En el mundo actual, la industria agrícola se enfrenta a desafíos cada vez mayores para satisfacer la creciente demanda de alimentos de alta calidad. En particular, la calidad del grano es un factor crucial a tener en cuenta, ya que influye en el sabor, la textura y la apariencia de una amplia variedad de productos alimenticios. Es por ello que las técnicas de procesamiento de imágenes se han convertido en una herramienta invaluable para analizar y clasificar la calidad del grano de manera eficiente y precisa. En este artículo, exploraremos en detalle cómo estas técnicas están siendo utilizadas en el campo de la agricultura, sus beneficios y los avances más recientes en esta área. Si estás interesado en descubrir cómo el análisis y clasificación de la calidad del grano puede revolucionar la industria agrícola, ¡sigue leyendo!
Un proyecto final sobre “Análisis y clasificación de la calidad del grano mediante técnicas de procesamiento de imágenes” presentado por Nikhil Gaikwad (del Instituto de Tecnología e Investigación Bhivrabai Sawant de JSPM, Wagholi Pune) a extrudesign.com.
Abstracto
Más de la mitad de la población mundial consume arroz diariamente y satisface más del 21% de las necesidades calóricas de la población mundial. Se considera un cereal integral rico en fibra y contiene un 80% de proteínas, fósforo y potasio. Hay cientos de tipos diferentes de arroz y cada grano de arroz tiene una forma, textura y sabor únicos que lo hacen perfecto para ciertos platos. La calidad del arroz de diferentes variedades está sujeta a estándares diferentes. Por lo tanto, debes elegir el arroz de mejor calidad porque el arroz de mejor calidad no solo es bueno para el consumo sino también para la salud. El análisis manual de muestras de granos es una tarea tediosa y que requiere mucho tiempo. El artículo presenta la solución para analizar y clasificar granos de arroz mediante técnicas de procesamiento de imágenes. Se aplican reducción de imagen, mejora de imagen y mejora de imagen, así como detección de objetos en el dominio espacial, grano por grano de diferentes muestras de arroz para determinar su tamaño, color y calidad en su conjunto y clasificar el grano de arroz. Encontramos los puntos finales de cada grano de arroz y luego medimos el largo y el ancho de los granos de arroz.
Palabras clave: clasificación, grano de arroz, calidad, procesamiento de imágenes, evaluación del grano, parámetros del arroz.
I. Introducción
La calidad se puede definir como la combinación de rasgos y características de un producto o servicio para satisfacer necesidades declaradas o implícitas. La calidad del grano es una combinación de muchos factores como el olor (sabor), el tamaño, las propiedades de cocción, el color, el valor nutricional y el contenido de grano integral. En el mercado del arroz, la calidad es un factor crucial para el arroz elaborado. La medición de la calidad es cada vez más importante en el comercio de importación y exportación. Las muestras de arroz contienen varios componentes fungibles como arroz, paja, granos dañados, semillas de malas hierbas, piedras, etc. La calidad del arroz varía según el contenido de impurezas.
La forma del grano de arroz se evalúa basándose en la longitud, el ancho y la relación entre la longitud y el ancho de los granos de arroz. Actualmente, un inspector suele medir la longitud y el ancho de los granos de arroz utilizando una regla o un micrómetro. Para medir la calidad de las muestras de grano, el inspector debe retirar algunas semillas de la muestra y realizar el análisis. Pero medir el largo y el ancho de incluso unas pocas semillas es una tarea muy tediosa y lleva mucho tiempo colocarlas en la bandeja de escanda y medir el largo y el ancho de cada semilla individualmente.
El objetivo principal del método propuesto es proporcionar una forma alternativa de control y análisis de calidad que reduzca el esfuerzo, el costo y el tiempo requeridos. El procesamiento de imágenes es un área tecnológica importante y avanzada en la que se han realizado importantes avances. La visión por computadora y el procesamiento de imágenes se utilizan ampliamente en la investigación biológica y agrícola a medida que la tecnología informática ha mejorado y el costo del hardware y software de imágenes digitales se ha reducido significativamente. Muchas investigaciones han utilizado la visión por computadora para estimar la inspección de calidad del aspecto del arroz.
El objetivo principal del método propuesto es proporcionar una forma alternativa de control y análisis de calidad que reduzca el esfuerzo, el costo y el tiempo requeridos. El procesamiento de imágenes es un área tecnológica importante y avanzada en la que se han realizado importantes avances. El procesamiento de imágenes manipula la imagen para realizar algunas operaciones en la imagen de destino para obtener una imagen mejorada y deseable. Y extraiga información valiosa de la imagen de entrada. Hoy en día, el procesamiento de imágenes es una tecnología en rápido crecimiento. Todo tipo de datos deben pasar por tres fases generales cuando se utiliza la técnica DIP: preprocesamiento, mejora y visualización, y extracción de información.
II. Metas
Por favor habilite JavaScript
El objetivo del proyecto es registrar eficientemente la calidad del arroz. El objetivo del proyecto es reducir esfuerzos, costes y tiempos. El sistema debe hacer lo siguiente:
- Utilizar algoritmos de procesamiento de imágenes para analizar la calidad del grano en función de su tamaño y forma.
- Análisis y clasificación de la calidad del grano de arroz.
III. Sistema propuesto para el procesamiento de imágenes.
La calidad del arroz no siempre es fácil de definir, ya que depende del consumidor y del uso final previsto del grano. Todos los consumidores quieren la mejor calidad que puedan permitirse. A medida que los países logran la autosuficiencia en la producción de arroz, ha aumentado la demanda de los consumidores de arroz de mejor calidad. La longitud, el ancho y la relación largo-ancho se miden utilizando una técnica de procesamiento de imágenes contando y clasificando los granos de arroz sobre la misma base. La longitud es la longitud promedio del grano de arroz, mientras que el ancho es el ancho promedio del grano de arroz y la relación entre longitud y ancho se calcula de la siguiente manera:
L/P = [(Average length of rice grain)/ (average breadth of rice)] *10.
El primer paso es el preprocesamiento de imágenes. Aquí es donde tiene lugar el registro de la imagen y se utiliza el filtro para eliminar el ruido de la imagen. El algoritmo de contracción se utiliza para segmentar los núcleos en contacto. Este es el segundo paso. En el tercer paso, realizamos la detección de bordes para conocer el área de los límites. Esto se hace mediante un algoritmo sofisticado. En el cuarto paso se miden las semillas de arroz y en el mismo paso también se mide el largo, el ancho y la relación largo-ancho. En el quinto paso del algoritmo, el arroz se clasifica según su tamaño y forma, que es el paso final.
Métodos
Preprocesamiento de imágenes:
La imagen se captura con una cámara a color y se guarda en el espacio de color RGB. El filtro se aplica para eliminar el ruido que se produce durante la captura de imágenes y para hacerla más nítida. El algoritmo de umbral se utiliza para segmentar los granos de arroz del fondo negro.
Operación de contracción morfológica:
La erosión y la dilatación son procesos de procesamiento de imágenes morfológicas. La erosión elimina píxeles de los bordes de la región. La dilatación es el proceso inverso, donde las regiones crecen más allá de sus fronteras. La erosión se aplica para separar las características en contacto de los granos de arroz sin perder la integridad de una sola característica. El proceso de dilatación sigue al proceso de erosión. El objetivo de la dilatación es devolver las características erosionadas a su forma original sin volver a conectar las características separadas.
Detección de bordes:
La detección de bordes se utiliza para detectar la posición y presencia de bordes realizando cambios en la intensidad de una imagen. La detección de bordes ayuda a determinar el área límite de los granos de arroz. Utilizamos un algoritmo sofisticado para detectar los bordes. El algoritmo inteligente puede segmentar los granos de arroz del fondo negro.
Medición del objeto:
El número de granos de arroz se cuenta mediante la medición de objetos. Una vez determinada la cantidad de granos de arroz, se aplican algoritmos de detección de bordes a la imagen. El algoritmo aplicado proporciona los valores de los puntos finales de cada grano. Usamos un calibre para conectar los puntos finales y medimos el valor del largo y ancho de cada grano. Después de encontrar el valor del largo y el ancho, podemos calcular la relación entre el largo y el ancho.
Clasificación de objetos:
Para la clasificación de objetos se necesitan todos los resultados estándar, de medición y de cálculo. La base de datos estándar para medir el tamaño y la forma del arroz se tomó del Manual de laboratorio de calidad del grano de arroz, Dirección de Investigación del Arroz, Rajendra Nagar, Hyderabad. La clasificación de los granos de arroz según la base de datos estándar se muestra en las tablas siguientes. La siguiente tabla muestra la clasificación de los granos de arroz según su longitud y su relación largo-ancho:
Clasificación de granos de arroz mediante procesamiento de imágenes.
| Largo Delgado (LS) | Longitud 6 mm y más, relación L/W 3 y más |
| Corto Delgado (SS) | Longitud inferior a 6 mm, relación L/W 3 y más |
| Medio delgado (MS) | Longitud inferior a 6 mm, relación L/W de 2,5 a 3,0 |
| Grasa larga (LB) | Longitud de 6 mm y más, relación L/W inferior a 3 |
| Negrita corta (SB) | Longitud inferior a 6 mm, relación L/W inferior a 2,5 |
IV. Resultados y debates
El análisis de calidad del arroz se realizó utilizando parámetros como largo, ancho y relación largo-ancho y también se determinó si existe polvo. También se clasifica en categorías como Delgado, Medio, Negrito y Redondo.
conclusión V
Los algoritmos de análisis de imágenes se aplican a imágenes en las que los granos de arroz se colocan y distribuyen aleatoriamente en un plano con fondo negro. Cuando hay núcleos en contacto, la operación de contracción funciona de manera eficiente para separar la parte conectada de los núcleos en contacto puntual. La detección de bordes se realiza para conocer el área de los límites y los puntos finales de cada grano. Luego se pueden medir el largo y el ancho con un calibre. Una vez determinados los valores de largo y ancho, se debe calcular la relación largo-ancho.
El uso de un algoritmo de procesamiento de imágenes es un mejor método para analizar los granos de arroz debido a su cálculo de largo y ancho. Las ventajas del procesamiento de imágenes son que es una técnica sencilla que requiere menos tiempo y dinero, pero produce mejores resultados que el trabajo manual. Los resultados son satisfactorios.
Referencias
- Nagoda, Nadeesha y Lochandaka Ranathunga. “Segmentación y clasificación de muestras de arroz mediante procesamiento de imágenes y máquinas de vectores de soporte”. En 2018, IEEE 13.ª Conferencia Internacional sobre Sistemas Industriales y de Información (ICIIS), págs. IEEE, 2018.
- Kolkure, VS y BN Shaikh. “Identificación e inspección de calidad de granos de arroz mediante procesamiento de imágenes y redes neuronales”. Revista Internacional de Tendencias Recientes en Ingeniería e Investigación (IJRTER) (2017).
- Parveen, Zahida, Muhammad Anzar Alam y Hina Shakir. “Evaluación de la calidad de los granos de arroz mediante métodos ópticos y de procesamiento de imágenes”. En la Conferencia Internacional sobre Comunicación, Computación y Sistemas Digitales (CCODE) de 2017, págs. IEEE, 2017.
- Ali, Syed Farooq, Halima Jamil, Razia Jamil, Iqra Torij y Saira Naz. “Solución de bajo costo para el análisis de la calidad del arroz utilizando parámetros morfológicos y su comparación con mediciones estándar”. En la Conferencia Internacional Multitemática de 2017 (INMIC), págs. 1-6. IEEE, 2017.
- Vishnu, Devraj, Gunjan Mukherjee y Arpitam Chatterjee. “Un enfoque de visión por computadora para la identificación de cultivares de salvado de arroz”. En 2017, Tercera Conferencia Internacional sobre Investigación en Inteligencia Computacional y Redes de Comunicación (ICRCICN), págs. IEEE, 2017.
- Pratibha, Nikhade, More Hemlata, M. Krunali y ST Khot. “Análisis e identificación de granos de arroz mediante procesamiento de imágenes y redes neuronales”. Departamento de Electrónica y Telecomunicaciones, Facultad de Ingeniería para Mujeres de Bharati Vidyapeeth (2017).
- Felipe, Teresa María y HB Anita. “Clasificación de granos de arroz mediante transformada de Fourier y características morfológicas”. Indian Journal of Science and Technology 10, No. 14 (2017): 1-Report17.
- Manohar, M., K. Chatrapathy y MS Sowmya. “Detección inteligente de la pureza del arroz y su clasificación”, en 2017, 3ª Conferencia Internacional sobre Tecnología de la Computación y la Comunicación Teórica y Aplicada (iCATccT), página 7173. IEEE, 2017.
crédito: Este proyecto fue completado por Vijay Sonawane1Nikhil Gaikwad2Hrushikesh Mandekar3Kishore Baradkar4Chetan Gunjal5 fuera de Departamento de Ingeniería Informática, Instituto de Tecnología e Investigación Bhivrabai Sawant de JSPM, Wagholi Pune.
Análisis y clasificación de la calidad de granos utilizando técnicas de procesamiento de imágenes
Resumen
Más de la mitad de la población mundial consume arroz todos los días, lo que satisface más del 21% de los requerimientos calóricos de la población mundial. Se considera un grano entero que es rico en fibra y contiene un 80% de proteína, fósforo y potasio. Hay cientos de variedades diferentes de arroz y cada grano de arroz tiene una forma, textura y sabor únicos que lo hacen perfecto para ciertos platos. La calidad del arroz entre los diferentes tipos tiene diferentes estándares. Por lo tanto, debes seleccionar arroz de la mejor calidad porque el arroz de mejor calidad no solo es bueno para el consumo, sino también para la salud. Analizar muestras de grano manualmente es una tarea tediosa y que consume mucho tiempo. Este artículo presenta la solución al análisis y clasificación de granos de arroz utilizando técnicas de procesamiento de imágenes. Se aplican técnicas de reducción de imagen, mejora de imagen y aumento de imagen, reconocimiento de objetos en el dominio espacial, a grano por grano de diferentes muestras de arroz para determinar su tamaño, color y calidad en su conjunto y clasificar el grano de arroz. Encontramos los puntos finales de cada grano y luego medimos la longitud y el ancho de los granos de arroz.
Palabras clave: Clasificación, grano de arroz, calidad, procesamiento de imágenes, evaluación de granos, parámetros de arroz
I. Introducción
La calidad puede definirse como las características y propiedades combinadas de un producto o servicio para satisfacer necesidades declaradas o implícitas. La calidad de los granos es una combinación de muchos factores, como el olor (aroma), tamaño, características de cocción, color, valor nutricional y porcentaje de granos enteros. En el mercado del arroz, un determinante clave del arroz procesado es la calidad. La medición de calidad se vuelve más importante con el comercio de importación y exportación. Las muestras de arroz contienen diferentes objetos innecesarios como cáscara, granos dañados, semillas de malezas, piedras, etc. La calidad del arroz varía según el contenido de impurezas.
La forma de los granos de arroz se evalúa mediante la longitud, el ancho y la relación entre longitud y ancho de los granos de arroz. Actualmente, la longitud y el ancho de los granos de arroz se miden generalmente por un inspector utilizando una regla o un micrómetro. Para medir la calidad de las muestras de grano, el examinador necesita obtener unas pocas semillas de la muestra y hacer el análisis. Pero para medir la longitud y el ancho de incluso unas pocas semillas, colocarlas en una bandeja de un solo grano y medir la longitud y el ancho de cada semilla una por una, es una tarea muy tediosa y lleva mucho tiempo.
El objetivo principal del método propuesto es ofrecer una forma alternativa de control y análisis de calidad que reduzca el esfuerzo, el costo y el tiempo requeridos. El procesamiento de imágenes es un área tecnológica significativa y avanzada donde se han realizado importantes desarrollos. La visión artificial y el procesamiento de imágenes se utilizan ampliamente en investigaciones biológicas y agrícolas con el avance de la tecnología informática y la reducción significativa del costo del hardware y el software de imágenes digitales. Muchas investigaciones han aplicado la visión artificial para estimar la calidad de apariencia del arroz.
El objetivo principal del método propuesto es ofrecer una forma alternativa de control y análisis de calidad que reduzca el esfuerzo, el costo y el tiempo requeridos. El procesamiento de imágenes es un área tecnológica significativa y avanzada donde se han realizado importantes desarrollos. El procesamiento de imágenes manipula imágenes para realizar algunas operaciones en imágenes específicas para obtener una imagen mejorada y deseable. Y extraer información valiosa de la imagen de entrada. Hoy en día, el procesamiento de imágenes es una tecnología que crece rápidamente. Todos los tipos de datos deben pasar por tres fases generales al utilizar técnicas de procesamiento de imágenes, que son preprocesamiento, mejora y visualización, extracción de información.
II. Objetivos
– Utilizar algoritmos de procesamiento de imágenes para analizar la calidad de los granos según su tamaño y forma.
– Analizar y clasificar la calidad de los granos de arroz.
III. Sistema propuesto para el procesamiento de imágenes
La calidad del arroz no siempre es fácil de definir, ya que depende del consumidor y del uso final previsto para el grano. Todos los consumidores desean la mejor calidad que puedan permitirse. A medida que los países alcanzan la autosuficiencia en la producción de arroz, la demanda del consumidor de un arroz de mejor calidad ha aumentado. La longitud, el ancho y la relación entre longitud y ancho se miden utilizando técnicas de procesamiento de imágenes mediante el conteo y la clasificación de los granos de arroz sobre la misma base. La longitud es la longitud promedio del grano de arroz, mientras que el ancho es el ancho promedio del grano de arroz y la relación entre longitud y ancho se calcula como:
L/A = [(Longitud promedio del grano de arroz) / (Ancho promedio del grano de arroz)] * 10
En el primer paso se realiza el preprocesamiento de la imagen. Aquí se realiza el registro de la imagen y se elimina el ruido de la imagen utilizando un filtro. El algoritmo de contracción se utiliza para segmentar los granos de arroz que se tocan, que es el segundo paso. En el tercer paso, se realiza la detección de bordes para encontrar la región de los límites. Esto se realiza utilizando un algoritmo de Canny. En el cuarto paso se realiza la medición de las semillas de arroz y en el mismo paso también se mide la longitud, el ancho y la relación entre longitud y ancho. En el quinto paso del algoritmo, se clasifica el arroz según su tamaño y forma, que es el último paso.
Métodos
Preprocesamiento de imágenes
La imagen se captura utilizando una cámara a color y se almacena en un espacio de color RGB. Se aplica un filtro para eliminar el ruido que ocurre durante la adquisición de la imagen y también para mejorar la imagen. Se utiliza un algoritmo de umbral para segmentar los granos de arroz del fondo negro.
Operación morfológica de contracción
La erosión y la dilatación son operaciones de procesamiento de imágenes morfológicas. La erosión implica la eliminación de píxeles en los bordes de la región. La dilatación es el proceso inverso con regiones que crecen desde sus límites. La erosión se aplica para separar las características que se tocan sin perder la integridad de una sola característica. El proceso de dilatación sigue al proceso de erosión. El objetivo de la dilatación es hacer que las características erosionadas vuelvan a su forma original sin volver a unir las características separadas.
Detección de bordes
La detección de bordes se utiliza para detectar la ubicación y presencia de bordes mediante cambios en la intensidad de una imagen. La detección de bordes ayuda a encontrar la región de límites de los granos de arroz. Se utiliza un algoritmo de Canny para detectar los bordes. El algoritmo de Canny puede segmentar los granos de arroz del fondo negro.
Medición de objetos
La medición de objetos se utiliza para contar el número de granos de arroz. Después de obtener el recuento de granos de arroz, se aplican algoritmos de detección de bordes a la imagen. El algoritmo aplicado proporciona los valores de los puntos finales de cada grano. Se utiliza un calibrador para unir los puntos finales y medir los valores de longitud y ancho de cada grano. Después de obtener los valores de longitud y ancho, se puede calcular la relación entre longitud y ancho.
Clasificación de objetos
Todos los resultados estándar, medidos y calculados son necesarios para la clasificación de objetos. La base de datos estándar para la medición de tamaño y forma de arroz se obtiene del manual de laboratorio sobre la calidad de los granos de arroz, Directorate of Rice Research, Rajendra Nagar, Hyderabad. La clasificación de los granos de arroz según la base de datos estándar se muestra en las tablas siguientes. La tabla a continuación indica la clasificación de los granos de arroz según la longitud y la relación entre longitud y ancho.
- Grano largo y delgado (LS): longitud de 6 mm o más, relación entre longitud y ancho de 3 o más
- Grano corto y delgado (SS): longitud inferior a 6 mm, relación entre longitud y ancho de 3 o más
- Grano medio y delgado (MS): longitud inferior a 6 mm, relación entre longitud y ancho de 2.5 a 3.0
- Grano largo y grueso (LB): longitud de 6 mm o más, relación entre longitud y ancho inferior a 3
- Grano corto y grueso (SB): longitud inferior a 6 mm, relación entre longitud y ancho inferior a 2.5
IV. Resultados y Discusiones
Se ha realizado un análisis de calidad del arroz basado en parámetros como la longitud, el ancho y la relación entre longitud y ancho, y también si hay polvo presente se identifica. También se ha realizado la clasificación en categorías como Delgado, Medio, Grueso y Redondo.
V. Conclusiones
Se aplicaron algoritmos de análisis de imágenes en imágenes en las que los granos de arroz están colocados y distribuidos de manera aleatoria en una capa con fondo negro. Si hay granos que se tocan, la operación de contracción funciona de manera eficiente para separar la parte conectada de los granos que se tocan. Se realiza la detección de bordes para encontrar la región de límites y los puntos finales de cada grano. Luego, utilizando un calibrador, se puede medir la longitud y el ancho. Después de obtener los valores de longitud y ancho, se calcula la relación entre longitud y ancho.
El uso de un algoritmo de procesamiento de imágenes es un método mejor para el análisis del grano de arroz mediante el cálculo de su longitud y ancho. Las ventajas del procesamiento de imágenes son que es una técnica simple con menos tiempo y costo, pero que brinda mejores resultados que el trabajo manual. Los resultados son satisfactorios.
Referencias
- Nagoda, Nadeesha, and Lochandaka Ranathunga. «Rice Sample Segmentation and Classification Using Image Processing and Support Vector Machine.» In 2018 IEEE 13th International Conference on Industrial and Information Systems(ICIIS), pp.179-184. IEEE, 2018.
- Kolkure, V. S., and B. N. Shaikh. «Identification and quality testing of rice grain using image processing and neural network.» International Journal of Recent Trends in Engineering & Research (IJRTER) (2017).
- Parveen, Zahida, Muhammad Anzar Alam, and Hina Shakir. «Assessment of quality of rice grain using optical and image processing technique.» In 2017 International Conference on Communication, Computing and Digital Systems (CCODE), pp. 265-270. IEEE, 2017.
- Ali, Syed Farooq, Halima Jamil, Razia Jamil, Iqra Torij, and Saira Naz. «Low-Cost Solution for Rice quality analysis using Morphological parameters and its comparison with Standard measurements.» In 2017 International Multitopic Conference (INMIC), pp. 1-6. IEEE, 2017.
- Vishnu, Devraj, Gunjan Mukherjee, and Arpitam Chatterjee. «A computer vision approach for grade identification of rice bran.» In 2017 Third International Conference on Research in Computational Intelligence and Communication Networks (ICRCICN), pp. 10-14. IEEE, 2017.
- Pratibha, Nikhade, More Hemlata, M. Krunali, and S. T. Khot. «Analysis and Identification of Rice Granules Using Image Processing and Neural Network.» Dept. of Electronics and Telecommunication, Bharati Vidyapeeth’s College of Engineering for Women (2017).
- Philip, Teresa Mary, and H. B. Anita. «Rice Grain Classification using Fourier Transform and Morphological Features.» Indian Journal of Science and Technology 10, no. 14 (2017): 1-17.
- Manohar, M., K. Chatrapathy, and M. S. Sowmya. «Smart detection of rice purity and its grading.» In 2017 3rd International Conference on Applied and Theoretical Computing and Communication Technology (iCATccT), pp. 71-73. IEEE, 2017.
Crédito: Este proyecto fue realizado por Vijay Sonawane1, Nikhil Gaikwad2, Hrushikesh Mandekar3, Kishore Baradkar4, Chetan Gunjal5 del Departamento de Ingeniería Informática, JSPM’s Bhivrabai Sawant Institute of Technology and Research, Wagholi Pune.