Mejoramiento del proceso de detección de defectos visuales en castañas, con fines de exportación

Abstract

Actualmente, una importante actividad económica en algunos países de América del sur como Pe- rú, Bolivia y Brasil es el comercio de frutos secos como castañas; sin embargo, antes de exportarlos es necesario ejecutar un proceso de control de calidad que implica el estado de madurez, detección e iden- tificación de defectos, daños o enfermedades; de manera que posteriormente realice una clasificación del producto. Todo ello se realiza teniendo en cuenta las características externas del producto mediante la obtención de descriptores de color, forma, tamaño y textura; estos descriptores se usan en la detección e identificación de los defectos de frutas u objetos. Esta tesis propone la automatización de la detección e identificación de defectos visuales en un objeto, donde se divide el objeto en dos regiones (una oscura y otra clara) debido a los colores similares que presentan los defectos con el objeto; para detectar la presencia de defectos se basa en la textura de cada región, se propone el algoritmo de Detectar Defecto (Alg. 2 y 3) que utiliza el descriptor de Primer Orden (Alg. 5) para identificar la región donde el defecto es encontrado. Posteriormente, los descriptores de color, tamaño y textura se utilizan para la identificación de los defectos específicos a través de la Segmentación por Color y Tamaño (Alg. 4) para identificar una variedad de colores oscuros y claros y el descriptor de Primer Orden para identificar texturas ásperas o rugosas; estos algoritmos dan la posición central y tamaño de los defectos encontrados. Esta propuesta fue implementado y probado en la base de datos para el proceso de detección de de- fectos visuales en castañas, permite mejorar e incrementar la calidad de las castañas para su comercio internacional. Los resultados experimentales (Imágenes sin Entrenamiento – 60 % de la Base de Datos) muestran que esta propuesta tiene una tasa de eficiencia de 97.90 % con un tiempo de procesamiento de 25 ms en el peor y 17 ms en el mejor de los casos por cada imagen procesada; estos resultados mejoran los resultados del algoritmo del proyecto [Proy.PIPEA_134, 2013] donde la tasa de eficiencia es 91.06 % con un tiempo de procesamiento de 43 ms.