Automatic chickpea classification using computer vision techniques
- Sajad Sabzi 1
- Víctor Manuel García-Amicis 2
- Yousef Abbaspour-Gilandeh 1
- Ginés García-Mateos 2
- José Miguel Molina-Martínez 3
-
1
University of Mohaghegh Ardabili
info
-
2
Universidad de Murcia
info
- 3 Technical University of Cartagena
- José Carlos Barbosa (coord.)
- António Castro Ribeiro (coord.)
Editorial: Instituto Politécnico de Bragança
ISBN: 978-972-745-247-7
Año de publicación: 2018
Páginas: 1167-1176
Congreso: Congreso Ibérico de Agroingeniería y Ciencias Hortícolas (9. 2017. Braganza)
Tipo: Aportación congreso
Resumen
En este trabajo se comparan dos sistemas de visión artificial para la clasificación de garbanzos, uno basado en extracción de características y el otro en la utilización del color. Se tomaron 1019 imágenes con una cámara industrial DFK 23GM021, desde una altura fijada a 10 cm. de las muestras. La iluminación se realizó mediante lámparas LED de luz blanca con una intensidad de 327 lx. Para el primer método se extrajeron algunas características prefijadas de cada objeto, 126 de color y 80 de textura correspondientes a la matriz de coocurrencia del nivel de gris (GLCM). Tras extraer estas 206 características de cada objeto, las más efectivas fueron seleccionadas para la entrada del clasificador. Se utilizaron 6 características efectivas: información de correlación para la vecindad de ángulo de 135º, momento diagonal para ángulo de 90º, varianza de la suma para ángulo de 0º, media y media normalizada del segundo componente en el espacio de color CMY. Como clasificador se utilizó un híbrido entre red neuronal artificial y optimización por enjambre de partículas (ANN-PSO). Este método obtuvo una tasa de clasificación correcta (CCR) del 97,0%. Para el segundo método se eliminó la etapa de extracción y selección de características del proceso de clasificación. Se utilizaron directamente los valores RGB de las imágenes como entrada para una red neuronal de tres capas con retro propagación. Se llevó a cabo una segmentación inicial para seleccionar partes significativas de garbanzos, dividiendo las imágenes en cuadrículas para focalizar garbanzos individuales. Finalmente, se utilizó la moda de las predicciones para las sub-imágenes resultantes para predecir la clase de la imagen completa. Este método obtuvo un CCR de 99,3%. Estos resultados demuestran que la clasificación visual de variedades de frutas en agricultura puede ser resuelta de forma muy precisa con un método adecuado, que además resulta genérico y extensible a otros tipos de cultivos.