Diagnóstico automatizado para la clasificación de café trillado con broca mediante procesamiento de imágenes con Deep Learning

• Autor: Espinoza Villafuerte, Nilda
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/1961
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/1961
• Nivel de acceso: acceso abierto
• Materia: Broca; Café; Imágenes; Algoritmos; Clasificación y automático; https://purl.org/pe-repo/ocde/ford#2.02.04

En la actualidad en el Distrito de Ocobamba la enfermedad de la broca (Hypothenemus hampei Ferrari) afecta mucho a la producción agrícola del café, puesto que la selección de los granos se realiza manualmente y esto ocasiona pérdida de tiempo y por ende baja la producción en toda la agricultura de café. El cual realizar la selección es difícil manualmente pues ocasiona pérdida de tiempo y con esta demora de tiempo en la selección afecta para su proceso de exportación y también afecta económicamente a los agricultores. Frente a este problema de selección del grano de café se plantea diagnosticar automáticamente la clasificación en los granos de café trillado que están infectados por la enfermedad de la broca, esto se realizó con el proceso de toma de imágenes de los granos de café con broca y bueno para formar un labels de imágenes. Después de crear los labels de imágenes se procedió a realizar el entrenamiento de los algoritmos con modelos de máquinas de vectores de soporte para su reconocimiento automático, para distinguir rápidamente los granos de café según el estado que tienen cada imagen tomada. En la construcción del algoritmo se utilizó el método de Haralick y LBP las cuales están formadas matemáticamente y estas utilizan matrices las cuales sufren un proceso de conversión en algoritmos para realizar la clasificación automática, por ende realizaron entrenamientos con el labels de imágenes que tenían dos estados que son granos de café con y sin broca. Se obtuvo el resultado en el que se verificó que el algoritmo funciona correctamente en la detección de imágenes de granos de café en 50 imágenes de prueba, en las que el 96% tenía una clasificación óptima y un margen de error del 04%.