INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98

Disponible en línea en www.sciencedirect.com

ScienceDirect

revista Página de inicio: www.elsevier.com/localte/issn/15375110

Trabajo de investigación

La detección temprana de daños mecánicos en mango

usando NIR imágenes hiperespectrales y aprendizaje
automático

Nayeli Vélez Rivera a, Juan Gómez-Sanchis b, Jorge Chanona-Pérez a,

Juan José Carrasco b, Mónica Millán-Giraldo b,c, Delia Lorente d,
Sergio Cubero d, Jose' Blasco d,*
a Instituto Nacional Politécnico - Escuela Nacional de Ciencias Biolo'gicas, Departamento de Ingenierı'a Bioquıímica, Av. Plan
de Ayala y Carpio s / n, Col. Santo Toma's, CP 11340, México, DF, México
b Universidad de Valencia - Laboratorio de Análisis Inteligente de Datos, Av. Universitat S / N, 46100, Burjassot,
Valencia, España
c Universidad Jaume I - Instituto de Nuevas Tecnologías de la Imagen, Av. Sos Baynat S / N, 12071,

Castelló de la Plana, España

d Centro de Agroingenierı'a, Instituto Valenciano de Investigaciones Agrarias (IVIA), Ctra. 5 km Moncada-Na'quera, 46113,
Moncada, Valencia, España

INFORMACIÓN DEL ARTÍCULO

Fruta del mango son sensibles y pueden fácilmente desarrollar manchas marrones después de sufrir estrés
Historia del artículo: mecánico durante el manejo postcosecha, transporte y comercialización. La inspección manual de esta fruta se
Recibido el 26 de septiembre de utiliza hoy en día no puede detectar el daño en etapas muy tempranas de madurez y hasta la fecha no automático
2013 recibida en forma de 19 de herramientas capaces de dicha detección se ha desarrollado, ya que los sistemas actuales basados en visión
revisada de febrero de 2014 artificial sólo detectan daños muy visibles. La aplicación de imágenes hiperespectrales para la inspección de
aceptado el 27 de de marzo de calidad postcosecha de las frutas es relativamente reciente y la investigación está todavía en curso para encontrar
2014 Publicado en línea el 8 de un método para estimar las propiedades internas o detectar daños invisibles. Este trabajo describe un nuevo
mayo de 2014 sistema para evaluar el daño inducido mecánicamente en el pericarpio de mango 'Manila' en diferentes etapas
de madurez basados en el análisis de imágenes hiperespectrales.1100 nm usando un sistema de visión por
palabras clave: ordenador hiperespectral y después se analizó para seleccionar las longitudes de onda más exigentes para
Visión por computador distinguir y clasificar las dos zonas. Once métodos de selección de característica se usaron y se comparan para
Selección de características determinar las longitudes de onda, mientras que otros cinco métodos de clasificación se utilizaron para
La calidad del fruto segmentar las imágenes multiespectrales resultantes y clasificar la piel de los mangos como sonido o dañado.
Frutos de mango Una tasa de 97,9% de clasificación correcta de píxeles se logró en el tercer día después del daño había sido
Inspección no destructiva causado usando k-vecinos más cercanos y el espectro total y la cifra se redujo a 91,4% cuando se utilizaron sólo
Imágenes hiperespectrales las bandas más discriminantes.
ª 2014 IAgrE. Publicado por Elsevier Ltd. Todos los derechos
reservados.

* Autor correspondiente. Tel:+34 96 3424000.

Correos electrónicos: jchanona@ipn.mx (J. Chanona-Pérez), blasco_josiva@gva.es (J. Blasco).
http://dx.doi.org/10.1016/j.biosystemseng.2014.03.009
1537-5110 /ª2014 IAgrE. Publicado por Elsevier Ltd. Todos los derechos reservados.
92 BINGENIERÍA DE SISTEMAS 122 (2014 ) 91 - 98
1. Introducción
El mango (Mangifera indica L.) ha llegado a ser importante como un
producto que se exporta a varios países productores. La FAO informó que
en 2011 México se ubicó quinto entre los principales países productores de
mango y fue también el primer exportador del mundo (FAOSTAT, 2011).
México produce más de 50 variedades de mango, 'Manila' de ser uno de los
más importantes, tanto para los mercados nacionales e internacionales
(Ornelas-Paz, Yahiaa, y Gardea, 2008). El mango 'Manila' es una la fruta
muy suave y por lo tanto es muy susceptible a los daños mecánicos durante
los procesos posteriores a la cosecha. El Daño mecánico a los resultados de
la fruta de cargas superficiales, pero los factores que determinan la diferente
susceptibilidad o la sensibilidad de la fruta a los daños mecánicos de una
especie o variedad a otra es aún desconocido (Martı'nez-Romero et al.,
2004), Y su evaluación cuantitativa es todavía un reto (Li & Thomas, 2014).
Hahn (1999) informaron sobre el efecto de los daños causados por impacto
en diferentes variedades de mango y 'Manila' era uno de los más sensibles,
ya que este cultivar comenzó a desarrollar hematomas después de haber
sido impactado desde una altura de sólo 20 cm. Uno de los principales
problemas en el período post-cosecha es que el daño causado durante el
manejo postcosecha puede no ser visible hasta varios días más tarde,
cuando el fruto ya ha sido comercializado. Cualquier proceso, y
consecuentemente la reputación del productor, se juzga por la calidad del
producto final, lo que hace el control de calidad sea una etapa crucial del
proceso. Por lo tanto, este es un gran problema en la industria del mango
debido a esta falta de calidad no se puede detectar mediante inspección
visual durante el manejo poscosecha, y la fruta dañada con un mal aspecto
puede tener una influencia importante en la decisión del consumidor de
elegir un tipo diferente de fruta. Cómo siempre, esta situación se agrava aún
más cuando la fruta se exporta porque se trata de una prioridad para la fruta
mexicana y sólo frutas de excelente calidad pueden ser exportados.
La detección de frutos dañados en la industria se puede ACH-ieved por
medio de sistemas automáticos (Valiente-Gonza'lez, Andreu-García,
Potter, y Rodas-Jorda', 2014). No destructivo métodos tales como
espectrometría o análisis de imágenes en el rango visible y del infrarrojo
cercano del espectro se han aplicado ampliamente para evaluar aspectos de
la calidad y la madurez en frutas y hortalizas (Cubero, Aleixos, Molto',
Gómez-Sanchis, y Blasco, 2011), incluyendo fruta del mango (Vélez-
Rivera et al, 2014.; Wanitchang, Terdwongworakul, Wanitchang, y
Nakawajana, 2011). Por ejemplo, Hahn (2004) relacionado daños
mecanicos con la pérdida de firmeza en los mangos 'Kent'. El autor indujo
a los impactos con un dispositivo de péndulo con el fin de ser capaz de
controlar las fuerzas implicadas en la causa de los daños. De hecho,
impactos controlados se utilizan con frecuencia en los estudios de
evaluación de daños mecánicos en las aceitunas (Jiménez-Jiménez, Castro-
García, Blanco-Rolda'n, Agüera-Vega, y Gil-Ribes, 2012), naranjas (Ortiz,
Blasco, Balasch, y Torregrosa, 2011), (manzanasElmasry, Wang,
Vigneault, Qiao, y Elsayed, 2008), caqui (Novillo, Salvador, Llorca,
Hernando, y Besada, 2014), patatas o tomates (Van Zeebroeck et al., 2003).
Sin embargo, diversos defectos como el deterioro, la contaminación
microbiana, mecánica y los daños por congelación o infección por hongos
son muy difíciles de detectar en las primeras etapas usando sistemas de
visión artificial estándar (Gómez-Sanchis et al., 2013) Y otras tecnologías
deben desarrollarse. Los avances logrados en
sistemas de imágenes hiperespectrales, junto con la reducción de su precio,
recientemente han permitido que esta tecnología sea incor-porado en los
laboratorios de control de calidad post-cosecha, que lo utilizan para
desarrollar nuevos sistemas avanzados para predecir la calidad y las
propiedades de las frutas y hortalizas interna (Lorente, Aleixos, et al., 2012),
incluyendo algunos tipos de daños mecánicos (Nanyam, Choudhary, Gupta,
y Paliwal 2012). Esta tecnología combina el análisis de ambas characteris-
tics espaciales y espectrales de una muestra (Elmasry, Kamruzzaman, Sun,
y Allen, 2012). Como resultado, se puede por lo tanto hacer uso de la
información espectral para estimar los compuestos internos o también para
detectar diversos tipos de daño que no pueden ser detectados por los
sistemas de visión por ordenador estándar porque el daño no está
completamente desarrollado o su apariencia es muy similar a la sonar la
piel, como es el caso de las lesiones de caries en los cítricos (Blasco,
Aleixos, Gómez-Sanchis, y Molto' de 2009) o propiedades internas en
pimientos (Schmilovitch et al., 2014). Sin embargo, la complejidad del
análisis de imágenes hiperespectrales requiere una gran cantidad de tiempo
de cálculo. Además, la enorme cantidad de datos proporcionados por estos
sistemas hace que sea necesario disponer de métodos fiables para
seleccionar sólo la información que realmente puede optimizar los
resultados. Dado que una imagen hiperespectral se compone de un conjunto
de imágenes monocromáticas banda estrecha consecutivos, cierta
información contenida en bandas estrechas es redundante y con frecuencia
altamente correlacionados. Por esta razón, es muy importante seleccionar
sólo aquellas bandas con la información más relevante, mientras se
descartan los que no contribuyen de manera significativa a mejorar los
resultados. Bajo esta premisa recientemente varios estudios se han llevado
a cabo utilizando diferentes métodos de selección de características. Por
ejemplo,Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco (2013) y
Lorente, Blasco, et al. (2012)comparado varios métodos para la selección
de longitudes de onda importantes para detectar lesiones de caries en los
cítricos en las primeras etapas. Serranti, Cesare, y Bonifazi (2013) usadas
intervalo de mínimos cuadrados parciales análisis discriminante (IPL-DA)
en las imágenes hiperespectrales para reducir su dimensión espectral y la
redundancia, y para extraer características de la imagen útiles para
diferenciar tres clases de trigo.
Una vez que las bandas relevantes han sido seleccionados, se obtiene
una imagen multiespectral, que luego tiene que ser segmentado con el fin
de lograr el rendimiento real del sistema. Esta segmentación consiste en
clasificar cada píxel de la imagen multiespectral como perteneciente a una
región de interés, utilizando el valor espectral de los píxeles en las diferentes
bandas seleccionadas como entradas de los clasificadores (Gómez-Sanchis
et al., 2012, 2013). Por lo tanto, el principal objetivo de los experimentos
llevados a cabo es estudiar la posibilidad de detectar daños mecánicos
inducida intencionalmente en mangos 'Manila' en las primeras etapas de
madurez usando un sistema de visión hiperespectral, que se consigue
mediante la identificación de las bandas espectrales que mejor se
categorizan si una el mango está dañado o no. El trabajo también tiene como
objetivo obtener el clasificador que mejor se adapte a este problema
mediante la segmentación de las imágenes usando sólo las bandas
seleccionadas.
2. Material y métodos
2.1. Fruta utilizada en los experimentos
Diez mangos (Mangifera indica L.) cv. 'Manila' se obtuvieron de un
mercado local, todos ellos siendo similar en términos de etapa de madurez
(sin madurar), firmeza, color (verde oscuro), la forma y
 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98 93

tamaño, así como libre de las manchas o defectos externos. El peso

promedio de la fruta era 271,82 g 2,67. Antes de los experimentos, la fruta
se lavó con una solución al 1% de hipoclorito de sodio durante 10 min y
luego se enjuagaron con agua destilada y se secó a temperatura ambiente
(Corkidi, Balderas-Ruı'z, Taboada, Serrano-Carreo'n, y Galindo, 2006). El
daño mecánico fue inducida en la fruta en la zona ecuatorial y cada área
batido fue marcado con el fin de ser capaz de identificar la zona dañada en
una etapa posterior. El daño a la fruta se ha creado usando un péndulo con
una longitud de 242 mm. En el extremo inferior del brazo del péndulo había
un aluminio impactando pieza esférica que pesa 177 g. La energía del
impacto se calcula como la energía cinética del brazo del péndulo justo antes
del impacto. La energía aplicada a la fruta era 0.123 J cuando se libera el
brazo de péndulo desde un ángulo de 45 con respecto a la vertical (Van
Zeebroeck et al., 2003). Inmediatamente después de la fruta estaba dañado,
las muestras se almacenaron en condiciones de oscuridad a 25 ° C y una
humedad relativa de 75%. Las imágenes de los mangos se adquirieron 1 h
después de causar el daño y luego cada 24 h durante siete días consecutivos. Figura 1 mi Esquema del sistema de visión artificial utilizado para
adquirir las imágenes hiperespectrales.

2.2. Sistema de imagen
El sistema de visión hiperespectral utilizado para adquirir las imágenes
consistía en una cámara monocromática (CoolSNAP ES, Photomet-
RICS, EE.UU.) configurado para adquirir imágenes con un tamaño de 551
x 551 píxeles y una resolución de 0,27 mm / pixel. La cámara estaba
acoplado a un filtro de cristal líquido sintonizable (LCTF) (Varispec
NIR07, Cambridge Research e Instrumentación, Inc., EE.UU.). Las
imágenes fueron adquiridas en el rango entre 650 nm y 1080 nm con una
resolución de 10 nm. La escena se ilumina por luz indirecta a partir de
doce lámparas halógenas (20 W) dispuestos equidistantes entre sí dentro
de un aluminio semiesférica difusor a fin de proporcionar uniformidad
espacial. La superficie interior de la cúpula fue pintada de blanco con una
textura áspera para maximizar su reflectividad y para iluminar la escena
indirectamente por medio de reflexión, que mejor se adapte a la forma de
los objetos curvos como mangos. Figura 1 muestra el esquema del sistema
de imagen.
Las lámparas se conectan durante 25 min antes de cada imagen
adquisición para permitir que la radiación emitida por las lámparas a
estabilizar. Las imágenes fueron adquiridas mediante la colocación de la
fruta en el interior la cámara de inspección manualmente con el área
dañada frente a la cámara. Este sistema capturó un cubo hiperespectral
compuesta de 44 imágenes monocromas para cada fruta, que da un total
de 440 imágenes en blanco y negro, cada imagen contieneel sonido y las
áreas dañadas. Las lámparas halógenas ofrecen un alto grado de
direccionalidad, produciendo variaciones espaciales en el intensidad en el
plano de la escena que fueron corregidos por pre- el procesamiento de las
imágenes antes de obtener el conjunto de datos etiquetados. Por otra parte,
la reflectancia que se mide puede ser alterado por la diferente sensibilidad
espectral de los elementos en el sistema hiperespectral. Para evitar esto,
se llevó a una corrección en las imágenes utilizando una referencia de
blanco con una reflectancia valor de 99% (CSRT-99-050, Labsphere Inc,
EE.UU.), de acuerdo con la Ecuación (1) (Gómez-Sanchis et al., 2008).
la imagen monocroma adquirida por el hiperespectral sistema de visión que
corresponde a la referencia de blanco, Roscuro(L) es una imagen oscura
adquirido por el sistema en ausencia de iluminación y Rxy(L) es la imagen
sin corregir adquirida por el sistema.
El fondo fue posteriormente segmentado utilizando la imagen
capturado a 700 nm debido a la alta contraste entre la fruta y el fondo, lo
que hace que sea fácil de separar los dos regiones usando cualquier umbral
por encima de un valor de 50. Figura 2 muestra el (rojo, verde, azul) imagen
RGB de un mango a lo largo de con las imágenes monocromáticas en
algunos ejemplos de longitudes de onda.
2.3. Conjunto de datos etiquetados
Una aplicación específica programada para seleccionar manualmente y
tienda de regiones de interés (ROI) en imágenes hiperespectrales fue
utilizados para seleccionar sonido y dañadas áreas de la capturado
imágenes. Por cada día de la adquisición de imágenes, un total de 44
espectrales características se almacenan para cada píxel en las regiones de
interés que estaban seleccionado, estos correspondiente al valor del píxel
en cada longitud de onda. Además, la clase pertenece el píxel fue también
almacenado como una variable de clasificación. Un total de 29.400 píxeles
eran seleccionada de entre el conjunto de las imágenes capturadas cada día,
los datos conjuntos que se dividen en un conjunto de entrenamiento (50%)
y un conjunto de prueba (50%). El gran número de píxeles en la prueba fue
elegido con el fin para evaluar la capacidad de generalización de la
estadística modelos. figura 3 muestra la reflectancia promedio para el
sonido y muestras dañadas en el conjunto de datos etiquetados.
2.4. Métodos de selección de características

Para obtener varios conjuntos de longitudes de onda importantes con los

donde ρxy(L) es la imagen después de aplicar esta primera corrección,
rárbitro(L) es la reflectancia del blanco de referencia, Rblanco(L) es
que a discriminar entre las zonas dañadas y sonido (el daño aún no siendo
visible) se estudiaron y compararon varios métodos. Éstas técnicas de
selección característica basada en la correlación de selección de
subconjuntos (CSA) (Hall, 2000), Chi Cuadrado (ChiS) (Miller y
Siegmund, 1982), La puntuación de Fisher (Duda, Hart, y Stork, 2001),
Gini algoritmo de impureza (GIA)
94 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98
Figura 2 - Ejemplo de RGB y las imágenes monocromáticas de una muestra mango capturado en ciertas longitudes de onda.
(Breiman, Friedman, Piedra, y Olshen, 1984), Ganancia de información
(IG) (Guyon y Elisseeff de 2006), Mínimo de redundancia máxima
relevancia (Mrmr) (Peng, largo, y Ding, 2005), ReliefF (Kira y Rendell,
1992), Secuencial Selección hacia adelante (SFS) (Kohavi y John, 1997),
Escaso de regresión logística (SLR) (Cawley, Talbot, y Girolami, 2007),
Paso a paso (Draper y Smith, 1998), y Estudiantes de T-test (Larsen y Marx,
2005). tabla 1 resume los métodos de selección de características, que
muestra las principales propiedades de cada uno de ellos.
Para determinar el mejor conjunto de bandas para detectar las áreas
dañadas, se considera un método basado en un comité de expertos (CE). La
CE combina la selección de cada método individual para proporcionar un
conjunto único de bandas. Los primeros seis bandas clasificados dadas por
cada técnica se consideraron como potencialmente elegibles, pero sólo
aquellos que fueron seleccionados por al menos tres de las técnicas fueron
finalmente elegidos. Este proceso se llevó a cabo
Fig. 3 - reflectancia promediados para todo el espectro de las muestras de
sonido y dañadas del conjunto de datos con la etiqueta: reflectancia de la
zona dañada está representado por el símbolo ◊, La reflectancia de la
zona de sonido está representado por símbolo ○
usando el conjunto de datos de imágenes correspondientes al tercer día
después de producir el daño, ya que los resultados óptimos se ob-
CONTENIDAS este día el uso de todas las bandas, como se explica en la
sección de resultados.
Tabla 1 - Resumen de los métodos de selección de función utilizado
para decidir las longitudes de onda más discriminantes.
Método principales propiedades
CFS Filas cuentan con las variables, dando mayor relevancia a
aquellos altamente correlacionado con la clase correspondiente
mientras correlacionado con los demás
ChiS Estima el nivel de asociación entre la
clase respectiva y cada entidad de entrada con el fin de
clasificar todas las características en función de su relevancia
Pescador Da el coeficiente de correlación entre la
características y selecciona las mejores características-n
Puntuación clasificados con
las puntuaciones más grandes
GIA Calcula la impureza de características de acuerdo con la
categorización de los casos mediante la medición de la frecuencia
un ejemplo elegido al azar está mal clasificado
YO G Mide el valor de la función en relación con el
clase
mrmr Selecciona aquellos rasgos de mayor relevancia para
la clase de destino y que también son máximamente
diferente al resto de las clases
ReliefF Ocupa características en función de su relevancia teniendo
en cuenta cómo sus valores se pueden distinguir
entre instancias de los mismos y diferentes clases
que están cerca uno del otro
SFS Selecciona un subconjunto de características del conjunto original
a partir de un conjunto vacío, y la adición de características con
el objetivo de maximizar la predicción cuando están
combinado con los anteriores
SLR La función de probabilidad logarítmica negativa del binomio
distribución se reduce al mínimo para obtener el máximo
La estimación de probabilidad. Una restricción se utiliza para
reducir
el modelo de regresión logística
paso a paso método iterativo en el que se evalúan todas las características
para cada iteración con el fin de añadir secuencialmente el
más uno correspondiente al modelo
estudiante de Evalúa la importancia variable y determina la
T-test probabilidad de que dos clases de ser en relación con el
característica analizada
 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98 95

Tabla 2 - Ranking de longitudes de onda seleccionadas de acuerdo con cada método de selección de características.
métodos de selección de
características banda 1 Band 2 Band 3 banda 4 banda 5 banda 6
CFS 710 720 730 740 1070 1080
ChiS 720 730 740 710 780 700
Pescador 730 720 740 780 710 770
GIA 720 730 710 740 700 780
YO G 720 730 740 710 780 700
mrmr 730 740 1050 1040 1060 1030
RelifF 1080 760 650 900 1070 660
T-test 1080 890 900 1070 1060 980
paso a paso 710 700 750 720 670 730
SLR 890 700 980 930 900 750
SFS 730 750 780 820 930 890

2.5. Clasificadores
Para segmento de las imágenes, se ensayaron cinco métodos de
clasificación para determinar cuál ofrece los mejores resultados. Ellos se
utilizaron para clasificar los píxeles como pertenecientes al sonido o áreas
dañadas. En primer lugar, se utilizaron en todo el cubo hiper-espectral,
empleando todas las bandas espectrales adquiridos por el sistema. Luego,
se aplicaron usando sólo los seis longitudes de onda más importantes
seleccionados en el paso anterior como entrada. Por lo tanto, además de
obtener la mejor combinación de métodos para seleccionar funciones y
clasificar la fruta, la perfor-mance de las longitudes de onda seleccionadas
también puede ser evaluada. Los clasificadores estudiadas fueron análisis
lineal discriminante (LDA) y K-vecinos más cercanos (k-NN), que son dos
clasificadores ampliamente utilizados en visión artificial y aplicaciones de
visión por ordenador hiperespectrales (McLachlan, 2004; Pólder, van der
Heijden,
& Young, 2002); Naïve Bayes (NBC), que fue elegido como una enfoque
probabilístico basado en el teorema de Bayes (Becker, Kohavi, y
Sommerfield 2001); y árboles de decisión (DT) y Extreme Machine
Learning (ELM), debido a que estos clasificadores recientemente se han
utilizado con buenos resultados para detectar las primeras etapas de las
lesiones de desintegración en los cítricos utilizando imágenes
hiperespectrales (Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco
(2013) y Lorente, Blasco, et al. (2012)). En el caso de k-NN, la k valor se
optimizó y automáticamente calcula de acuerdo con el error de dejar uno
fuera en el conjunto de entrenamiento, lo que dio k = 5. Para el algoritmo
ELM, que es un algoritmo de aprendizaje optimizado para el Feedforward
de red (SLFN) (de una sola capa(Huang, Zhu, y Siew, 2006), Se evaluó el
número de nodos ocultos sigmoideas de 10 a 150 en pasos de 10 nodos y la
mejor estructura se obtuvo cuando este tenía 100 nodos ocultos.
(de izquierda a derecha). Se puede observar que todos los métodos
proporcionan conjuntos de bandas similares, excepto Mrmr, RelifF y T-test,
que contribuyen con las bandas superior del espectro estudiado. Aunque el
partido entre las bandas proporcionados por diferentes métodos de
selección de características no es completa, hay ciertas áreas del espectro
en la que se puede detectar una acumulación apreciable de bandas.
Figura 4 espectáculos la representación de la frecuencia (histo-gramo)
en la que cada longitud de onda se selecciona por los distintos métodos
empleados, de conformidad con tabla 1. Los once bandas que han sido
seleccionados por tres o más métodos, que son los que se han incluido en
el método de selección de características CE, se muestran en barras sólidas.
En esta figura se puede observar que hay un intervalo principal de bandas
(700 nm-780 nm) y otros dos intervalos menores (890 nmmi900 nm y 1070
nm-1080 nm). La mayoría de las longitudes de onda se seleccionan en la
primera gama, que coincide con la observada enFigura 2, Donde se observa
una gran diferencia entre los espectros de las áreas de sonido y dañado
alrededor de la gama entre 700 nm y 800 nm.
3.2. Clasificación de píxeles
Tabla 3 informes la precisión obtenida por los modelos evaluó para cada
día de almacenamiento en términos de tasas de éxito

3. Resultados y discusión

En esta sección resultados obtenidos por los modelos de clasificación y

técnicas de selección de características se proporcionan sólo para el
conjunto de prueba.

3.1. Selección de características Fig. 4 - Histograma de las longitudes de onda seleccionadas por los
métodos de selección de características. Las barras sólidas son aquellas
No hubo longitudes de onda individuales en los que era fácil diferenciar la
bandas que han sido seleccionados por al menos tres métodos e incluidos
zona dañada del mango de la piel sonido sur-redondeo. Los resultados de
en la CE.
los métodos de selección de características se muestran en laTabla 2, Donde
las bandas más importantes están ordenados desde el más relevante para el
menos relevante
96 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98

el único método que funciona bien desde el primer día. Los resultados que
Tabla 3 - La exactitud obtenida por los modelos de clasificación
se han obtenido utilizando todas las bandas adquiridas por el sistema de
utilizando todo el espectro adquirido.
visión artificial hiperespectral y solamente los elegidos por el método de la
Exactitud (%) k-NN NBC OLMO DT LDA
CE. Con el éxito promedio de 97,9% y 91,4%, respectivamente, el segundo
Día 1 94.87 67.46 84.63 89.27 89.76 enfoque proporciona más pobres resultados que cuando se utiliza toda la
Dia 2 95.03 67,54 84.75 89.12 90.59
gama adquirida, lo cual es lógico ya que las bandas que no son considerados
Día 3 97.95 68.22 90.96 91.92 95.54
todavía puede contener información que es independiente, aunque no es
Día 4 98.03 71.03 94.91 95.00 95.99
Dia 5 98.04 74,91 97.12 96.03 98.00 muy relevante. Por esta razón, se necesita más esfuerzo para mejorar los
día 6 98.13 75.60 97.08 96.20 98.02 resultados durante el uso de incluso menos bandas con el fin de crear un
día 7 98.08 75.65 97.13 96.23 98.01 sistema que se puede utilizar con eficacia por la industria. Por lo tanto, el
presente estudio contribuye a una mejor selección de 'Manila' de frutas
variedad de mango, permitiendo la detección temprana de daños mediante
un sistema inteligente, que es especialmente importante para el mercado de
Tabla 4 - Matriz de confusión de validación de datos proporcionado exportación.Figura 5 muestra la imagen segmentada en comparación a la
por k-NN clasificador NN usando todas las bandas capturados y el imagen de la mango obtenida a 900 nm en Figura 2. La mayoría de los
uso sólo las bandas elegidas por la selección de características CE errores corresponden a los píxeles aislados que podría ser corregido usando
un filtro de mediana. Por otro lado, algunos errores se encuentran en las
método.
fronteras de la fruta debido a la curvatura de la superficie de los mangos.
Predicción/ todas las bandas bandas de la CE
Realidad Estos probablemente se podrían resolver mediante la eliminación de las
Dañar Sin daños Dañar Sin daños
fronteras de los mangos antes de aplicar el clasificador, es decir, al no
(%) (%) (%) (%)
considerar las fronteras en el problema.
Dañar 97.72 2.28 91.14 8.86
Sin daños 1.82 98.18 8.43 91.57
Estos resultados pueden considerarse aceptable, ya que no actualmente
sistemas disponibles son capaces de detectar este daño. Por lo tanto, este
clasificar los píxeles de los mangos en las dos clases predefinidas cuando trabajo sienta las bases para la futura implementación de un sistema
se consideraron todas las bandas espectrales. El Accu-picante de los automático capaz de detectar el daño temprano causado por el estrés
modelos se ve a aumentar con el tiempo, lo cual es lógico ya que el daño mecánico. Además, estos resultados son consistentes con otros trabajos
evoluciona. Sin embargo, desde el primer día, k-NN logra una precisión de recientes llevados a cabo usando esta tecnología para la detección de daños
94,9%, lo que da una idea del potencial de esta técnica para detectar este en otras frutas. Por ejemplo,Nagata, Tallada, y Kobayashi (2006)
daño. Mientras que el mejor resultado se obtiene precisión con k-NN, el identificado hasta cinco longitudes de onda para detectar daños en la fresa
clasificador Naïve Bayes proporcionado resultados inesperadamente en 87% de los casos utilizando análisis discriminante lineal paso a paso,
pobres, lo que podría explicarse parcialmente por el hecho de que este mientras Liu, Chen, Wang, Chan y Kim (2006) adquirido una tasa de éxito
método se basa en la suposición de que, dentro de cada clase, los distribui- de 90% en la detección de daños en los pepinos. Qin, Burks, Zhao,
ciones de probabilidad para atributos son independientes entre sí. Sin Niphadkar y Ritenour (2011) alcanzado las tasas de éxito de 95% en la
embargo, esto no es realista ya que las correlaciones entre las características detección de cancro de los cítricos y Huang, Chen, Li, y Zhang (2013)
pueden suceder y esto puede degradar la precisión del clasificador adquirido tasas de éxito de 96% en la detección de daños mecánicos en
bayesiano ingenuo (Langley y Sage, 1994). manzanas en ambos casos mediante la selección de dos longitudes de onda
utilizando PCA. En cualquier caso, los daños causados por impactos y la
Como se muestra en Tabla 3, Todos los modelos de clasificación capacidad de detección no destructiva sys-TEMS depende del estado de
excepto NBC lograron un relativamente buen nivel de precisión desde el madurez de la fruta o los umbrales de la energía de impacto, según lo
primer día, k-NN que ofrece el mejor rendimiento, que se convierte en declarado por Kitthawee, Pathaveerat, Srirungruang y Masacre (2011) en
estable desde el día 3 (97,95%) en adelante. Por otra parte, la precisión un estudio para correlacionar ocurrencia contusión con un impacto o
clasificación de este modelo no aumentó significativamente después de este compresión de los cocos aún verdes. Sin embargo, en estas obras, se detectó
día. Por lo tanto, puesto que un objetivo de este estudio era detectar el daño el daño después de que se hizo claramente visible, mientras que en nuestro
tan pronto como sea posible, la función de selección se llevó a cabo caso, el daño no era visible en el momento de los experimentos. Sin
utilizando los datos obtenidos en el tercer día de los experimentos.Tabla 4 embargo, para extender
muestra los resultados de la clasificación obtenidos usando k-NN en el
tercer día de los experimentos, ya que este es

Fig. 5 mi imagen segmentada en comparación con la obtenida a 900 nm.

 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98
la utilidad del sistema propuesto, es necesario llevar a cabo más estudios
con la fruta en diferentes etapas de temperaturas de maduración y
almacenamiento.
4. Conclusiones
Un sistema de formación de imágenes hiperespectrales NIR se utilizó para
detectar daños mecánicos inducida en mangos 'Manila' por medio de
análisis de imagen. Las imágenes fueron capturadas durante siete días
después de que el daño se produjo con el fin de estimar el momento en el
que el daño podría ser eficazmente detectada en las imágenes. El uso de
todas las bandas, se concluyó que después del tercer día los resultados
fueron buenos para casi todos los clasificadores, con k-NN lograr los
mejores resultados.
Con el fin de reducir la dimensionalidad de los datos, se utilizaron once
métodos de selección de características y la información combinada en el
denominado método de comité de expertos, que sólo selecciona aquellas
bandas que fueron elegidos en varias ocasiones por lo menos tres diferentes
métodos de selección. Los resultados revelaron tres regiones del espectro
que fue estudiado donde había una acumulación de bandas seleccionadas:
700 nm-780 nm, 890 nm-900 nm y 1070 nm-1080 nm.
Además, cinco clasificadores se evaluaron para segmentar las imágenes
de los mangos en dos clases: dañados y no dañados. Entre estos
clasificadores, Naïve Bayes dio resultados muy pobres, mientras que los
demásmi k-NN, ELM, DT y LDA - puntuaciones por encima de 90% ACH-
ieved para la clasificación correcta tres días después del daño se produjo.
Este porcentaje aún se elevó a 95% para todos estos clasificadores después
del cuarto día. El alto rendimiento alcanzado por k-NN en el tercer día
(97,95%) nos lleva a utilizar este modelo para segmentar las imágenes
multiespectrales consta de sólo las características seleccionadas, con
puntuaciones por encima de 91% siendo alcanzados en la clasificación
correcta de las áreas de sonido y dañadas .
Expresiones de gratitud
Este trabajo ha sido parcialmente financiado por el INIA a través del
proyecto RTA2012-00062-C04-01, y por los proyectos 20110627 y
20121001 en el IPN (SIPIPN-México), 133102 (CONACyT) y la Cátedra
Coca-Cola jo'venes párr Investigadores 2011 (Coca Cola-CONACyT).
Nayeli Vélez Rivera gracias a la beca CONACyT. Jorge Pérez-Chanona
gracias CONACyT y el Secretarı'a Acade'mica del IPN para el apoyo
financiero para la estancia sabática.
REFERENCIAS
Becker, B., Kohavi, R., y Sommerfield, D. (2001). visualizando el Clasificador
bayesiano simple. En U. Fayad, G. Grinstein, y
A. Wierse (Eds.), Visualización de la información en la minería de datos y
descubrimiento de conocimiento (pp. 237mi249). San Francisco (EE.UU.):
Morgan Kaufmann Publishers.
Blasco, J., Aleixos, N., Gómez-Sanchis, J., y Molto', E. (2009).
Reconocimiento y clasificación de los daños de la piel externos en
cítricos utilizando datos multiespectrales y morfológica caracteristicas.
Biosystems Engineering, 103, 137-145.
97
Breiman, L., Friedman, J., Piedra, CJ, y Olshen, RA (1984). Clasificación y
regresión árboles. Boca Ratón (EE.UU.): Chapman Salón / CRC.
Cawley, GC, Talbot, NLC, y Girolami, M. (2007). Escaso regresión logística
multinomial través Bayesiano L1 regularización. Los avances en Neuronales
Sistemas de Procesamiento, 19, 209-216.
Corkidi, G., Balderas-Ruı'z, KA, Taboada, B., Serrano-Carreo'n, L.,
& Galindo, E. (2006). La evaluación de la antracnosis del mango usando
una nueva técnica de análisis de imagen tridimensional para cuantificar
lesiones en la fruta. Plant Pathology, 55, 250-257.
Cubero, S., Aleixos, N., Molto', E., Gómez-Sanchis, J., y Blasco, J. (2011). Los
avances en las aplicaciones de visión artificial para la intervención
automática inspección y evaluación de la calidad de las frutas y verduras.
Tecnología de Bioprocesos y la Alimentación, 4, 487-504.
Draper, NR, y Smith, H. (1998). análisis de regresión Aplicada. Nuevo York,
(EE.UU.): John Wiley Sons.
Duda, RO, Hart, PE, y la cigüeña, DG (2001). clasificación de patrones.
Nueva York, (EE.UU.): John Wiley Sons.
Elmasry, G., Kamruzzaman, M., Sun, D.-W., y Allen, P. (2012). Principios
y aplicaciones de imágenes hiperespectrales en evaluación de la calidad
de los productos agroalimentarios: una revisión. Crítico Opiniones en
Ciencias de los Alimentos y Nutrición, 52, 999-1023.
Elmasry, G., Wang, N., Vigneault, C., Qiao, J., y Elsayed, A. (2008). La
detección temprana de contusiones manzana en diferentes antecedentes
colores usando imágenes hiperespectrales. LWTmi Ciencia de los Alimentos
y Tecnología, 41, 337-345.
FAOSTAT. (2011). Las cantidades de producción por país. Consultado el 21 de
de marzo de 2014, a partirhttp://faostat3.fao.org/home/index. html #
VISUALICE.
Gómez-Sanchis, J., Blasco, J., Soria-Olivas, E., Lorente, D., Escandell-Montero,
P., Martı'nez-Martı'nez, JM, et al. (2013). sistema basado en LCTF
hiperespectrales para la clasificación de la caries en mandarinas causadas
por Penicillium digitatum y Penicillium italicum utilizando las bandas más
relevantes y no lineal clasificadores. Biología postcosecha y Tecnología, 82,
76-86.
Gómez-Sanchis, J., Gómez-Chova, L., Aleixos, N., Camps-Valls, G.,
Montesinos-Herrero, C., Molto', E., et al. (2008). hiperespectral sistema para
la detección temprana de la podredumbre causada por Penicillium digitatum
en mandarinas. Journal of Food Engineering, 89, 80-86.
Gómez-Sanchis, J., Martı'n-Guerrero, JD, Soria-Olivas, E., Martı'nez-Sober, M.,
Magdalena-Benedito, R., y Blasco, J. (2012). La detección de la
podredumbre causada por Penicillium en cítricos frutas utilizando técnicas
de aprendizaje automático. Expert Systems with Aplicaciones, 39, 780-785.
Guyon, I., y Elisseeff, A. (2006). Una introducción a la función extracción. En
I. Guyon, S. Gunn, M. Nikravesh, & L. Zadeh (Eds.), Fundamentos y
aplicaciones de extracción de características (pp. 1-28). Berlín (Alemania):
Springer.
Hahn, F. (1999). Deteccio'n de la firmeza en el mango Usando ONU
acelero'metro. [Detección firmeza Mango usando un acelerómetro]. Reporte
técnico CIAD / DUC / RT / 17 / de 99. Culiacán, Sinaloa, México.
Hahn, F. (2004). Mango clasificador de firmeza. Biosistemas, 89, 309-319.
Hall, MA (2000). la selección de características basados en correlación para
discreta y la clase numérica de aprendizaje automático. En Actas de la XVII
Conferencia Internacional sobre Aprendizaje Automático (ICML 2000) (pp.
359-366).
Huang, G.-B., Zhu, Q.-Y., y Siew, C.-K. (2006). aprendizaje extrema la
máquina: un nuevo esquema de aprendizaje de las redes de alimentación
directa. Neuro computación 70, 489-501.
Huang, W., Chen, L., Li, J., y Zhang, C. (2013). Eficaz determinación
longitudes de onda para la detección de ligeras magulladuras en las
manzanas sobre la base de imágenes hiperespectrales. Transacciones de la
Sociedad China de Ingeniería Agrícola, 29, 272mi277.
Jiménez-Jiménez, F., Castro-García, S., Blanco-Rolda'n, GL,
Agüera-Vega, J., y Gil-Ribes, JS (2012). No destructivo
determinación del impacto moretones en el uso de las aceitunas de mesa
vismiespectroscopia NIR. Biosistemas, 113, 371-378.
98 INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98
Kira, K., y Rendell, L. (1992). El problema de selección de características: Los
métodos tradicionales y un nuevo algoritmo. En Actas de la Décima
Conferencia Nacional sobre Inteligencia Artificial (pp. 129mi134).
Kitthawee, U., Pathaveerat, S., Srirungruang, T., y Masacre, D. (2011).
magulladuras mecánicas de coco joven. Biosystems Ingeniería, 109, 211-
219.
Kohavi, R., & John, GH (1997). Contenedores para característica
subconjunto selección. Artificial Intelligence, 97, 273-324.
Langley, P., y Sage, S. (1994). La inducción de la bayesiano selectiva
clasificadores. En Actas de la Décima Conferencia Internacional sobre
incertidumbre en inteligencia artificial (pp. 399-406).
Larsen, RJ, y Marx, ML (2005). Introducción a la matemática estadísticas y su
aplicación. Alta del Río Sadle (EE.UU.): Prentice sala.
Li, Z., & Thomas, C. (2014). La evaluación cuantitativa de la mecánica daños a
las frutas frescas. Tendencias en Ciencia y Tecnología, de 35 años de
Alimentos, 138-150.
Liu, Y., Chen, Y.-R., Wang, CY, Chan, DE, y Kim, MS (2006). Desarrollo de la
técnica de imágenes hiperespectrales para la detección de daño por frío en
pepinos; espectral y la imagen análisis. Ingeniería Aplicada a la Agricultura,
22, 101-111.
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., y Blasco, J. (2013). La
selección de longitud de onda óptima características para la decadencia la
detección de los cítricos mediante la curva ROC y neuronal redes.
Tecnología de Bioprocesos y la Alimentación, 6, 530-541.
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., Garcı'a-Navarrete, OL,
y Blasco, J. (2012). Los avances recientes y aplicaciones de imágenes
hiperespectrales para frutas y verduras evaluación de calidad. Tecnología
de Bioprocesos y la Alimentación, 5, 1121-1142.
Lorente, D., Blasco, J., Serrano, AJ, Soria-Olivas, E., Aleixos, N., y Gómez-
Sanchis, J. (2013). Comparación de la selección de características ROC
método para la detección de caries en cítricos utilizando imágenes
hiperespectrales. Bioprocesos Technology, 6 (12) de alimentos y, 3613-
3619.
Martı'nez-Romero, D., Serrano, M., Carbonell, A., Castillo, S., Riquelme, F., y
Valero, D. (2004). daños mecánicos durante fruta manejo post-cosecha:
Técnica y fisiológico trascendencia. En P. Dris, y MS Jain (Eds.), La
manipulación y la calidad evaluación: Vol. 3. Calidad manejo y evaluación
(pp. 233mi252). Dordretch, (Holanda): Kluwer Academic Publishers.
McLachlan, GJ (2004). El análisis discriminante y el patrón estadístico
reconocimiento. Nueva York, (EE.UU.): John Wiley Sons.
Miller, R., y Siegmund, D. (1982). chi cuadrado máximo seleccionado
estadística. Biometría, International Biometric Society, 38, 1011-1016.
Nagata, M., Tallada, JG, y Kobayashi, T. (2006). detección de hematoma usando
imágenes hiperespectrales NIR para fresa (Fragaria ananassa Duch.).
Control ambiental en Biología, 44, 133-142.
Nanyam, Y., Choudhary, R., Gupta, L., y Paliwal, J. (2012). UN estrategia de
toma de fusión para la inspección de calidad de la fruta utilizando
imágenes hiperespectrales. Biosistemas, 111, 118-125.
Novillo, P., Salvador, A., Llorca, E., Hernando, I., y Besada, C.(2014). Efecto
de CO2 tratamiento deastringency en carne trastornos inducidos por daños
mecánicos en caqui. Los estudios bioquímicos y microestructurales. Food
Chemistry, 145, 454-463.
Ornelas-Paz, J., De, J., Yahiaa, EM, y Gardea, AA (2008). Cambios en el color
externo e interno durante postcosecha maduración de 'Manila' y 'Ataulfo'
fruta del mango y la relación con contenido de carotenoides determinado por
líquido cromatografíamiAPCIþespectrometría de masa-tiempo-de-vuelo.
Biología postcosecha y Tecnología, 50, 145-152.
Ortiz, C., Blasco, J., Balasch, S., y Torregrosa, A. (2011). Choque la absorción
de las superficies de recogida de fruta durante el mecánico cosecha de
cítricos. Biosistemas, 110, 2-9.
Peng, H., Long, F., y Ding, C. (2005). La selección de características sobre la
base de información mutua: criterios de máximo-dependencia, max-
relevancia, y min-redundancia. Análisis del patrón IEEE Trans y la
máquina de Inteligencia, 27, 1226-1238.
Pólder, G., van der Heijden, Gwam, y Young, (2002).
análisis de imagen espectral para medir la madurez de los tomates.
Transacciones de ASAE, 45, 1155-1161.
Qin, J., Burks, TF, Zhao, X., Niphadkar, N., y Ritenour, MA (2011).
detección multiespectrales de cáncer de los cítricos utilizando Selección
de la banda hiperespectral. Transacciones de la ASABE, 54, 2331-2341.
Serranti, S., Cesare, D., y Bonifazi, G. (2013). El desarrollo de una método de
formación de imágenes hiperespectrales para la detección de
Fusariumdañado, baya de color amarillo y el vítreo trigo duro italiano
núcleos. Biosystems Engineering, 115, 20-30.
Schmilovitch, Z., Ignat, T., Alchanatis, V., Gatker, J., Ostrovsky, V.,
& Felföldi, J. (2014). de formación de imágenes hiperespectrales de
campana intacta pimientos. Ingeniería de Biosistemas. Número especial:
Análisis de Imágenes de Agricultura, 117, 83mi93.
Valiente-Gonza'lez, JM, Andreu-García, G., Potter, P., y Rodas-Jorda', A.
(2014). maíz automática (Zea mays) del núcleo de inspección sistema
usando la detección novedad basado en componente principal análisis.
Ingeniería de Biosistemas. Número especial: Análisis de Imágenes de
Agricultura, 117, 94-103.
Van Zeebroeck, M., Tijskens, E., Van Liedekerke, P., Deli, V., De
Baerdemaeker, J., y Ramon, H. (2003). La determinación de la
comportamiento dinámico de los materiales biológicos durante el impacto
utilizando un dispositivo de péndulo. Diario de sonido y vibración, 266,
465-480.
Vélez-Rivera, N., Blasco, J., Chanona-Pérez, JJ, Caldero'n-Domı'nguez, G.,
Perea-Flores, MJ, Arzate-Va'zquez, I., et al. (2014). sistema de visión
artificial aplicada a la clasificación de mangos 'Manila' durante el proceso
de maduración. Alimentos y Bioprocesos Tecnología, 7, 1183-1194.
Wanitchang, P., Terdwongworakul, A., Wanitchang, J., y Nakawajana, N.
(2011). la madurez no destructivos clasificación de mango basa en físicas,
mecánicas y propiedades ópticas. Journal of Food Engineering, 105, 477-
484.