Modelos de visión por computadora para la determinación de características superficiales y categorías de calidad del Pallar (Phaseolus lunatus L.) Iqueño seco

Abstract

En esta investigación se ha desarrollado, a nivel de laboratorio un Sistema de Visión por Computadora (SVC) que capta imágenes con una cámara fotográfica digital a color conectada a una computadora personal portátil que, utilizando software especializado, algoritmos estadísticos multivariantes y aquellos disponibles en MATLAB, realiza el procesamiento, análisis y clasificación de manera no-invasiva, objetiva y automática de los granos del Pallar (Phaseolus lunatus L.) Iqueño seco. La clasificación en 2, 3 y 5 categorías de calidad del pallar, el SVC lo realiza utilizando modelos discriminantes simples: lineal (LDA) y cuadrático (QDA). Los modelos de clasificación discriminante lineal (LDA) y cuadrático (QDA), aplicados a 3169 imágenes de granos de Pallar Iqueño seco, agrupados en 2, 3 y 5 categorías de calidad, para todos los 6 casos estudiados, mostraron performances con una Eficiencia General mayor al 80% para los modelos discriminantes lineal y cuadrático, demostrando un buen desempeño. El mejor performance general lo obtuvo el modelo LDA, clasificación en 3 categorías de calidad, con una Eficiencia General de 85.6%, el que también mostró una Eficiencia de Clase de 95.6%, 97.5% y 96.7% en la clasificación por cada categoría individual: ÓPTIMO, TOLERANTE y DESCARTE. Así mismo, todos los modelos de clasificación estudiados, demostraron ser robustos al mantener sin variación importante los valores de Eficiencia General, los que estuvieron por encima del 75% en un balance de muestras entre 10% a 80% para la validación cruzada de 2, 3 y 5 categorías de calidad. xiv Los datos de los descriptores de defectos superficiales del grano, obtenidos por visión por computadora permitieron elaborar una carta sobre la identificación y caracterización del Pallar Iqueño en tres clases, lo mismo que una cartilla con matices de blancura de utilidad para los interesados. Los resultados de la investigación muestran que los modelos discriminantes de clasificación lineales y cuadráticos en visión por computadora son eficaces en emular la visión humana experta, en la evaluación y clasificación objetiva de la calidad de muestras de Pallar Iqueño seco

In this research, a Computer Vision System (SVC) has been developed at the laboratory level that captures images with a color digital camera connected to a portable personal computer that, using specialized software, multivariate statistical algorithms and those available In MATLAB, it performs the processing, analysis and classification, in a non-invasive, objective and automatic way of the grains of the dry Pallar (Phaseolus lunatus L.) Iqueño. The classification in 2, 3 and 5 categories of quality of the pallar, the SVC performs it using simple discriminant models: linear (LDA) and quadratic (QDA). The linear (LDA) and quadratic (QDA) discriminant classification models, applied to 3169 images of dry Pallar Iqueño grains, grouped into 2, 3 and 5 quality categories, for all the 6 cases studied, showed performances with a General Efficiency greater than 80% for the linear and quadratic discriminant models, showing good performance. The best general performance was obtained by the LDA model, classified in 3 quality categories, with a General Efficiency of 85.6%, which also showed a Class Efficiency of 95.6%, 97.5% and 96.7% in the classification for each individual category: OPTIMAL, TOLERANT and DISCARD. Likewise, all the classification models studied proved to be robust by maintaining, without significant variation, the general efficiency values, which were above 75% in a balance of samples, between 10% and 80% for validation. cross of 2, 3 and 5 quality categories. The data of the descriptors of surface defects of the grain, obtained by computer vision, allowed to elaborate a letter on the identification and xvi characterization of Pallar Iqueño in three classes, as well as a primer with shades of whiteness, useful for those interested. The research results show that the discriminant linear and quadratic classification models in computer vision are effective in emulating expert human vision, in the objective evaluation and classification of the quality of samples from Pallar Iqueño seco