Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
Identification of mechanical damage in the 'Fuji' apple cv. using artificial hyperspectral vision
Identificación de daños mecánicos en la manzana cv. ́Fuji ́ mediante visión artificial hiperespectral
DOI:
https://doi.org/10.15446/dyna.v86n210.78605Palabras clave:
hyperspectral images, PLS-DA, NIR, spectroscopy (en)imágenes hiperespectrales, PLS-DA, NIR, espectroscopia (es)
Descargas
One problem in the post-harvest phase of apples is the mechanical impact damage; its identification prevents quality issues during storage. The objective was to identify the wavelengths at which the damage is detected early in apples of the 'Fuji' cultivar, simulating the damage with a controlled stroke and taking hyperspectral images from 400 to 1700 nm. Three experiments were carried out at different temperatures (4 and 20 ° C) and with varying sampling times. It was found that in the NIR zone ranging between 1050 and 1100 nm, it was possible to classify healthy and bruised zones by means of a discriminant analysis by partial least squares (PLS-DA). Additionally, the evolution of the damage over time was not significant for the classification of the pixels (healthy and bruised classes), since bumps were detected in all three experiments from the first time.
Uno de los problemas en la poscosecha de las manzanas es el daño mecánico por impacto, su identificación evita problemas de calidad durante el almacenamiento. El objetivo fue identificar las longitudes de onda en las que se detecta el daño de manera temprana en manzanas del cultivar ‘Fuji’, simulado el daño con un golpe controlado y tomando imágenes hiperespectrales de 400 a 1700 nm. Se realizaron tres experimentos a diferentes temperaturas (4 y 20 °C) y tiempos de muestreo. Se encontró que en la zona del NIR comprendida entre 1050 y 1100 nm fue posible clasificar las zonas sanas y golpeadas a través de un análisis discriminante por mínimos cuadrados parciales (PLS-DA). Adicionalmente, la evolución del daño en el tiempo no resultó significativa para la clasificación de los píxeles (clases sana y golpeada), ya que se detectó el golpe desde el primer momento en cualquiera de los tres experimentos.
Referencias
Cubero, S., N. Aleixos, F. Albert, A. Torregrosa, C. Ortiz, O. García-Navarrete, and J. Blasco, Optimised computer vision system for automatic pre-grading of citrus fruit in the field using a mobile platform, Precision Agriculture, 15(1), pp. 80–94, 2014, http://doi:10.1007/s11119-013-9324-7.
García-Navarrete, O. L., Estudio de costes de la recolección de naranjas por vibrador de troncos mediante análisis de sensibilidad, MSc. Thesis, Departamento de Economía y Ciencias Sociales, Universitad Politecnica de Valencia, Valencia, España, 2011.
Del Río, M.A., Mazzuz, C.F., Gómez de Barreda, L. and Sendra Company, G., Evaluación de los impactos y la influencia de la línea de confección sobre la calidad de frutos de naranja "Lanelate". Todo CITRUS, España 11, pp. 5–16, 2000.
Stern-Freifeld, D., Desarrollo de métodos analíticos para la detección de cambios metabólicos frente a situaciones de estrés en fruta fresca, PhD. Thesis, Departamento de Tecnología de Alimentos, Universitad Politecnica de Valencia, Valencia, España, 2005.
Vélez-Rivera, N., J. Gómez-Sanchis, J. Chanona-Pérez, J. J. Carrasco, M. Millán-Giraldo, D. Lorente, S. Cubero, and J. Blasco, Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning, Biosystems Engineering, 122, pp. 91–98, 2014, http://doi:10.1016/j.biosystemseng.2014.03.009.
Ruiz-Altisent, M., Reducción de daños mecánicos en la manipulación de frutas, Vida rural, [Online], Vol 113, pp. 68–70, 2000. [fecha de consulta 19 de mayo de 2017] Disponible en: http://oa.upm.es/16228/1/02_048.pdf
Cubero, S., N. Aleixos, E. Moltó, J. Gómez-Sanchis, and J. Blasco, Advances in Machine Vision Applications for Automatic Inspection and Quality Evaluation of Fruits and Vegetables, Food and Bioprocess Technology, 4(4), pp. 487–504, 2011, http://doi:10.1007/s11947-010-0411-8.
Lorente, D., N. Aleixos, J. Gómez-Sanchis, S. Cubero, O. L. García-Navarrete, and J. Blasco, Recent Advances and Applications of Hyperspectral Imaging for Fruit and Vegetable Quality Assessment, Food and Bioprocess Technology, 5(4), pp. 1121–1142, 2012, http://doi:10.1007/s11947-011-0725-1.
Aunio Aunion-Castello, F. M., Influencia de los Impactos Mecánicos en Manzanas (Granny Smith) sobre la Respiración y Otras Propiedades Físicas, Trabajo de fin de carrera, Escuela Técnica Superior de Ingenieros Agronómos, Universidad Politécnica de Valencia, Valencia, España, 2002.
Gómez Sanchis, J. Gómez-Sanchis, J., Detección automática de podredumbres en cítricos mediante procesado avanzado de imágenes hiperespectrales, PhD. Thesis, Departamento de Ingenieria Electronica,Universitad de Valencia, Valencia, España, 2010
Baranowski, P., W. Mazurek, J. Wozniak, and U. Majewska, Detection of early bruises in apples using hyperspectral data and thermal imaging, Journal of Food Engineering, 110(3), pp. 345–355, 2012, http://doi:10.1016/J.JFOODENG.2011.12.038.
Che, W., L. Sun, Q. Zhang, W. Tan, D. Ye, D. Zhang, and Y. Liu, Pixel based bruise region extraction of apple using Vis-NIR hyperspectral imaging, Computers and Electronics in Agriculture, 146, pp. 12–21, 2018, http://doi:10.1016/J.COMPAG.2018.01.013.
ElMasry, G., N. Wang, C. Vigneault, J. Qiao, and A. ElSayed, Early detection of apple bruises on different background colors using hyperspectral imaging, LWT - Food Science and Technology, 41(2), pp. 337–345, 2008, http://doi:10.1016/J.LWT.2007.02.022.
Zhu, Q., J. Guan, M. Huang, R. Lu, and F. Mendoza, Predicting bruise susceptibility of “Golden Delicious” apples using hyperspectral scattering technique, Postharvest Biology and Technology, 114, pp. 86–94, 2016, http://doi:10.1016/J.POSTHARVBIO.2015.12.007.
Keresztes, J. C., M. Goodarzi, and W. Saeys, Real-time pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques, Food Control, 66, pp. 215–226, 2016, http://doi:10.1016/J.FOODCONT.2016.02.007.
Huang, W., J. Li, Q. Wang, and L. Chen, Development of a multispectral imaging system for online detection of bruises on apples, Journal of Food Engineering, 146, pp. 62–71, 2015, http://doi:10.1016/J.JFOODENG.2014.09.002.
Tan, W., L. Sun, F. Yang, W. Che, D. Ye, D. Zhang, and B. Zou, Study on bruising degree classification of apples using hyperspectral imaging and GS-SVM, Optik, 154, pp. 581–592, 2018, http://doi:10.1016/J.IJLEO.2017.10.090.
Xing, J. and J. De Baerdemaeker, Bruise detection on “Jonagold” apples using hyperspectral imaging, Postharvest Biology and Technology, 37(2), pp. 152–162, 2005, http://doi:10.1016/J.POSTHARVBIO.2005.02.015.
ElMasry, G., N. Wang, and C. Vigneault, Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks, Postharvest Biology and Technology, 52(1), pp. 1–8, 2009, http://doi:10.1016/J.POSTHARVBIO.2008.11.008.
Baranowski, P., W. Mazurek, and J. Pastuszka-Woźniak, Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data, Postharvest Biology and Technology, 86, pp. 249–258, 2013, http://doi:10.1016/J.POSTHARVBIO.2013.07.005.
Xing, J., W. Saeys, and J. De Baerdemaeker, Combination of chemometric tools and image processing for bruise detection on apples, Computers and Electronics in Agriculture, 56(1), pp. 1–13, 2007, http://doi:10.1016/J.COMPAG.2006.12.002.
Keresztes, J. C., E. Diels, M. Goodarzi, N. Nguyen-Do-Trong, P. Goos, B. Nicolai, and W. Saeys, Glare based apple sorting and iterative algorithm for bruise region detection using shortwave infrared hyperspectral imaging, Postharvest Biology and Technology, 130, pp. 103–115, 2017, http://doi:10.1016/J.POSTHARVBIO.2017.04.005.
Cómo citar
IEEE
ACM
ACS
APA
ABNT
Chicago
Harvard
MLA
Turabian
Vancouver
Descargar cita
CrossRef Cited-by
1. Mengwen Mei, Jiangbo Li. (2023). An overview on optical non-destructive detection of bruises in fruit: Technology, method, application, challenge and trend. Computers and Electronics in Agriculture, 213, p.108195. https://doi.org/10.1016/j.compag.2023.108195.
2. Ruth A. Bastidas-Alva, Jose A. Paitan Cardenas, Kris S. Bazan Espinoza, Vrigel K. Povez Nunez, Maychol E. Quincho Rivera, Jaime Huaytalla. (2022). Recognition and classification system for trinitario cocoa fruits according to their ripening stage based on the Yolo v5 algorithm. 2022 Asia Conference on Advanced Robotics, Automation, and Control Engineering (ARACE). , p.138. https://doi.org/10.1109/ARACE56528.2022.00032.
Dimensions
PlumX
Visitas a la página del resumen del artículo
Descargas
Licencia
Derechos de autor 2019 DYNA
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.
