biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8

Disponible en línea en www.sciencedirect.com

ScienceDirect

revista Página de inicio : www . er vi más. com / loc en e / issn / 1 5 3 7 5 1 1 0

Trabajo de investigación

La detección temprana de daños mecánicos en mango

usando NIR imágenes hiperespectrales y aprendizaje
automático

Nayeli Vélez Rivera un, Juan Gómez-Sanchis segundo, Jorge Chanona-Pérez

un
, Juan Carrasco Jose' segundo, Mo'nica Milla'n-Giraldo segundo,do, Delia
Lorente re, Sergio Cubero re, Jose' Blasco re,*
a Instituto Nacional Polite'cnico miEscuela Nacional de Ciencias Biolo'gicas, Departamento de Ingenierı'a Bioquı'mica, Av.
Plan de Ayala y Carpio s / n, Col. Santo Toma's, CP 11340, México, DF, México
b Universitat de Vale`ncia miLaboratorio de Análisis Inteligente de Datos, Av. Universitat S / N, 46100, Burjassot,
Valencia, España
c Universitat Jaume I miInstituto de Nuevas Tecnologías de la Imagen, Av. Sos Baynat S / N, 12071,

Castello' de la Plana, España

d Centro de Agroingenierı'a, Instituto Valenciano de Investigaciones Agrarias (IVIA), Ctra. 5 km Moncada-Na'quera, 46113,
Moncada, Valencia, España

información del artículo

La fruta de mango es sensibles y pueden fácilmente desarrollar manchas marrones después de sufrir estrés
Historia del artículo: mecánico durante el manejo postcosecha, transporte y comercialización. La inspección manual de esta fruta se
Recibido el 26 de septiembre de utiliza hoy en día no puede detectar el daño en etapas muy tempranas de madurez y hasta la fecha no automático
2013 recibida en forma de 19 de herramientas capaces de dicha detección se ha desarrollado, ya que los sistemas actuales basados en visión
revisada de febrero de 2014 artificial sólo detectan daños muy visibles. La aplicación de imágenes hiperespectrales para la inspección de
aceptado el 27 de de marzo de calidad postcosecha de las frutas es relativamente reciente y la investigación está todavía en curso para encontrar
2014 Publicado en línea el 8 de un método para estimar las propiedades internas o detectar daños invisibles. Este trabajo describe un nuevo
mayo de 2014 sistema para evaluar el daño inducido mecánicamente en el pericarpio de mango 'Manila' en diferentes etapas
de madurez basados en el análisis de imágenes hiperespectrales.mi1100 nm usando un sistema de visión por
palabras clave: ordenador hiperespectral y después se analizó para seleccionar las longitudes de onda más exigentes para
Visión por computador distinguir y clasificar las dos zonas. Once métodos de selección de característica se usaron y se comparan para
Selección de características determinar las longitudes de onda, mientras que otros cinco métodos de clasificación se utilizaron para
La calidad del fruto segmentar las imágenes multiespectrales resultantes y clasificar la piel de los mangos como sonido o dañado.
frutos de mango Una tasa de 97,9% de clasificación correcta de píxeles se logró en el tercer día después del daño había sido
inspección no destructiva causado usando k-vecinos más cercanos y el espectro total y la cifra se redujo a 91,4% cuando se utilizaron sólo
imágenes hiperespectrales las bandas más discriminantes.

ª 2014 IAgrE. Publicado por Elsevier Ltd. Todos los derechos

reservados.

* Autor correspondiente. Tel .:þ34 96 3424000.

Correos electrónicos: jchanona@ipn.mx (J. Chanona-Pérez), blasco_josiva@gva.es (J. Blasco).
http://dx.doi.org/10.1016/j.biosystemseng.2014.03.009
1537-5110 /ª2014 IAgrE. Publicado por Elsevier Ltd. Todos los derechos reservados.
92 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8
1. Introducción
El mango (Mangifera indica L.) ha llegado a ser importante como un
producto que se exporta a varios países productores. La FAO informó que
en 2011 México se ubicó quinto entre los principales países productores de
mango y fue también el primer exportador del mundo (FAOSTAT, 2011).
México produce más de 50 variedades de mango, 'Manila' de ser uno de los
más importantes, tanto para los mercados nacionales e internacionales
(Ornelas-Paz, Yahiaa, y Gardea, 2008). El mango 'Manila' es una muy
suave Por lo tanto, la fruta y es muy susceptible a los daños mecánicos
durante los procesos posteriores a la cosecha. El Daño mecánico a los
resultados de la fruta de cargas superficiales, pero los factores que
determinan la diferente susceptibilidad o la sensibilidad de la fruta a los
daños mecánicos de una especie o variedad a otra es aún desconocido
(Martı'nez-Romero et al., 2004), Y su evaluación cuantitativa es todavía un
reto (Li & Thomas, 2014). Hahn (1999) informaron sobre el efecto de los
daños causados por impacto en diferentes variedades de mango y 'Manila'
era uno de los más sensibles, ya que este cultivar comenzó a desarrollar
hematomas después de haber sido impactado desde una altura de sólo 20
cm. Uno de los principales problemas en el período post-cosecha es que el
daño causado durante el manejo postcosecha puede no ser visible hasta
varios días más tarde, cuando el fruto ya ha sido comercializado. Cualquier
proceso, y consecuentemente la reputación del productor, se juzga por la
calidad del producto final, lo que hace el control de calidad sea una etapa
crucial del proceso. Por lo tanto, este es un gran problema en la industria
del mango debido a esta falta de calidad no se puede detectar mediante
inspección visual durante el manejo poscosecha, y la fruta dañada con un
mal aspecto puede tener una influencia importante en la decisión del
consumidor de elegir un tipo diferente de fruta. Cómo siempre, esta
situación se agrava aún más cuando la fruta se exporta porque se trata de
una prioridad para la fruta mexicana y sólo frutas de excelente calidad
pueden ser exportados.
La detección de frutos dañados en la industria se puede ACH-ieved por
medio de sistemas automáticos (Valiente-Gonza'lez, Andreu-García,
Potter, y Rodas-Jorda', 2014). No destructivo métodos tales como
espectrometría o análisis de imágenes en el rango visible y del infrarrojo
cercano del espectro se han aplicado ampliamente para evaluar aspectos de
la calidad y la madurez en frutas y hortalizas (Cubero, Aleixos, Molto',
Gómez-Sanchis, y Blasco, 2011), incluyendo fruta del mango (Vélez-
Rivera et al, 2014.; Wanitchang, Terdwongworakul, Wanitchang, y
Nakawajana, 2011). Por ejemplo, Hahn (2004) relacionado daños
mecanicos con la pérdida de firmeza en los mangos 'Kent'. El autor indujo
a los impactos con un dispositivo de péndulo con el fin de ser capaz de
controlar las fuerzas implicadas en la causa de los daños. De hecho,
impactos controlados se utilizan con frecuencia en los estudios de
evaluación de daños mecánicos en las aceitunas (Jiménez-Jiménez, Castro-
García, Blanco-Rolda'n, Agüera-Vega, y Gil-Ribes, 2012), naranjas (Ortiz,
Blasco, Balasch, y Torregrosa, 2011), (manzanasElmasry, Wang,
Vigneault, Qiao, y Elsayed, 2008), caqui (Novillo, Salvador, Llorca,
Hernando, y Besada, 2014), patatas o tomates (Van Zeebroeck et al., 2003).
Sin embargo, diversos defectos como el deterioro, la contaminación
microbiana, mecánica y los daños por congelación o infección por ongos
son muy difíciles de detectar en las primeras etapas usando sistemas de
visión artificial estándar (Gómez-Sanchis et al., 2013) Y otras tecnologías
deben desarrollarse. Los avances logrados en
sistemas de imágenes hiperespectrales, junto con la reducción de su precio,
recientemente han permitido que esta tecnología sea incorporado en los
laboratorios de control de calidad pos-cosecha, que lo utilizan para
desarrollar nuevos sistemas avanzados para predecir la calidad y las
propiedades de las frutas y hortalizas interna (Lorente, Aleixos, et al., 2012),
incluyendo algunos tipos de daños mecánicos (Nanyam, Choudhary, Gupta,
y Paliwal 2012). Esta tecnología combina el análisis de ambas
características espaciales y espectrales de una muestra (Elmasry,
Kamruzzaman, Sun, y Allen, 2012). Como resultado, se puede por lo tanto
hacer uso de la información espectral para estimar los compuestos internos
o también para detectar diversos tipos de daño que no pueden ser detectados
por los sistemas de visión por ordenador estándar porque el daño no está
completamente desarrollado o su apariencia es muy similar a la sonar la
piel, como es el caso de las lesiones de caries en los cítricos (Blasco,
Aleixos, Gómez-Sanchis, y Molto' de 2009) o propiedades internas en
pimientos (Schmilovitch et al., 2014). Sin embargo, la complejidad del
análisis de imágenes hiperespectrales requiere una gran cantidad de tiempo
de cálculo. Además, la enorme cantidad de datos proporcionados por estos
sistemas hace que sea necesario disponer de métodos fiables para
seleccionar sólo la información que realmente puede optimizar los
resultados. Dado que una imagen hiperespectral se compone de un conjunto
de imágenes monocromáticas banda estrecha consecutivos, cierta
información contenida en bandas estrechas es redundante y con frecuencia
altamente correlacionados. Por esta razón, es muy importante seleccionar
sólo aquellas bandas con la información más relevante, mientras se
descartan los que no contribuyen de manera significativa a mejorar los
resultados. Bajo esta premisa recientemente varios estudios se han llevado
a cabo utilizando diferentes métodos de selección de características. Por
ejemplo,Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco (2013) y
Lorente, Blasco, et al. (2012)comparado varios métodos para la selección
de longitudes de onda importantes para detectar lesiones de caries en los
cítricos en las primeras etapas. Serranti, Cesare, y Bonifazi (2013) usadas
intervalo de mínimos cuadrados parciales análisis discriminante (IPL-DA)
en las imágenes hiperespectrales para reducir su dimensión espectral y la
redundancia, y para extraer características de la imagen útiles para
diferenciar tres clases de trigo.
Una vez que las bandas relevantes han sido seleccionadas, se obtiene
una imagen multiespectral, que luego tiene que ser segmentado con el fin
de lograr el rendimiento real del sistema. Esta segmentación consiste en
clasificar cada píxel de la imagen multiespectral como perteneciente a una
región de interés, utilizando el valor espectral de los píxeles en las diferentes
bandas seleccionadas como entradas de los clasificadores (Gómez-Sanchis
et al., 2012, 2013). Por lo tanto, el principal objetivo de los experimentos
llevados a cabo es estudiar la posibilidad de detectar daños mecánicos
inducida intencionalmente en mangos 'Manila' en las primeras etapas de
madurez usando un sistema de visión hiperespectral, que se consigue
mediante la identificación de las bandas espectrales que mejor se
categorizan si una el mango está dañado o no. El trabajo también tiene como
objetivo obtener el clasificador que mejor se adapte a este problema
mediante la segmentación de las imágenes usando sólo las bandas
seleccionadas.
2. material y métodos
2.1. Fruta utilizada en los experimentos
Diez mangos (Mangifera indica L.) cv. 'Manila' se obtuvieron de un
mercado local, todos ellos siendo similar en términos de etapa de madurez
(sin madurar), firmeza, color (verde oscuro), la forma y
 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8
tamaño, así como libre de las manchas o defectos externos. El peso promedio
de la fruta era 271,82 g 2,67. Antes de los experimentos, la fruta se lavó con
una solución al 1% de hipoclorito de sodio durante 10 min y luego se
enjuagaron con agua destilada y se secó a temperatura ambiente (Corkidi,
Balderas-Ruı'z, Taboada, Serrano-Carreo'n, y Galindo, 2006). El daño
mecánico fue inducida en la fruta en la zona ecuatorial y cada área batido fue
marcado con el fin de ser capaz de identificar la zona dañada en una etapa
posterior. El daño a la fruta se ha creado usando un péndulo con una longitud
de 242 mm. En el extremo inferior del brazo del péndulo había un aluminio
impactando pieza esférica que pesa 177 g. La energía del impacto se calcula
como la energía cinética del brazo del péndulo justo antes del impacto. La
energía aplicada a la fruta era 0.123 J cuando se libera el brazo de péndulo
desde un ángulo de 45 con respecto a la vertical (Van Zeebroeck et al., 2003).
Inmediatamente después de la fruta estaba dañado, las muestras se
almacenaron en condiciones de oscuridad a 25 ° C y una humedad relativa
de 75%. Las imágenes de los mangos se adquirieron 1 h después de causar
el daño y luego cada 24 h durante siete días consecutivos.
2.2. sistema de imagen
El sistema de visión hiperespectral utilizado para adquirir las imágenes
consistía en una cámara monocromática (CoolSNAP ES, fotometría-RICS,
EE.UU.) configurado para adquirir imágenes con un tamaño de 551 x 551
píxeles y una resolución de 0,27 mm / pixel. La cámara estaba
acoplado a un filtro de cristal líquido sintonizable (LCTF) (Varispec NIR
07, Cambridge Research e Instrumentación, Inc., EE.UU.). los
las imágenes fueron adquiridas en el rango entre 650 nm y
1080 nm con una resolución de 10 nm. La escena se ilumina
por luz indirecta a partir de doce lámparas halógenas (20 W) dispuestos
equidistantes entre sí dentro de un aluminio semiesférica difusor
a fin de proporcionar uniformidad espacial. La superficie interior
de la cúpula fue pintada de blanco con una textura áspera para maxi-
mise su reflectividad y para iluminar la escena indirectamente por medio
de reflexión, que mejor se adapte a la forma de los objetos curvos como
mangos. Figura 1 muestra el esquema del sistema de imagen.
Las lámparas se conectan durante 25 min antes de cada imagen
adquisición para permitir que la radiación emitida por las lámparas a
estabilizar. Las imágenes fueron adquiridas mediante la colocación de la fruta
en el interior
la cámara de inspección manualmente con el área dañada
frente a la cámara. Este sistema capturó un cubo hiperespectral
compuesta de 44 imágenes monocromas para cada fruta, que
da un total de 440 imágenes en blanco y negro, cada imagen que contiene
el sonido y las áreas dañadas. Las lámparas halógenas ofrecen un alto
grado de direccionalidad, produciendo variaciones espaciales en el
intensidad en el plano de la escena que fueron corregidos por
el procesamiento de las imágenes antes de obtener el conjunto de datos
etiquetados.
Por otra parte, la reflectancia que se mide puede ser alterado por
la diferente sensibilidad espectral de los elementos en el
sistema hiperespectral. Para evitar esto, se llevó a una corrección
en las imágenes utilizando una referencia de blanco con una reflectancia
valor de 99% (CSRT-99-050, Labsphere Inc, EE.UU.), de acuerdo
con la Ecuación (1) (Gómez-Sanchis et al., 2008).
RxyrelÞ
r l r l RoscurorelÞ
Þ Þ
x
¼ árb RblancorelÞ RoscurorelÞ
y itr
93
Figura 1 mi Esquema del sistema de visión artificial utilizado para
adquirir las imágenes hiperespectrales.
la imagen monocroma adquirida por el hiperespectral es una
imagen oscura adquirido por el sistema en ausencia de iluminación
y Rxy(L) es la imagen sin corregir adquirida por el sistema.
El fondo fue posteriormente segmentado utilizando la imagen
capturado a 700 nm debido a la alta contraste entre la fruta
y el fondo, lo que hace que sea fácil de separar los dos
regiones usando cualquier umbral por encima de un valor de 50. Figura 2
muestra el (rojo, verde, azul) imagen RGB de un mango a lo largo de
con las imágenes monocromáticas en algunos ejemplos de
longitudes de onda.
2.3. conjunto de datos etiquetados
Una aplicación específica programada para seleccionar manualmente y
tienda de regiones de interés (ROI) en imágenes hiperespectrales fue
utilizados para seleccionar sonido y dañadas áreas de la capturado
imágenes. Por cada día de la adquisición de imágenes, un total de 44
espec-
trales características se almacenan para cada píxel en las regiones de
interés que estaban
seleccionado, estos correspondiente al valor del píxel en cada
longitud de onda. Además, la clase pertenece el píxel fue también
almacenado como una variable de clasificación. Un total de 29.400
píxeles eran
seleccionada de entre el conjunto de las imágenes capturadas cada día, los
datos-
conjuntos que se dividen en un conjunto de entrenamiento (50%) y un
conjunto de prueba (50%).
El gran número de píxeles en la prueba fue elegido con el fin
para evaluar la capacidad de generalización de la estadística
modelos. figura 3 muestra la reflectancia promedio para el sonido y
muestras dañadas en el conjunto de datos etiquetados.
2.4. métodos de selección de características
Para obtener varios conjuntos de longitudes de onda importantes con los
que a
discriminar entre las zonas dañadas y sonido (el daño
aún no siendo visible) se estudiado diversos métodos y
(1) comparado. Estas técnicas de selección de características fueron:
Característica basada en la correlación de selección de subconjuntos
(CSA) (Hall, 2000),
r
o

e r
e
donde rxy(L) es la imagen después de aplicar esta primera corrección,
rárbitro(L) es la reflectancia del blanco de referencia, Rblanco(L) es
Chi Cuadrado (ChiS) (Miller y Siegmund, 1982), La puntuación de
Fisher
(Duda, Hart, y Stork, 2001), Gini algoritmo de impureza (GIA)
94 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8
Figura 2 Ejemplo de RGB y las imágenes monocromáticas de una muestra mango capturado en ciertas longitudes de onda.
(Breiman, Friedman, Piedra, y Olshen, 1984), Ganancia de información
(IG) (Guyon y Elisseeff de 2006), Mínimo de redundancia máxima
relevancia (Mrmr) (Peng, largo, y Ding, 2005), ReliefF (Kira y Rendell,
1992), Secuencial Selección hacia adelante (SFS) (Kohavi y John, 1997),
Escaso de regresión logística (SLR) (Cawley, Talbot, y Girolami, 2007),
Paso a paso (Draper y Smith, 1998), y Estudiantes de T-test (Larsen y Marx,
2005). tabla 1 resume los métodos de selección de características, que
muestra las principales propiedades de cada uno de ellos.
Para determinar el mejor conjunto de bandas para detectar las áreas
dañadas, se considera un método basado en un comité de expertos (CE). La
CE combina la selección de cada método individual para proporcionar un
conjunto único de bandas. Los primeros seis bandas clasificados dadas por
cada técnica se consideraron como potencialmente elegibles, pero sólo
aquellos que fueron seleccionados por al menos tres de las técnicas fueron
finalmente elegidos. Este proceso se llevó a cabo
Fig. 3 reflectancia promediados para todo el espectro de las muestras de
sonido y dañadas del conjunto de datos con la etiqueta: reflectancia de la
zona dañada está representado por el símbolo >, La reflectancia de la
zona de sonido está representado por símbolo segundo
usando el conjunto de datos de imágenes correspondientes al tercer día
después de producir el daño, ya que los resultados óptimos se ob-
CONTENIDAS este día el uso de todas las bandas, como se explica en la
sección de resultados.
tabla 1 Resumen de los métodos de selección de función utilizado para
decidir las longitudes de onda más discriminantes.
Método principales propiedades
CFS Filas cuentan con las variables, dando mayor relevancia a
aquellos altamente correlacionado con la clase correspondiente
mientras correlacionado con los demás
ChiS Estima el nivel de asociación entre la
clase respectiva y cada entidad de entrada con el fin de
clasificar todas las características en función de su relevancia
Pescador Da el coeficiente de correlación entre la
características y selecciona las mejores características-n
Puntuación clasificados con las puntuaciones más grandes
GIA Calcula la impureza de características de acuerdo con la
categorización de los casos mediante la medición de la frecuencia
un ejemplo elegido al azar está mal clasificado
YO G Mide el valor de la función en relación con el
clase
mrmr Selecciona aquellos rasgos de mayor relevancia para
la clase de destino y que también son máximamente
diferente al resto de las clases
ReliefF Ocupa características en función de su relevancia teniendo
en cuenta cómo sus valores se pueden distinguir
entre instancias de los mismos y diferentes clases
que están cerca uno del otro
SFS Selecciona un subconjunto de características del conjunto original
a partir de un conjunto vacío, y la adición de características con
el objetivo de maximizar la predicción cuando están
combinado con los anteriores
SLR La función de probabilidad logarítmica negativa del binomio
distribución se reduce al mínimo para obtener el máximo
La estimación de probabilidad. Una restricción se utiliza para
reducir
el modelo de regresión logística
paso a paso método iterativo en el que se evalúan todas las características
para cada iteración con el fin de añadir secuencialmente el
más uno correspondiente al modelo
estudiante de Evalúa la importancia variable y determina la
T-test probabilidad de que dos clases de ser en relación con el
característica analizada
 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8 95

Tabla 2 Ranking de longitudes de onda seleccionadas de acuerdo con cada método de selección de características.
métodos de selección de
características banda 1 Band 2 Band 3 banda 4 banda 5 banda 6
CFS 710 720 730 740 1070 1080
ChiS 720 730 740 710 780 700
Pescador 730 720 740 780 710 770
GIA 720 730 710 740 700 780
YO G 720 730 740 710 780 700
Mrmr 730 740 1050 1040 1060 1030
RelifF 1080 760 650 900 1070 660
T-test 1080 890 900 1070 1060 980
paso a paso 710 700 750 720 670 730
SLR 890 700 980 930 900 750
SFS 730 750 780 820 930 890

2.5. clasificadores
Para segmento de las imágenes, se ensayaron cinco métodos de
clasificación para determinar cuál ofrece los mejores resultados. Ellos se
utilizaron para clasificar los píxeles como pertenecientes al sonido o áreas
dañadas. En primer lugar, se utilizaron en todo el cubo hiper-espectral,
empleando todas las bandas espectrales adquiridos por el sistema. Luego,
se aplicaron usando sólo los seis longitudes de onda más importantes
seleccionados en el paso anterior como entrada. Por lo tanto, además de
obtener la mejor combinación de métodos para seleccionar funciones y
clasificar la fruta, la perfor-mance de las longitudes de onda seleccionadas
también puede ser evaluada. Los clasificadores estudiadas fueron análisis
lineal discriminante (LDA) y K-vecinos más cercanos (k-NN), que son dos
clasificadores ampliamente utilizados en visión artificial y aplicaciones de
visión por ordenador hiperespectrales (McLachlan, 2004; Pólder, van der
Heijden, & Young, 2002); Naïve Bayes (NBC), que fue elegido como una
enfoque probabilístico basado en el teorema de Bayes (Becker, Kohavi, y
Sommerfield 2001); y árboles de decisión (DT) y Extreme Machine
Learning (ELM), debido a que estos clasificadores recientemente se han
utilizado con buenos resultados para detectar las primeras etapas de las
lesiones de desintegración en los cítricos utilizando imágenes
hiperespectrales (Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco
(2013) y Lorente, Blasco, et al. (2012)). En el caso de k-NN, la k valor se
optimizó y automáticamente calcula de acuerdo con el error de dejar uno
fuera en el conjunto de entrenamiento, lo que dio
(de izquierda a derecha). Se puede observar que todos los métodos
proporcionan conjuntos de bandas similares, excepto Mrmr, RelifF y T-test,
que contribuyen con las bandas superior del espectro estudiado. Aunque el
partido entre las bandas proporcionados por diferentes métodos de
selección de características no es completa, hay ciertas áreas del espectro
en la que se puede detectar una acumulación apreciable de bandas.
Figura 4 espectáculos la representación de la frecuencia (histo-gramo)
en la que cada longitud de onda se selecciona por los distintos métodos
empleados, de conformidad con tabla 1. Los once bandas que han sido
seleccionados por tres o más métodos, que son los que se han incluido en
el método de selección de características CE, se muestran en barras sólidas.
En esta figura se puede observar que hay un intervalo principal de bandas
(700 nmmi780 nm) y otros dos intervalos menores (890 nmmi900 nm y
1070 nmmi1080 nm). La mayoría de las longitudes de onda se seleccionan
en la primera gama, que coincide con la observada enFigura 2, Donde se
observa una gran diferencia entre los espectros de las áreas de sonido y
dañado alrededor de la gama entre 700 nm y 800 nm.
3.2. clasificación de píxeles
Tabla 3 informes la precisión obtenida por los modelos evaluó para cada
día de almacenamiento en términos de tasas de éxito

k ¼ 5. Para el algoritmo ELM, que es un algoritmo de aprendizaje

optimizado para el Feedforward de red (SLFN) (de una sola capaHuang,
Zhu, y Siew, 2006), Se evaluó el número de nodos ocultos sigmoideas de
10 a 150 en pasos de 10 nodos y la mejor estructura se obtuvo cuando este
tenía 100 nodos ocultos.

3. Resultados y discusión

En esta sección resultados obtenidos por los modelos de clasificación y

técnicas de selección de características se proporcionan sólo para el
conjunto de prueba. Fig. 4 Histograma de las longitudes de onda seleccionadas por los
métodos de selección de características. Las barras sólidas son aquellas
3.1. Selección de características bandas que han sido seleccionados por al menos tres métodos e incluidos
en la CE.
No hubo longitudes de onda individuales en los que era fácil diferenciar la
zona dañada del mango de la piel sonido sur-redondeo. Los resultados de
los métodos de selección de características se muestran en laTabla 2, Donde
las bandas más importantes están ordenados desde el más relevante para el
menos relevante
96 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8

el único método que funciona bien desde el primer día. Los resultados que
Tabla 3 mi La exactitud obtenida por los modelos de clasificación
se han obtenido utilizando todas las bandas adquiridas por el sistema de
utilizando todo el espectro adquirido.
visión artificial hiperespectral y solamente los elegidos por el método de la
Exactitud (%) k-NN NBC OLMO DT LDA
CE. Con el éxito promedio de 97,9% y 91,4%, respectivamente, el segundo
Día 1 94.87 67.46 84.63 89.27 89.76 enfoque proporciona más pobres re-sultados que cuando se utiliza toda la
Dia 2 95.03 67,54 84.75 89.12 90.59
gama adquirida, lo cual es lógico ya que las bandas que no son considerados
Día 3 97.95 68.22 90.96 91.92 95.54
todavía puede contener información que es independiente aunque no es
Día 4 98.03 71.03 94.91 95.00 95.99
Dia 5 98.04 74,91 97.12 96.03 98.00 muy relevante. Por esta razón, se necesita más esfuerzo para mejorar los
día 6 98.13 75.60 97.08 96.20 98.02 resultados durante el uso de incluso menos bandas con el fin de crear un
día 7 98.08 75.65 97.13 96.23 98.01 sistema que se puede utilizar con eficacia por la industria. Por lo tanto, el
presente estudio contribuye a una mejor selección de 'Manila' de frutas
variedad de mango, permitiendo la detección temprana de daños mediante
un sistema inteligente, que es especialmente importante para el mercado de
Tabla 4 mi Matriz de confusión de validación de datos proporcionado exportación.Figura 5 muestra la imagen segmentada en com-parisón a la
por kclasificador NN usando todas las bandas capturados y el uso imagen de la mango obtenida a 900 nm en Figura 2. La mayoría de los
sólo las bandas elegidas por la selección de características CE errores corresponden a los píxeles aislados que podría ser-cor rected usando
un filtro de mediana. Por otro lado, algunos errores se encuentran en las
método.
fronteras de la fruta debido a la curvatura de la superficie de los mangos.
Predicción/ todas las bandas bandas de la CE
Estos probablemente se podrían resolver mediante la eliminación de las
Realidad
Dañar Sin daños Dañar Sin daños fronteras de los mangos antes de aplicar el clasificador, es decir, al no
(%) (%) (%) (%)
considerar las fronteras en el problema.
Dañar 97.72 2.28 91.14 8.86
Sin daños 1.82 98.18 8.43 91.57

clasificar los píxeles de los mangos en las dos clases predefinidas cuando
se consideraron todas las bandas espectrales. El Accu-picante de los
modelos se ve a aumentar con el tiempo, lo cual es lógico ya que el daño
evoluciona. Sin embargo, desde el primer día, k-NN logra una precisión de
94,9%, lo que da una idea del potencial de esta técnica para detectar este
daño. Mientras que el mejor resultado se obtiene precisión con k-NN, el
clasificador Naïve Bayes proporcionado resultados inesperadamente
pobres, lo que podría explicarse parcialmente por el hecho de que este
método se basa en la suposición de que, dentro de cada clase, los distribui-
ciones de probabilidad para atributos son independientes entre sí. Sin
embargo, esto no es realista ya que las correlaciones entre las características
pueden suceder y esto puede degradar la precisión del clasificador
bayesiano ingenuo (Langley y Sage, 1994).
Como se muestra en Tabla 3, Todos los modelos de clasificación
excepto NBC lograron un relativamente buen nivel de precisión desde el
primer día, k-NN que ofrece el mejor rendimiento, que se convierte en
estable desde el día 3 (97,95%) en adelante. Por otra parte, la precisión
classifica-ción de este modelo no aumentó significativamente después de
este día. Por lo tanto, puesto que un objetivo de este estudio era detectar el
daño tan pronto como sea posible, la función de selección se llevó a cabo
utilizando los datos obtenidos en el tercer día de los experimentos.Tabla 4
muestra los resultados de la clasificación obtenidos usando k-NN en el
tercer día de los experimentos, ya que este es
Estos resultados pueden considerarse aceptable, ya que no actualmente
sistemas disponibles son capaces de detectar este daño. Por lo tanto, este
trabajo sienta las bases para la futura implementación de un sistema
automático capaz de detectar el daño temprano causado por el estrés
mecánico. Además, estos resultados son consistentes con otros trabajos
recientes llevados a cabo usando esta tecnología para la detección de daños
en otras frutas. Por ejemplo,Nagata, Tallada, y Kobayashi (2006)
identificado hasta cinco longitudes de onda para detectar daños en la fresa
en 87% de los casos utilizando análisis discriminante lineal paso a paso,
mientras Liu, Chen, Wang, Chan y Kim (2006) adquirido una tasa de éxito
de 90% en la detección de daños en los pepinos. Qin, Burks, Zhao,
Niphadkar y Ritenour (2011) alcanzado las tasas de éxito de 95% en la
detección de cancro de los cítricos y Huang, Chen, Li, y Zhang (2013)
adquirido tasas de éxito de 96% en la detección de daños mecánicos en
manzanas en ambos casos mediante la selección de dos longitudes de onda
utilizando PCA. En cualquier caso, los daños causados por impactos y la
capacidad de detección no destructiva sys-TEMS depende del estado de
madurez de la fruta o los umbrales de la energía de impacto, según lo
declarado porKitthawee, Pathaveerat, Srirungruang y Masacre (2011) en un
estudio para correlacionar ocurrencia contusión con un impacto o
compresión de los cocos aún verdes. Sin embargo, en estas obras, se detectó
el daño después de que se hizo claramente visible, mientras que en nuestro
caso, el daño no era visible en el momento de los experimentos. Sin
embargo, para extender
Fig. 5 mi imagen segmentada en comparación con la obtenida a 900 nm.
 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8 97

cítricos utilizando datos multiespectrales y morfológica caracteristicas.

Biosystems Engineering, 103, 137mi145.
la utilidad del sistema propuesto, es necesario llevar a cabo más estudios
con la fruta en diferentes etapas de temperaturas de maduración y
almacenamiento.

4. conclusiones

Un sistema de formación de imágenes hiperespectrales NIR se utilizó para

detectar daños mecánicos inducida en mangos 'Manila' por medio de
análisis de imagen. Las imágenes fueron capturadas durante siete días
después de que el daño se produjo con el fin de estimar el momento en el
que el daño podría ser eficazmente detectada en las imágenes. El uso de
todas las bandas, se concluyó que después del tercer día los resultados
fueron buenos para casi todos los clasificadores, con k-NN lograr los
mejores resultados.

Con el fin de reducir la dimensionalidad de los datos, se utilizaron once

métodos de selección de características y la información combinada en el
denominado método de comité de expertos, que sólo selecciona aquellas
bandas que fueron elegidos en varias ocasiones por lo menos tres diferentes
métodos de selección. Los resultados revelaron tres regiones del espectro
que fue estudiado donde había una acumulación de bandas seleccionadas:
700 nmmi780 nm, 890 nmmi900 nm y 1070 nmmi1080 nm.

Además, cinco clasificadores se evaluaron para segmentar las imágenes

de los mangos en dos clases: dañados y no dañados. Entre estos
clasificadores, Naïve Bayes dio resultados muy pobres, mientras que los
demásmi k-NN, ELM, DT y LDA mipuntuaciones por encima de 90%
ACH-ieved para la clasificación correcta tres días después del daño se
produjo. Este porcentaje aún se elevó a 95% para todos estos clasificadores
después del cuarto día. El alto rendimiento alcanzado por k-NN en el tercer
día (97,95%) nos lleva a utilizar este modelo para segmentar las imágenes
multiespectrales consta de sólo las características seleccionadas, con
puntuaciones por encima de 91% siendo alcanzados en la clasificación
correcta de las áreas de sonido y dañadas .

Expresiones de gratitud

Este trabajo ha sido parcialmente financiado por el INIA a través del

proyecto RTA2012-00062-C04-01, y por los proyectos 20110627 y
20121001 en el IPN (SIPIPN-México), 133102 (CONACyT) y la Cátedra
Coca-Cola jo'venes párr Investigadores 2011 (Coca Cola-CONACyT).
Nayeli Vélez Rivera gracias a la beca CONACyT. Jorge Pérez-Chanona
gracias CONACyT y el Secretarı'a Acade'mica del IPN para el apoyo
financiero para la estancia sabática.

referencias

Becker, B., Kohavi, R., y Sommerfield, D. (2001). visualizando el

Clasificador bayesiano simple. En U. Fayad, G. Grinstein, y
A. Wierse (Eds.), Visualización de la información en la minería de datos y
descubrimiento de conocimiento (pp. 237mi249). San Francisco (EE.UU.):
Morgan Kaufmann Publishers.
Blasco, J., Aleixos, N., Gómez-Sanchis, J., y Molto', E. (2009).
Reconocimiento y clasificación de los daños de la piel externos en
Breiman, L., Friedman, J., Piedra, CJ, y Olshen, RA (1984). Clasificación y
regresión árboles. Boca Ratón (EE.UU.): Chapman Salón / CRC.

Cawley, GC, Talbot, NLC, y Girolami, M. (2007). Escaso regresión logística

multinomial través Bayesiano L1 regularización. Los avances en
Neuronales Sistemas de Procesamiento, 19, 209mi216.
Corkidi, G., Balderas-Ruı'z, KA, Taboada, B., Serrano-Carreo'n, L.,
& Galindo, E. (2006). La evaluación de la antracnosis del mango usando
una nueva técnica de análisis de imagen tridimensional para cuantificar
lesiones en la fruta. Plant Pathology, 55, 250mi257.
Cubero, S., Aleixos, N., Molto', E., Gómez-Sanchis, J., y Blasco, J. (2011). Los
avances en las aplicaciones de visión artificial para la intervención
automática inspección y evaluación de la calidad de las frutas y verduras.
Tecnología de Bioprocesos y la Alimentación, 4, 487mi504.
Draper, NR, y Smith, H. (1998). análisis de regresión Aplicada. Nuevo York,
(EE.UU.): John Wiley Sons.
Duda, RO, Hart, PE, y la cigüeña, DG (2001). clasificación de patrones.
Nueva York, (EE.UU.): John Wiley Sons.
Elmasry, G., Kamruzzaman, M., Sun, D.-W., y Allen, P. (2012). Principios
y aplicaciones de imágenes hiperespectrales en evaluación de la calidad
de los productos agroalimentarios: una revisión. Crítico Opiniones en
Ciencias de los Alimentos y Nutrición, 52, 999mi1023.
Elmasry, G., Wang, N., Vigneault, C., Qiao, J., y Elsayed, A. (2008). La
detección temprana de contusiones manzana en diferentes antecedentes
colores usando imágenes hiperespectrales. LWTmi Ciencia de los
Alimentos y Tecnología, 41, 337mi345.
FAOSTAT. (2011). Las cantidades de producción por país. Consultado el 21 de
de marzo de 2014, a partirhttp://faostat3.fao.org/home/index. html #
VISUALICE.

Gómez-Sanchis, J., Blasco, J., Soria-Olivas, E., Lorente, D., Escandell-

Montero, P., Martı'nez-Martı'nez, JM, et al. (2013). sistema basado en
LCTF hiperespectrales para la clasificación de la caries en mandarinas
causadas por Penicillium digitatum y Penicillium italicum utilizando las
bandas más relevantes y no lineal clasificadores. Biología postcosecha y
Tecnología, 82, 76mi86.
Gómez-Sanchis, J., Gómez-Chova, L., Aleixos, N., Camps-Valls, G.,
Montesinos-Herrero, C., Molto', E., et al. (2008). hiperespectral sistema para
la detección temprana de la podredumbre causada por Penicillium digitatum
en mandarinas. Journal of Food Engineering, 89, 80mi86.
Gómez-Sanchis, J., Martı'n-Guerrero, JD, Soria-Olivas, E., Martı'nez-Sober,
M., Magdalena-Benedito, R., y Blasco, J. (2012). La detección de la
podredumbre causada por Penicillium en cítricos frutas utilizando técnicas
de aprendizaje automático. Expert Systems with Aplicaciones, 39,
780mi785.

Guyon, I., y Elisseeff, A. (2006). Una introducción a la función extracción. En

I. Guyon, S. Gunn, M. Nikravesh, & L. Zadeh (Eds.), Fundamentos y
aplicaciones de extracción de características (pp. 1mi28). Berlín
(Alemania): Springer.

Hahn, F. (1999). Deteccio'n de la firmeza en el mango Usando ONU

acelero'metro. [Detección firmeza Mango usando un acelerómetro]. Reporte
técnico CIAD / DUC / RT / 17 / de 99. Culiaca'n, Sinaloa, Me'xico.
Hahn, F. (2004). Mango clasificador de firmeza. Biosistemas, 89, 309mi319.
Hall, MA (2000). la selección de características basados en correlación para
discreta y la clase numérica de aprendizaje automático. En Actas de la
XVII Conferencia Internacional sobre Aprendizaje Automático (ICML
2000) (pp. 359mi366).
Huang, G.-B., Zhu, Q.-Y., y Siew, C.-K. (2006). aprendizaje extrema la
máquina: un nuevo esquema de aprendizaje de las redes de alimentación
directa. Neurocomputación 70, 489mi501.
Huang, W., Chen, L., Li, J., y Zhang, C. (2013). Eficaz determinación
longitudes de onda para la detección de ligeras magulladuras en las
manzanas sobre la base de imágenes hiperespectrales. Transacciones de la
Sociedad China de Ingeniería Agrícola, 29, 272mi277.
Jiménez-Jiménez, F., Castro-García, S., Blanco-Rolda'n, GL,
Agüera-Vega, J., y Gil-Ribes, JS (2012). No destructivo
determinación del impacto moretones en el uso de las aceitunas de mesa
vismiespectroscopia NIR. Biosistemas, 113, 371mi378.
98 biosystemsengineering 1 2 2 (2 0 1 4) 9 1 mi9 8
Kira, K., y Rendell, L. (1992). El problema de selección de características: Los
métodos tradicionales y un nuevo algoritmo. En Actas de la Décima
Conferencia Nacional sobre Inteligencia Artificial (pp. 129mi134).
Kitthawee, U., Pathaveerat, S., Srirungruang, T., y Masacre, D. (2011).
magulladuras mecánicas de coco joven. Biosystems Ingeniería, 109,
211mi219.
Kohavi, R., & John, GH (1997). Contenedores para característica
subconjunto selección. Artificial Intelligence, 97, 273mi324.
Langley, P., y Sage, S. (1994). La inducción de la bayesiano selectiva
clasificadores. En Actas de la Décima Conferencia Internacional sobre
incertidumbre en inteligencia artificial (pp. 399mi406).
Larsen, RJ, y Marx, ML (2005). Introducción a la matemática estadísticas y
su aplicación. Alta del Río Sadle (EE.UU.): Prentice sala.
Li, Z., & Thomas, C. (2014). La evaluación cuantitativa de la mecánica daños a
las frutas frescas. Tendencias en Ciencia y Tecnología, de 35 años de
Alimentos, 138mi150.
Liu, Y., Chen, Y.-R., Wang, CY, Chan, DE, y Kim, MS (2006). Desarrollo de
la técnica de imágenes hiperespectrales para la detección de daño por frío
en pepinos; espectral y la imagen análisis. Ingeniería Aplicada a la
Agricultura, 22, 101mi111.
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., y Blasco, J. (2013).
La selección de longitud de onda óptima características para la decadencia
la detección de los cítricos mediante la curva ROC y neuronal redes.
Tecnología de Bioprocesos y la Alimentación, 6, 530mi541.
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., Garcı'a-Navarrete,
OL, y Blasco, J. (2012). Los avances recientes y aplicaciones de imágenes
hiperespectrales para frutas y verduras evaluación de calidad. Tecnología
de Bioprocesos y la Alimentación, 5, 1121mi1142.
Lorente, D., Blasco, J., Serrano, AJ, Soria-Olivas, E., Aleixos, N., y Gómez-
Sanchis, J. (2013). Comparación de la selección de características ROC
método para la detección de caries en cítricos utilizando imágenes
hiperespectrales. Bioprocesos Technology, 6 (12) de alimentos y,
3613mi3619.
Martı'nez-Romero, D., Serrano, M., Carbonell, A., Castillo, S., Riquelme, F., y
Valero, D. (2004). daños mecánicos durante fruta manejo post-cosecha:
Técnica y fisiológico trascendencia. En P. Dris, y MS Jain (Eds.), La
manipulación y la calidad evaluación: Vol. 3. Calidad manejo y evaluación
(pp. 233mi252). Dordretch, (Holanda): Kluwer Academic Publishers.
McLachlan, GJ (2004). El análisis discriminante y el patrón estadístico
reconocimiento. Nueva York, (EE.UU.): John Wiley Sons.
Miller, R., y Siegmund, D. (1982). chi cuadrado máximo seleccionado
estadística. Biometría, International Biometric Society, 38, 1011mi1016.
Nagata, M., Tallada, JG, y Kobayashi, T. (2006). detección de hematoma
usando imágenes hiperespectrales NIR para fresa (Fragaria ananassa
Duch.). Control ambiental en Biología, 44, 133mi142.
Nanyam, Y., Choudhary, R., Gupta, L., y Paliwal, J. (2012). UN estrategia de
toma de fusión para la inspección de calidad de la fruta utilizando
imágenes hiperespectrales. Biosistemas, 111, 118mi125.
Novillo, P., Salvador, A., Llorca, E., Hernando, I., y Besada, C.(2014). Efecto
de CO2 tratamiento deastringency en carne trastornos inducidos por daños
mecánicos en caqui. Los estudios bioquímicos y microestructurales. Food
Chemistry, 145, 454mi463.
Ornelas-Paz, J., De, J., Yahiaa, EM, y Gardea, AA (2008). Cambios en el color
externo e interno durante postcosecha maduración de 'Manila' y 'Ataulfo'
fruta del mango y la relación con contenido de carotenoides determinado
por líquido cromatografíamiAPCIþespectrometría de masa-tiempo-de-
vuelo. Biología postcosecha y Tecnología, 50, 145mi152.
Ortiz, C., Blasco, J., Balasch, S., y Torregrosa, A. (2011). Choque la absorción
de las superficies de recogida de fruta durante el mecánico cosecha de
cítricos. Biosistemas, 110, 2mi9.
Peng, H., Long, F., y Ding, C. (2005). La selección de características sobre
la base de información mutua: criterios de máximo-dependencia, max-
relevancia, y min-redundancia. Análisis del patrón IEEE Trans y la
máquina de Inteligencia, 27, 1226mi1238.
Pólder, G., van der Heijden, Gwam, y Young, (2002).
análisis de imagen espectral para medir la madurez de los tomates.
Transacciones de ASAE, 45, 1155mi1161.
Qin, J., Burks, TF, Zhao, X., Niphadkar, N., y Ritenour, MA (2011).
detección multiespectrales de cáncer de los cítricos utilizando Selección
de la banda hiperespectral. Transacciones de la ASABE, 54,
2331mi2341.
Serranti, S., Cesare, D., y Bonifazi, G. (2013). El desarrollo de una método de
formación de imágenes hiperespectrales para la detección de
Fusariumdañado, baya de color amarillo y el vítreo trigo duro italiano
núcleos. Biosystems Engineering, 115, 20mi30.
Schmilovitch, Z., Ignat, T., Alchanatis, V., Gatker, J., Ostrovsky, V.,
& Felföldi, J. (2014). de formación de imágenes hiperespectrales de
campana intacta pimientos. Ingeniería de Biosistemas. Número especial:
Análisis de Imágenes de Agricultura, 117, 83mi93.
Valiente-Gonza'lez, JM, Andreu-García, G., Potter, P., y Rodas-Jorda', A.
(2014). maíz automática (Zea mays) del núcleo de inspección sistema
usando la detección novedad basado en componente principal análisis.
Ingeniería de Biosistemas. Número especial: Análisis de Imágenes de
Agricultura, 117, 94mi103.
Van Zeebroeck, M., Tijskens, E., Van Liedekerke, P., Deli, V., De
Baerdemaeker, J., y Ramon, H. (2003). La determinación de la
comportamiento dinámico de los materiales biológicos durante el
impacto utilizando un dispositivo de péndulo. Diario de sonido y
vibración, 266, 465mi480.
Vélez-Rivera, N., Blasco, J., Chanona-Pérez, JJ, Caldero'n-Domı'nguez, G.,
Perea-Flores, MJ, Arzate-Va'zquez, I., et al. (2014). sistema de visión
artificial aplicada a la clasificación de mangos 'Manila' durante el proceso
de maduración. Alimentos y Bioprocesos Tecnología, 7, 1183mi1194.
Wanitchang, P., Terdwongworakul, A., Wanitchang, J., y Nakawajana, N.
(2011). la madurez no destructivos clasificación de mango basa en
físicas, mecánicas y propiedades ópticas. Journal of Food Engineering,
105, 477mi484.