Nueva base de datos de defectos de café (RGB+NIR) para segmentación semántica
DOI:
https://doi.org/10.26507/paper.4509Palabras clave:
visión por computadora, detección de defectos, algoritmos, imágenes, etiquetadoResumen
El café representa uno de los cultivos agrícolas más relevantes a nivel global, siendo fuente clave de ingresos para millones de pequeños productores. No obstante, la carencia de información precisa a lo largo de la cadena de valor dificulta una evaluación objetiva del grano. En respuesta a esta problemática, este artículo presenta el desarrollo de una base de datos innovadora con imágenes de defectos en granos de café, empleando tecnologías de visión por computadora y segmentación semántica. La base incluye más de 200 imágenes en formatos RGB e hiperespectral, etiquetadas meticulosamente para abarcar una amplia gama de defectos frecuentes. Para su construcción, se utilizaron cámaras especializadas y algoritmos avanzados de procesamiento de imagen. Los resultados evidencian una mejora considerable en la precisión de la identificación y clasificación de defectos, lo que contribuye a optimizar la calidad y eficiencia en la producción cafetera. Esta herramienta representa un aporte tecnológico significativo para el sector agrícola, promoviendo la innovación y facilitando un comercio más equitativo.
Citas
Abade, A., Ferreira, P. A., & de Barros Vidal, F. (2021). Plant diseases recognition on images using convolutional neural networks: A systematic review. Computers and Electronics in Agriculture, 185, 106125. https://doi.org/10.1016/j.compag.2021.106125
Bouedron, E., Cochet, H., & Belchi, P. (2019). Effets et limites du commerce équitable fairtrade sur les producteurs de café arabica d’une région de piémont andin, au Pérou. Revue internationale des études du développement, 147–175. https://doi.org/10.3917/ried.240.0147
Williams, G. W. (2019). The Overlooked Agricultural Trade Promotion Program of the USDA Trade Aid Packages. Choices, 34(4), 1-8.
Ortega Farez, E. I., & Rodriguez Marquez, Y. A. (2022). Estrategia de marca blanca en cadenas de supermercados internacionales para lograr la comercialización del café orgánico “El Negrito” al mercado de España en el 2022.
Lee, C. P., Lim, K. M., Song, Y. X., & Alqahtani, A. (2023). Plant-CNN-ViT: plant classification with ensemble of convolutional neural networks and vision transformer. Plants, 12(14), 2642. https://doi.org/10.3390/plants12142642
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., ... & Sobeih, T. (2019). A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images. Remote Sensing, 11(13), 1554. https://doi.org/10.3390/rs11131554
Herrera, J. C., Medina, S., Beleño, K., & González, O. G. (2016). Diseño de un sistema automático de selección de frutos de café mediante técnicas de visión artificial. Revista UIS Ingenierías, 15(1), 7–14. https://doi.org/10.18273/revuin.v15n1-2016001
Puerta, G. I. (2015). Buenas prácticas para la prevención de los defectos de la calidad del café: Fermento reposado fenólico y mohoso. Centro Nacional de Investigaciones de Café (Cenicafé).
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Guzmán Farfán, Á. M., & Sosa Buñay, G. J. (2023). Desarrollo de un sistema de detección de la plaga Monilia bajo una plataforma IoT y Visión Artificial para las mazorcas de cacao (Bachelor's thesis). http://dspace.ups.edu.ec/handle/123456789/24103
Alfaro Barreto, M. M. (2022). Propuesta de mejora para incrementar la eficiencia del proceso de fabricación de hojuelas de cereales a través de herramientas de Lean Manufacturing en una empresa del sector alimenticio. http://hdl.handle.net/10757/660876
Cómo citar
Descargas
Descargas
Publicado
Evento
Sección
Licencia
Derechos de autor 2025 Asociación Colombiana de Facultades de Ingeniería - ACOFI
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
