Resumen de Clasificación automática de limón sutil peruano (citrus aurantifolia) usando máquinas de vectores de soporte

Freddy Alcarazo Ibáñez, Víctor Tuesta Monteza, Heber Iván Mejía Cabrera, Juan Carlos Callejas, Raciel Yera

• español

  La clasificación manual de frutas es un proceso que requiere de personal experto y es propenso al error humano. Reviste entonces vital importancia la automatización del mismo utilizando herramientas computacionales. En esta investigación se propuso un marco de trabajo basado en la aplicación de técnicas de Pre-Procesamiento de Imágenes y de Visión Artificial para clasificar de manera automática frutos del Limón Sutil Peruano (Citrus Aurantifolia) por color. Se presenta un prototipo de clasificación soportado por una plataforma de hardware para extraer las características de Momentos de Color de las imágenes de Citrus Aurantifolia con vistas a entrenar las técnicas de clasificación de Máquina de Vectores de Soporte (SVM) y K-Vecinos más Cercanos (KNN). Los resultados arrojaron que utilizando el Momento de Color de la media del canal R (rojo), SVM obtuvo una precisión del 98%. Al convertir las imágenes al espacio de color CIELAB utilizando las coordenadas a* y b* la precisión obtenida por las técnicas SVM y K-NN fue del 100%.

• English

  The manual classification of fruits is a process that requires expert knowledge and is prone to human error. Therefore, the automation of such process through the use of computational tools is of high importance. This research proposes a framework based on the application of image pre-processing techniques and artificial vision for automatically classifying Citrus Aurantifolia fruits through their colors. A classification prototype is presented which is supported by a hardware platform to extract the Color Moments features from the Citrus Aurantifolia images, so as to train the Support Vector Machine (SVM) and K-nearest neighbors (KNN) classification techniques. Results conclude that using the Color Moment related to the mean of the R channel, SVM reaches a precision of 98%. When images were converted into the CIELAB color space, the use of the coordinates a* and b* leads to a precision of 100% using the classifiers SVM and KNN.