Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido

Una correcta cosecha Cacao implica determinar si la mazorca se encuentra en un adecuado estado de madurez. No obstante, este proceso suele darse de manera artesanal y basarse en atributos como el tamaño y color de la mazorca, características que difieren según la variedad cultivada, lo cual dificult...

Full description

Bibliographic Details
Main Authors:	Heredia Gómez, Juan F., Rueda Gómez, Juan P., Talero Sarmiento, Leonardo H., Ramírez Acuña, Juan S., Coronado Silva, Roberto Antonio
Format:	article
Language:	Español
Published:	Universidad Autónoma de Bucaramanga 2024
Subjects:	Cacao Clasificación de Imágenes Detección de objetos Madurez Reconocimiento de Imágenes YOLO Raspberry Pi Producción y tratamiento de semillas - F03 Theobroma cacao Imagen http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_4656 http://aims.fao.org/aos/agrovoc/c_36760
Online Access:	https://revistas.unab.edu.co/index.php/rcc/article/view/4030 http://hdl.handle.net/20.500.12324/39787 https://doi.org/10.29375/25392115.4030

id	RepoAGROSAVIA39787
record_format	dspace
institution	Corporación Colombiana de Investigación Agropecuaria
collection	Repositorio AGROSAVIA
language	Español
topic	Cacao Clasificación de Imágenes Detección de objetos Madurez Reconocimiento de Imágenes YOLO Raspberry Pi Producción y tratamiento de semillas - F03 Theobroma cacao Madurez Imagen Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_4656 http://aims.fao.org/aos/agrovoc/c_36760
spellingShingle	Cacao Clasificación de Imágenes Detección de objetos Madurez Reconocimiento de Imágenes YOLO Raspberry Pi Producción y tratamiento de semillas - F03 Theobroma cacao Madurez Imagen Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_4656 http://aims.fao.org/aos/agrovoc/c_36760 Heredia Gómez, Juan F. Rueda Gómez, Juan P. Talero Sarmiento, Leonardo H. Ramírez Acuña, Juan S. Coronado Silva, Roberto Antonio Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
description	Una correcta cosecha Cacao implica determinar si la mazorca se encuentra en un adecuado estado de madurez. No obstante, este proceso suele darse de manera artesanal y basarse en atributos como el tamaño y color de la mazorca, características que difieren según la variedad cultivada, lo cual dificulta su estandarización. Con el fin de simplificar la cantidad de variables y presentar un método automatizado, el presente trabajo propone desarrollar una herramienta portable, de bajo costo, y hecha a medida, la cual hace uso de una red neuronal convolucional para indicar si una mazorca de cacao se encuentra en el momento oportuno para ser cosechada. Entre los principales resultados del presente trabajo se encuentran: 1) la construcción de tres conjuntos de datos etiquetados (1992 imágenes cada uno), y 2) un sistema embebido con una precisión de 34.83% mAP (mean Average Precision). Finalmente, se demuestra estadísticamente que el tamaño de las imágenes (4033x4033 p, 1009x1009 p y 505x505 p) no incide sobre la eficacia del entrenamiento.
format	article
author	Heredia Gómez, Juan F. Rueda Gómez, Juan P. Talero Sarmiento, Leonardo H. Ramírez Acuña, Juan S. Coronado Silva, Roberto Antonio
author_facet	Heredia Gómez, Juan F. Rueda Gómez, Juan P. Talero Sarmiento, Leonardo H. Ramírez Acuña, Juan S. Coronado Silva, Roberto Antonio
author_sort	Heredia Gómez, Juan F.
title	Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
title_short	Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
title_full	Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
title_fullStr	Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
title_full_unstemmed	Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
title_sort	determinación de la madurez de mazorcas de cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido
publisher	Universidad Autónoma de Bucaramanga
publishDate	2024
url	https://revistas.unab.edu.co/index.php/rcc/article/view/4030 http://hdl.handle.net/20.500.12324/39787 https://doi.org/10.29375/25392115.4030
work_keys_str_mv	AT herediagomezjuanf determinaciondelamadurezdemazorcasdecacaohaciendousoderedesneuronalesconvolucionalesenunsistemaembebido AT ruedagomezjuanp determinaciondelamadurezdemazorcasdecacaohaciendousoderedesneuronalesconvolucionalesenunsistemaembebido AT talerosarmientoleonardoh determinaciondelamadurezdemazorcasdecacaohaciendousoderedesneuronalesconvolucionalesenunsistemaembebido AT ramirezacunajuans determinaciondelamadurezdemazorcasdecacaohaciendousoderedesneuronalesconvolucionalesenunsistemaembebido AT coronadosilvarobertoantonio determinaciondelamadurezdemazorcasdecacaohaciendousoderedesneuronalesconvolucionalesenunsistemaembebido AT herediagomezjuanf cocoapodsripenessestimationusingconvolutionalneuralnetworksinanembeddedsystem AT ruedagomezjuanp cocoapodsripenessestimationusingconvolutionalneuralnetworksinanembeddedsystem AT talerosarmientoleonardoh cocoapodsripenessestimationusingconvolutionalneuralnetworksinanembeddedsystem AT ramirezacunajuans cocoapodsripenessestimationusingconvolutionalneuralnetworksinanembeddedsystem AT coronadosilvarobertoantonio cocoapodsripenessestimationusingconvolutionalneuralnetworksinanembeddedsystem
_version_	1808107015120093184
spelling	RepoAGROSAVIA397872024-08-06T03:02:08Z Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido Cocoa pods ripeness estimation, using convolutional neural networks in an embedded system Heredia Gómez, Juan F. Rueda Gómez, Juan P. Talero Sarmiento, Leonardo H. Ramírez Acuña, Juan S. Coronado Silva, Roberto Antonio Cacao Clasificación de Imágenes Detección de objetos Madurez Reconocimiento de Imágenes YOLO Raspberry Pi Producción y tratamiento de semillas - F03 Theobroma cacao Madurez Imagen Cacao http://aims.fao.org/aos/agrovoc/c_7713 http://aims.fao.org/aos/agrovoc/c_4656 http://aims.fao.org/aos/agrovoc/c_36760 Una correcta cosecha Cacao implica determinar si la mazorca se encuentra en un adecuado estado de madurez. No obstante, este proceso suele darse de manera artesanal y basarse en atributos como el tamaño y color de la mazorca, características que difieren según la variedad cultivada, lo cual dificulta su estandarización. Con el fin de simplificar la cantidad de variables y presentar un método automatizado, el presente trabajo propone desarrollar una herramienta portable, de bajo costo, y hecha a medida, la cual hace uso de una red neuronal convolucional para indicar si una mazorca de cacao se encuentra en el momento oportuno para ser cosechada. Entre los principales resultados del presente trabajo se encuentran: 1) la construcción de tres conjuntos de datos etiquetados (1992 imágenes cada uno), y 2) un sistema embebido con una precisión de 34.83% mAP (mean Average Precision). Finalmente, se demuestra estadísticamente que el tamaño de las imágenes (4033x4033 p, 1009x1009 p y 505x505 p) no incide sobre la eficacia del entrenamiento. Cacao-Theobroma cacao 2024-08-05T17:31:23Z 2024-08-05T17:31:23Z 2020-12-01 2020 article Artículo científico http://purl.org/coar/resource_type/c_2df8fbb1 info:eu-repo/semantics/article https://purl.org/redcol/resource_type/ART http://purl.org/coar/version/c_970fb48d4fbd8a85 https://revistas.unab.edu.co/index.php/rcc/article/view/4030 2539-2115 http://hdl.handle.net/20.500.12324/39787 https://doi.org/10.29375/25392115.4030 reponame:Biblioteca Digital Agropecuaria de Colombia instname:Corporación colombiana de investigación agropecuaria AGROSAVIA spa Revista Colombiana de Computación 21 2 42 55 Alston, J., Pardey, P., & Ruttan, V. (2008). Research Lags Revisited: Concepts and Evidence from U.S. Agriculture. University of Minnesota, Department of Applied Economics, Staff Papers. Arenga, D. Z. H., Dela Cruz, J. C., & Arenga, D. Z. H. (2017). Ripeness classification of cocoa through acoustic sensing and machine learning. 2017IEEE 9th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM), 2018-Janua, 1–6. https://doi.org/10.1109/HNICEM.2017.8269438 Arguello Castellanos, O., Mejia Florez, L. A., Contreras Mayorga, N., & Toloza Ochoa, J. A. (1999). Manual de caracterización morfoagronómica de clones elite de cacao (Theobroma cacao L.) en el noriente colombiano. CAOBISCO/ECA/FCC. (2015). Cocoa Beans : Chocolate & Cocoa Industry Quality Requirements. Caragea, C. (2009). Mean Average Precision. En L. Liu & M. T. Özsu (Eds.), Encyclopedia of Database Systems (p. 1703). Springer US. https://doi.org/10.1007/978-0-387-39940-9_3032 Chamo, A., D, A., Babura, B., & Karaye, A. K. (2017). Influence of Agronomic Practices on Crop Production. International Journal of Sciences: Basic and Applied Research (IJSBAR), Vol. 31, 61–66. https://gssrr.org/index.php/JournalOfBasicAndApplied/article/view/6688 CORPOICA. (2015). Misión para la transformación del campo. Diagnóstico. 1–71. CORPOICA. (2020). Teobroma Corpoica la Suiza. Cubillos, A., Garcia, M., S., A., R, G., & Tarazona Díaz, M. (2019). Study of the physical and chemical changes during the maturation of three cocoa clones, EET8, CCNN51 and ICS60. Journal of the Science of Food and Agriculture, 99. https://doi.org/10.1002/jsfa.9882 El-Bendary, N., El Hariri, E., Hassanien, A. E., & Badr, A. (2015). Using machine learning techniques for evaluating tomato ripeness. Expert Systems with Applications, 42(4), 1892–1905. https://doi.org/10.1016/j.eswa.2014.09.057 Elhariri, E., El-Bendary, N., Hussein, A. M. M., Hassanien, A. E., & Badr, A. (2014). Bell pepper ripeness classification based on support vector machine. 2014 International Conference on Engineering and Technology (ICET), 1–6. https://doi.org/10.1109/ICEngTechnol.2014.7016802 Hamza, R., & Chtourou, M. (2018). Apple Ripeness Estimation Using Artificial Neural Network. 2018 International Conference on High Performance Computing & Simulation (HPCS), 229–234. https://doi.org/10.1109/HPCS.2018.00049 Huffman, W. (2009). Technology and Innovation in World Agriculture: Prospects for 2010-2019. Iowa State University, Department of Economics, Staff General Research Papers. Kipli, K., Zen, H., Sawawi, M., Mohamad Noor, M. S., Julai, N., Junaidi, N., Shafiq Mohd Razali, M. I., Chin, K. L., & Wan Masra, S. M. (2018). Image Processing Mobile Application For Banana Ripeness Evaluation. 2018 International Conference on Computational Approach in Smart Systems Design and Applications (ICASSDA), 1–5. https://doi.org/10.1109/ICASSDA.2018.8477600 Lakens, D., Fockenberg, D. A., Lemmens, K. P. H., Ham, J., & Midden, C. J. H. (2013). Brightness differences influence the evaluation of affective pictures. Cognition & Emotion, 27(7), 1225–1246. https://doi.org/10.1080/02699931.2013.781501 Le, T.-T., Lin, C.-Y., & Piedad, E. J. (2019). Deep learning for noninvasive classification of clustered horticultural crops – A case for banana fruit tiers. Postharvest Biology and Technology, 156, 110922. https://doi.org/https://doi.org/10.1016/j.postharvbio.2019.05.023 León-Roque, N., Abderrahim, M., Nuñez-Alejos, L., Arribas, S. M., & Condezo-Hoyos, L. (2016). Prediction of fermentation index of cocoa beans (Theobroma cacao L.) based on color measurement and artificial neural networks. Talanta, 161, 31–39. https://doi.org/10.1016/j.talanta.2016.08.022 Lin, T. (2015). LabelImg. https://github.com/tzutalin/labelImg Machado Cuellar, L., Ordoñez Espinosa, C., Katherine, Y., Cruz, L., & Suárez Salazar, J. (2018). Organoleptic quality assessment of Theobroma cacao L. in cocoa farms in northern Huila, Colombia. Acta Agronómica, 67. https://doi.org/10.15446/acag.v67n1.66572 Mazen, F. M. A., & Nashat, A. A. (2019). Ripeness Classification of Bananas Using an Artificial Neural Network. Arabian Journal for Science and Engineering, 44(8), 6901–6910. https://doi.org/10.1007/s13369-018-03695-5 Mhaski, R. R., Chopade, P. B., & Dale, M. P. (2015). Determination of ripeness and grading of tomato using image analysis on Raspberry Pi. 2015 Communication, Control and Intelligent Systems (CCIS), 214–220. https://doi.org/10.1109/CCIntelS.2015.7437911 Mustafa, N. B. A., Fuad, N. A., Ahmed, S. K., Abidin, A. A. Z., Ali, Z., Yit, W. B., & Sharrif, Z. A. M. (2008). Image processing of an agriculture produce: Determination of size and ripeness of a banana. 2008 International Symposium on Information Technology, 1–7. https://doi.org/10.1109/ITSIM.2008.4631636 Nguyễn, H. V. H., Lê, H. M., & Savage, G. P. (2018). Effects of maturity at harvesting and primary processing of cocoa beans on oxalate contents of cocoa powder. Journal of Food Composition and Analysis, 67, 86–90. https://doi.org/https://doi.org/10.1016/j.jfca.2018.01.007 O’Brien, J. F., & Farid, H. (2012). Exposing photo manipulation with inconsistent reflections. ACM Transactions on Graphics, 31(1), 1–11. https://doi.org/10.1145/2077341.2077345 Park, T. (2020). Darknet with NNPACK. https://github.com/digitalbrain79/darknet-nnpack Perez B, M. A., & Contreras M, J. D. (2017). Instructivo de buenas prácticas de cosecha y pos-cosecha. En Swisscontact Colombia. Polder, G., van der Heijden, G. W. A. M., & Young, I. T. (2002). Spectral Image Analysis for Measuring Ripeness of Tomatoes. Transactions of the ASAE, 45(4), 1155–1161. Ramos Ospino, A. del C., & Gómez Álvarez, M. S. (2019). Caracterización fenotípica y genotípica de aislados de cacao (Theobroma Cacao L.) de Dibulla, Guajira (Vol. 8, Número 5). Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. Riskiawan, H. Y., Puspitasari, T. D., Hasanah, F. I., Wahyono, N. D., & Kurnianto, M. F. (2018). Identifying Cocoa ripeness using K-Nearest Neighbor (KNN) Method. 2018 International Conference on Applied Science and Technology (iCAST), 354–357. https://doi.org/10.1109/iCAST1.2018.8751633 Rupanagudi, S. R., Ranjani, B. S., Nagaraj, P., & Bhat, V. G. (2014). A cost effective tomato maturity grading system using image processing for farmers. 2014 International Conference on Contemporary Computing and Informatics (IC3I), 7–12. https://doi.org/10.1109/IC3I.2014.7019591 Saad, H., & Hussain, A. (2006). Classification for the Ripeness of Papayas Using Artificial Neural Network (ANN) and Threshold Rule. 2006 4th Student Conference on Research and Development, 132–136. https://doi.org/10.1109/SCORED.2006.4339325 Saadl, H., Ismaie, A. P., Othmanl, N., Jusohl, M. H., Naim, N. F., & Ahmad, N. A. (2009). Recognizing the ripeness of bananas using artificial neural network based on histogram approach. ICSIPA09 - 2009 IEEE International Conference on Signal and Image Processing Applications, Conference Proceedings, 536–541. https://doi.org/10.1109/ICSIPA.2009.5478715 Samui, P., Roy, S., & Balas, V. (2017). Handbook of Neural Computation 1st Edition. Santos Pereira, L. F., Barbon, S., Valous, N. A., & Barbin, D. F. (2018). Predicting the ripening of papaya fruit with digital imaging and random forests. Computers and Electronics in Agriculture, 145, 76–82. https://doi.org/10.1016/j.compag.2017.12.029 Simbolon, Z. K., Syakry, S. A., Mulyadi, & Syahroni, M. (2019). Separation of the Mature Level of Papaya Callina Fruit Automatically Based on Color (RGB) uses Digital Image Processing. IOP Conference Series: Materials Science and Engineering, 536, 12127. https://doi.org/10.1088/1757-899X/536/1/012127 Taiwo, A., & Bart-Plange, A. (2016). Factors Responsible For Post-Harvest Losses And Their Effects On Rice Producing Farmers: A Case Study Of Afife And Aveyime Rice Projectsin The Volta Region Of Ghana. International Research Journal of Engineering and Technology (IRJET), 3, 1014–1022. Tan, D. S., Leong, R. N., Laguna, A. F., Ngo, C. A., Lao, A., Amalin, D. M., & Alvindia, D. G. (2018). AuToDiDAC: Automated Tool for Disease Detection and Assessment for Cacao Black Pod Rot. Crop Protection, 103, 98–102. https://doi.org/https://doi.org/10.1016/j.cropro.2017.09.017 Taofik, A., Ismail, N., Gerhana, Y. A., Komarujaman, K., & Ramdhani, M. A. (2018). Design of Smart System to Detect Ripeness of Tomato and Chili with New Approach in Data Acquisition. IOP Conference Series: Materials Science and Engineering, 288, 12018. https://doi.org/10.1088/1757-899X/288/1/012018 Třebický, V., Fialová, J., Kleisner, K., & Havlíček, J. (2016). Focal Length Affects Depicted Shape and Perception of Facial Images. PLOS ONE, 11(2), e0149313. https://doi.org/10.1371/journal.pone.0149313 Yen, D., & Nguyễn, H. (2018). Effects of maturity stages and fermentation of cocoa beans on total phenolic contents and antioxidant capacities in raw cocoa powder. Vietnam Journal of Biotechnology, 14, 743–752. https://doi.org/10.15625/1811-4989/14/4/12309 Zhang, L., Jia, J., Gui, G., Hao, X., Gao, W., & Wang, M. (2018). Deep Learning Based Improved Classification System for Designing Tomato Harvesting Robot. IEEE Access, 6, 67940–67950. https://doi.org/10.1109/ACCESS.2018.2879324 Zhu, M. (2004). Recall, precision and average precision. Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf application/pdf Colombia Universidad Autónoma de Bucaramanga Bucaramanga (Colombia) Rev. colomb. comput.; vol. 21, Núm. 2,(2020): Rev. colomb. comput.(Dic.);p. 42–55.

Determinación de la madurez de mazorcas de Cacao, haciendo uso de redes neuronales convolucionales en un sistema embebido

Similar Items