sergio A. Veites-Campos, Reymundo Ramírez-Betancour, Manuel González-Pérez

Keywords:

Cocoa pod, Processing of digital images, Artificial Neural Networks.

Abstract:

Cocoa pods harvest is a process where peasant makes use of his experience to select the ripe fruit. During harvest, the color of the pods is a ripening indicator and is related to the quality of the cocoa bean. This paper proposes an algorithm capable of identifying ripe cocoa pods through the processing of images and artificial neural networks. The input image pass in a sequence of filters and morphological transformations to obtain the features of objects present in the image. From these features, the artificial neural network identifies ripe pods. The neural network is trained using the scaled conjugate gradient method. The proposed algorithm, developed in MATLAB ®, obtained a 91% of assertiveness in the identification of the pods. Features used to identify the pods were not affected by the capture distance of the image. The criterion for selecting pods can be modified to get similar samples with each other. For correct identification of the pods, it is necessary to take care of illumination and shadows in the images. In the same way, for accurate discrimination, the morphology of the pod was important.

ijaers doi crossrefDOI:

10.22161/ijaems.4.7.3

Cite This Article:
Show All (MLA | APA | Chicago | Harvard | IEEE | Bibtex)
Paper Statistics:
  • Total View : 73
  • Downloads : 13
  • Page No: 510-518
Share:
References:

[1] Reyes Vayssade, M. (1992). Cacao: Historia, Economía y Cultura. Mexico City: Nestlé
[2] CacaoMexico.org (2010). Cacao México. Retrieved from https://www.cacaomexico.org/
[3] Avendaño, C. H., Villarreal, J. M., Campos, E., Gallardo, R.A, Mendoza, A., Aguirre, J. F., … Zaragoza, S. E. (2011). Diagnóstico del cacao en México. Mexico City: Universidad Autónoma Chapingo.
[4] Lépido Batista. (2009). Morfología de la planta de cacao. Retrieved from http://www.fundesyram.info/biblioteca.php?id=3096
[5] Afoakwa, E. O. (2016). Chocolate science and technology. Oxford: John Wiley & Sons.
[6] Cubillos, G., Merizalde, G., & Correa, E. (2008). Manual de beneficio del cacao. Antioquia: Secretaria de Agricultura de Antioquia.
[7] Lutheran Word Relief (2013). Cosecha, Fermentación y Secado del cacao (Guía 8). Retrieved from http://cacaomovil.com/
[8] Padrón, C. A., León, M. G., Montes, A. I., & Oropeza, R. A. (2016). Procesamiento Digital de Imágenes: Determinación del color en muestras de alimentos y durante la maduración de frutos. Retrieved from https://www.amazon.com/dp/B01MU1KOOF/ref=rdr_kindle_ext_tmb
[9] Viñas, M. I., Usall, J., Echeverria, G., Graell, J., Lara, I., & Recasens, D. I. (2013). Poscosecha de pera, manzana y melocotón. Madrid: Mundi-Prensa Libros.
[10] Martínez Verdú, F. M. (2001). Diseño de un colorímetro triestímulo a partir de una cámara CCD-RGB. (Doctoral Thesis). Universidad Politécnica de Catalunya, Department of Optica and Optometry, Barcelona. Retrieved from http://hdl.handle.net/2117/94055
[11] Ruiz, A. R. J. (1998). Sistema de reconocimiento y localización de objetos cuasi-esféricos por telemetría láser. Aplicación a la detección automática de frutos para robot Agribot. (Doctoral Thesis). Universidad Complutense de Madrid,
Department of computer architecture and Automation, Madrid.
[12] Mosquera, J. C., Sepúlveda, A., & Isaza, C. A. (2007). Procesamiento de imágenes ópticas de frutos café en cereza por medio de filtros acusto-ópticos. Ingeniería y Desarrollo, (21), 93-102.
[13] Padrón Pereira, C. A., León, P., Marié, G., Montes Hernández, A. I., & Oropeza González, R. A. (2012). Determinación del color en epicarpio de tomates (Lycopersicum esculentum Mill.) con sistema de visión computarizada durante la maduración. Agronomía Costarricense, 36(1), 97-111.
[14] Tovar Yate, C. G. (2014). Desarrollo e implementación de una plataforma móvil para recolección de naranjas. (Bachelor's Thesis). Universidad Católica de Colombia, Faculty of Engineering, Colombia.
[15] Acosta, C. P. S., Mir, H. E. V., García, G. A. L., Ruvalcaba, L. P., Hernández, V. A. G., & Olivas, A. R. (2017). Tamaño y número de granos de trigo analizados mediante procesamiento de imagen digital. Revista Mexicana de Ciencias Agrícolas, 8(3), 517-529.
[16] Bonilla-González, J. P., & Prieto-Ortiz, F. A. (2016). Determinación del estado de maduración de frutos de feijoa mediante un sistema de visión por computador utilizando información de color. Revista de Investigación, Desarrollo e Innovación, 7(1), 111-126. doi: 10.19053/20278306.v7.n1.2016.5603
[17] Alberto, C., Pereira, P., León, P., & Valencia, M. (2012). Determinación del color en epicarpios de mango (Mangifera sp.) y plátano (Musa AAB) en maduración mediante sistema de visión computarizada. Revista Venezolana de Ciencia y Tecnología de Alimentos, 3(2), 302-318.
[18] Padrón-Pereira, C. A. (2013). Utilización de imágenes digitales para medición del diámetro de frutos de mandarina (citrus reticulata) en crecimiento / Using digital images for measurement of mandarin (Citrus reticulata) Fruits Diameter During Growth. Ciencia y Tecnología, 6(1), 1-9.
[19] Ávila, G. A. F., & Ricaurte, J. A. B. (2016). Identificación del estado de madurez de las frutas con redes neuronales artificiales, una revisión. Revista Ciencia y Agricultura, 13(1), 117-132.
[20] López, R. F., & Fernández, J. M. F. (2008). Las redes neuronales artificiales. La Coruña: Netbiblo.
[21] Bishop, C., & Bishop, C. M. (1995). Neural networks for pattern recognition. New York: Oxford University Press.
[22] Avila, G. A. F. (2016). Clasificación de la manzana royal gala usando visión artificial y redes neuronales artificiales. Research in Computing Science, 114, 23-32.
[23] Gil, P., Torres, F., & Ortiz Zamora, F. G. (2004). Detección de objetos por segmentación multinivel combinada de espacios de color. Universidad de Alicate, Department of Physics, Systems Engineering and Signal Theory, Alicate. Retrieved from http://hdl.handle.net/10045/2179
[24] Matlab, Mathworks (2018). Image processing Toolbox™ User's Guide. Retrieved from https://la.mathworks.com/help/pdf_doc/images/index.html
[25] Ortiz Zamora, F. G. (2002). Procesamiento morfológico de imágenes en color: aplicación a la reconstrucción geodésica. (Doctoral Thesis). Universidad de Alicate, Department of Physics, Systems Engineering and Signal Theory, Alicate. Retrieved from http://hdl.handle.net/10045/10053
[26] Matlab, Mathworks (2018). Computer Vision System Toolbox™ User's Guide. Retrieved from https://la.mathworks.com/help/pdf_doc/vision/index.html
[27] Demuth, H. B., Beale, M. H., De Jess, O., & Hagan, M. T. (2014). Neural network design. Oklahoma: Martin Hagan.