Académique Documents
Professionnel Documents
Culture Documents
ScienceDirect
Trabajo de investigación
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.
Figura 1 mi Esquema del sistema de visión artificial utilizado para
adquirir las imágenes hiperespectrales.
e r
e
donde rxy(L) es la imagen después de aplicar esta primera corrección, Chi Cuadrado (ChiS) (Miller y Siegmund, 1982), La puntuación de
Fisher
rárbitro(L) es la reflectancia del blanco de referencia, Rblanco(L) es (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 usando el conjunto de datos de imágenes correspondientes al tercer día
(IG) (Guyon y Elisseeff de 2006), Mínimo de redundancia máxima después de producir el daño, ya que los resultados óptimos se ob-
relevancia (Mrmr) (Peng, largo, y Ding, 2005), ReliefF (Kira y Rendell, CONTENIDAS este día el uso de todas las bandas, como se explica en la
1992), Secuencial Selección hacia adelante (SFS) (Kohavi y John, 1997), sección de resultados.
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. tabla 1 Resumen de los métodos de selección de función utilizado para
decidir las longitudes de onda más discriminantes.
Para determinar el mejor conjunto de bandas para detectar las áreas Método principales propiedades
dañadas, se considera un método basado en un comité de expertos (CE). La CFS Filas cuentan con las variables, dando mayor relevancia a
CE combina la selección de cada método individual para proporcionar un aquellos altamente correlacionado con la clase correspondiente
conjunto único de bandas. Los primeros seis bandas clasificados dadas por mientras correlacionado con los demás
cada técnica se consideraron como potencialmente elegibles, pero sólo ChiS Estima el nivel de asociación entre la
clase respectiva y cada entidad de entrada con el fin de
aquellos que fueron seleccionados por al menos tres de las técnicas fueron
clasificar todas las características en función de su relevancia
finalmente elegidos. Este proceso se llevó a cabo
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
Fig. 3 reflectancia promediados para todo el espectro de las muestras de
para cada iteración con el fin de añadir secuencialmente el
sonido y dañadas del conjunto de datos con la etiqueta: reflectancia de la más uno correspondiente al modelo
zona dañada está representado por el símbolo >, La reflectancia de la estudiante de Evalúa la importancia variable y determina la
zona de sonido está representado por símbolo segundo 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 (de izquierda a derecha). Se puede observar que todos los métodos
proporcionan conjuntos de bandas similares, excepto Mrmr, RelifF y T-test,
Para segmento de las imágenes, se ensayaron cinco métodos de que contribuyen con las bandas superior del espectro estudiado. Aunque el
clasificación para determinar cuál ofrece los mejores resultados. Ellos se partido entre las bandas proporcionados por diferentes métodos de
utilizaron para clasificar los píxeles como pertenecientes al sonido o áreas selección de características no es completa, hay ciertas áreas del espectro
dañadas. En primer lugar, se utilizaron en todo el cubo hiper-espectral, en la que se puede detectar una acumulación apreciable de bandas.
empleando todas las bandas espectrales adquiridos por el sistema. Luego,
se aplicaron usando sólo los seis longitudes de onda más importantes Figura 4 espectáculos la representación de la frecuencia (histo-gramo)
seleccionados en el paso anterior como entrada. Por lo tanto, además de en la que cada longitud de onda se selecciona por los distintos métodos
obtener la mejor combinación de métodos para seleccionar funciones y empleados, de conformidad con tabla 1. Los once bandas que han sido
clasificar la fruta, la perfor-mance de las longitudes de onda seleccionadas seleccionados por tres o más métodos, que son los que se han incluido en
también puede ser evaluada. Los clasificadores estudiadas fueron análisis el método de selección de características CE, se muestran en barras sólidas.
lineal discriminante (LDA) y K-vecinos más cercanos (k-NN), que son dos En esta figura se puede observar que hay un intervalo principal de bandas
clasificadores ampliamente utilizados en visión artificial y aplicaciones de (700 nmmi780 nm) y otros dos intervalos menores (890 nmmi900 nm y
visión por ordenador hiperespectrales (McLachlan, 2004; Pólder, van der 1070 nmmi1080 nm). La mayoría de las longitudes de onda se seleccionan
Heijden, & Young, 2002); Naïve Bayes (NBC), que fue elegido como una en la primera gama, que coincide con la observada enFigura 2, Donde se
enfoque probabilístico basado en el teorema de Bayes (Becker, Kohavi, y observa una gran diferencia entre los espectros de las áreas de sonido y
Sommerfield 2001); y árboles de decisión (DT) y Extreme Machine dañado alrededor de la gama entre 700 nm y 800 nm.
Learning (ELM), debido a que estos clasificadores recientemente se han
utilizado con buenos resultados para detectar las primeras etapas de las 3.2. clasificación de píxeles
lesiones de desintegración en los cítricos utilizando imágenes
hiperespectrales (Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco Tabla 3 informes la precisión obtenida por los modelos evaluó para cada
(2013) y Lorente, Blasco, et al. (2012)). En el caso de k-NN, la k valor se día de almacenamiento en términos de tasas de éxito
optimizó y automáticamente calcula de acuerdo con el error de dejar uno
fuera en el conjunto de entrenamiento, lo que dio
3. Resultados y discusión
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 Estos resultados pueden considerarse aceptable, ya que no actualmente
modelos se ve a aumentar con el tiempo, lo cual es lógico ya que el daño sistemas disponibles son capaces de detectar este daño. Por lo tanto, este
evoluciona. Sin embargo, desde el primer día, k-NN logra una precisión de trabajo sienta las bases para la futura implementación de un sistema
94,9%, lo que da una idea del potencial de esta técnica para detectar este automático capaz de detectar el daño temprano causado por el estrés
daño. Mientras que el mejor resultado se obtiene precisión con k-NN, el mecánico. Además, estos resultados son consistentes con otros trabajos
clasificador Naïve Bayes proporcionado resultados inesperadamente recientes llevados a cabo usando esta tecnología para la detección de daños
pobres, lo que podría explicarse parcialmente por el hecho de que este en otras frutas. Por ejemplo,Nagata, Tallada, y Kobayashi (2006)
método se basa en la suposición de que, dentro de cada clase, los distribui- identificado hasta cinco longitudes de onda para detectar daños en la fresa
ciones de probabilidad para atributos son independientes entre sí. Sin en 87% de los casos utilizando análisis discriminante lineal paso a paso,
embargo, esto no es realista ya que las correlaciones entre las características mientras Liu, Chen, Wang, Chan y Kim (2006) adquirido una tasa de éxito
pueden suceder y esto puede degradar la precisión del clasificador de 90% en la detección de daños en los pepinos. Qin, Burks, Zhao,
bayesiano ingenuo (Langley y Sage, 1994). 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
Como se muestra en Tabla 3, Todos los modelos de clasificación manzanas en ambos casos mediante la selección de dos longitudes de onda
excepto NBC lograron un relativamente buen nivel de precisión desde el utilizando PCA. En cualquier caso, los daños causados por impactos y la
primer día, k-NN que ofrece el mejor rendimiento, que se convierte en capacidad de detección no destructiva sys-TEMS depende del estado de
estable desde el día 3 (97,95%) en adelante. Por otra parte, la precisión madurez de la fruta o los umbrales de la energía de impacto, según lo
classifica-ción de este modelo no aumentó significativamente después de declarado porKitthawee, Pathaveerat, Srirungruang y Masacre (2011) en un
este día. Por lo tanto, puesto que un objetivo de este estudio era detectar el estudio para correlacionar ocurrencia contusión con un impacto o
daño tan pronto como sea posible, la función de selección se llevó a cabo compresión de los cocos aún verdes. Sin embargo, en estas obras, se detectó
utilizando los datos obtenidos en el tercer día de los experimentos.Tabla 4 el daño después de que se hizo claramente visible, mientras que en nuestro
muestra los resultados de la clasificación obtenidos usando k-NN en el caso, el daño no era visible en el momento de los experimentos. Sin
tercer día de los experimentos, ya que este es 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
4. conclusiones
Expresiones de gratitud
referencias
Kira, K., y Rendell, L. (1992). El problema de selección de características: Los Novillo, P., Salvador, A., Llorca, E., Hernando, I., y Besada, C.(2014). Efecto
métodos tradicionales y un nuevo algoritmo. En Actas de la Décima de CO2 tratamiento deastringency en carne trastornos inducidos por daños
Conferencia Nacional sobre Inteligencia Artificial (pp. 129mi134). mecánicos en caqui. Los estudios bioquímicos y microestructurales. Food
Kitthawee, U., Pathaveerat, S., Srirungruang, T., y Masacre, D. (2011). Chemistry, 145, 454mi463.
magulladuras mecánicas de coco joven. Biosystems Ingeniería, 109,
211mi219. Ornelas-Paz, J., De, J., Yahiaa, EM, y Gardea, AA (2008). Cambios en el color
Kohavi, R., & John, GH (1997). Contenedores para característica externo e interno durante postcosecha maduración de 'Manila' y 'Ataulfo'
subconjunto selección. Artificial Intelligence, 97, 273mi324. fruta del mango y la relación con contenido de carotenoides determinado
Langley, P., y Sage, S. (1994). La inducción de la bayesiano selectiva por líquido cromatografíamiAPCIþespectrometría de masa-tiempo-de-
clasificadores. En Actas de la Décima Conferencia Internacional sobre vuelo. Biología postcosecha y Tecnología, 50, 145mi152.
incertidumbre en inteligencia artificial (pp. 399mi406).
Larsen, RJ, y Marx, ML (2005). Introducción a la matemática estadísticas y Ortiz, C., Blasco, J., Balasch, S., y Torregrosa, A. (2011). Choque la absorción
su aplicación. Alta del Río Sadle (EE.UU.): Prentice sala. de las superficies de recogida de fruta durante el mecánico cosecha de
cítricos. Biosistemas, 110, 2mi9.
Li, Z., & Thomas, C. (2014). La evaluación cuantitativa de la mecánica daños a Peng, H., Long, F., y Ding, C. (2005). La selección de características sobre
las frutas frescas. Tendencias en Ciencia y Tecnología, de 35 años de la base de información mutua: criterios de máximo-dependencia, max-
Alimentos, 138mi150. relevancia, y min-redundancia. Análisis del patrón IEEE Trans y la
máquina de Inteligencia, 27, 1226mi1238.
Liu, Y., Chen, Y.-R., Wang, CY, Chan, DE, y Kim, MS (2006). Desarrollo de Pólder, G., van der Heijden, Gwam, y Young, (2002).
la técnica de imágenes hiperespectrales para la detección de daño por frío análisis de imagen espectral para medir la madurez de los tomates.
en pepinos; espectral y la imagen análisis. Ingeniería Aplicada a la Transacciones de ASAE, 45, 1155mi1161.
Agricultura, 22, 101mi111. Qin, J., Burks, TF, Zhao, X., Niphadkar, N., y Ritenour, MA (2011).
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., y Blasco, J. (2013). detección multiespectrales de cáncer de los cítricos utilizando Selección
La selección de longitud de onda óptima características para la decadencia de la banda hiperespectral. Transacciones de la ASABE, 54,
la detección de los cítricos mediante la curva ROC y neuronal redes. 2331mi2341.
Tecnología de Bioprocesos y la Alimentación, 6, 530mi541.
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., Garcı'a-Navarrete, Serranti, S., Cesare, D., y Bonifazi, G. (2013). El desarrollo de una método de
OL, y Blasco, J. (2012). Los avances recientes y aplicaciones de imágenes formación de imágenes hiperespectrales para la detección de
hiperespectrales para frutas y verduras evaluación de calidad. Tecnología Fusariumdañado, baya de color amarillo y el vítreo trigo duro italiano
de Bioprocesos y la Alimentación, 5, 1121mi1142. núcleos. Biosystems Engineering, 115, 20mi30.
Schmilovitch, Z., Ignat, T., Alchanatis, V., Gatker, J., Ostrovsky, V.,
Lorente, D., Blasco, J., Serrano, AJ, Soria-Olivas, E., Aleixos, N., y Gómez- & Felföldi, J. (2014). de formación de imágenes hiperespectrales de
Sanchis, J. (2013). Comparación de la selección de características ROC campana intacta pimientos. Ingeniería de Biosistemas. Número especial:
método para la detección de caries en cítricos utilizando imágenes Análisis de Imágenes de Agricultura, 117, 83mi93.
hiperespectrales. Bioprocesos Technology, 6 (12) de alimentos y, Valiente-Gonza'lez, JM, Andreu-García, G., Potter, P., y Rodas-Jorda', A.
3613mi3619. (2014). maíz automática (Zea mays) del núcleo de inspección sistema
usando la detección novedad basado en componente principal análisis.
Martı'nez-Romero, D., Serrano, M., Carbonell, A., Castillo, S., Riquelme, F., y Ingeniería de Biosistemas. Número especial: Análisis de Imágenes de
Valero, D. (2004). daños mecánicos durante fruta manejo post-cosecha: Agricultura, 117, 94mi103.
Técnica y fisiológico trascendencia. En P. Dris, y MS Jain (Eds.), La
manipulación y la calidad evaluación: Vol. 3. Calidad manejo y evaluación Van Zeebroeck, M., Tijskens, E., Van Liedekerke, P., Deli, V., De
(pp. 233mi252). Dordretch, (Holanda): Kluwer Academic Publishers. Baerdemaeker, J., y Ramon, H. (2003). La determinación de la
McLachlan, GJ (2004). El análisis discriminante y el patrón estadístico comportamiento dinámico de los materiales biológicos durante el
reconocimiento. Nueva York, (EE.UU.): John Wiley Sons. impacto utilizando un dispositivo de péndulo. Diario de sonido y
Miller, R., y Siegmund, D. (1982). chi cuadrado máximo seleccionado vibración, 266, 465mi480.
estadística. Biometría, International Biometric Society, 38, 1011mi1016.
Vélez-Rivera, N., Blasco, J., Chanona-Pérez, JJ, Caldero'n-Domı'nguez, G.,
Nagata, M., Tallada, JG, y Kobayashi, T. (2006). detección de hematoma Perea-Flores, MJ, Arzate-Va'zquez, I., et al. (2014). sistema de visión
usando imágenes hiperespectrales NIR para fresa (Fragaria ananassa artificial aplicada a la clasificación de mangos 'Manila' durante el proceso
Duch.). Control ambiental en Biología, 44, 133mi142. de maduración. Alimentos y Bioprocesos Tecnología, 7, 1183mi1194.
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 Wanitchang, P., Terdwongworakul, A., Wanitchang, J., y Nakawajana, N.
imágenes hiperespectrales. Biosistemas, 111, 118mi125. (2011). la madurez no destructivos clasificación de mango basa en
físicas, mecánicas y propiedades ópticas. Journal of Food Engineering,
105, 477mi484.