Elección de características de interés en la clasificación de granos de café mediante un sistema de visión por computadora

• Autores: Perez Miranda, Stefany Carolyn, Rosell Llanos, Luis Adrián
• Formato: tesis de grado
• Fecha de Publicación: 2017
• Institución: Universidad Privada del Norte
• Repositorio: UPN-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upn.edu.pe:11537/12650
• Enlace del recurso: https://hdl.handle.net/11537/12650
• Nivel de acceso: acceso cerrado
• Materia: Calidad total; Producción; Administración de operaciones; https://purl.org/pe-repo/ocde/ford#2.11.04

RESUMEN La clasificación de la calidad del café antes de ser tostado, una de las operaciones más importantes para definir su calidad y precio en el mercado, se realiza manualmente por personal entrenado en el reconocimiento de los defectos del café. Sin embargo, el carácter subjetivo, costo y tiempo que este involucra genera un campo de investigación importante para la aplicación de tecnologías como la visión artificial. El objetivo de este estudio fue evaluar la capacidad de identificación de defectos y clasificación de granos de café mediante un sistema de visión por computadora en el espacio red-green- blue (RGB). Para este fin se implementó un sistema de adquisición y análisis de imágenes, desarrollando una aplicación informática en Matlab 2015ª. Se compraron en el mercado local muestras de café verde, clasificando cada grano de acuerdo con la NTP 209.027 2001. Se adquirieron las imágenes de cada clase y se analizaron determinando en cada grano seis parámetros de forma, seis parámetros de color, en los espacios RGB y HSV, y dos índices o diferencias normalizadas. Se determinaron los parámetros con influencia estadística en la clasificación mediante software de análisis de datos WEKA y se implementaron tres modelos de clasificación máquinas de soporte vectorial (Support Vector Machine - SVM), arboles de decisión (Decision Tree - DT) y K-vecino más cercano (K-Nearest Neighbor). Los tres tipos de clasificador utilizados en la presente investigación mostraron precisión entre 89% y 92.3% lo cual prueba la posibilidad de implementar sistemas basados en imágenes RGB para clasificar granos de café.