Recibido 20/07/2018, Aceptado 05/10/2018, Disponible online 31/12/2018

Implementación de un Sistema de Visión Artificial para la clasificación de

naranja producida en el departamento del Quindío
Olga Lucía Torres Vargas1*, Álvaro Andrés Navarro Pérez2
1Universidaddel Quindío, Ingeniería de Alimentos, Carrera 15, calle 12N, Armenia.
2Universidad del Quindío, Tecnología en Instrumentación Electrónica. Facultad de

Ciencias Básicas y Tecnológicas, Carrera 15, calle 12N, Armenia.

*oltorres@uniquindio.edu.co

Resumen
Colombia cuenta aproximadamente con 44.420 hectáreas sembradas en naranja, las
cuales presentan rendimientos promedios de 15,2 toneladas producidas por hectárea,
el departamento del Quindío se encuentra en el segundo reglón de producción,
convirtiendo este cultivo en un indicador importante para la economía y el desarrollo
social de los agricultores del departamento. El color es una de las características
organolépticas que más influye en la aceptabilidad y juega un papel importante en la
decisión de compra por parte del consumidor. Uno de los problemas que presenta la
evaluación del color es la metodología empleada para la obtención de información
significativa, que permita comparar y mejorar los productos analizados. Los equipos de
medición de color son costosos y especializados, no son portables y las muestras deben
ser llevadas al laboratorio para realizar su análisis. Por lo tanto; el objetivo de esta
investigación fue el desarrollo y aplicación de un sistema de visión artificial (SVA) para
la evaluación del color en naranja valencia, producida en el departamento del Quindío.
Inicialmente se estableció una metodología para la adquisición de la imagen en el SVA
aplicando algoritmos de visión computacional en los programas C++ y Matlab.
Posteriormente se realizaron medidas de color a muestras de naranja con diferente
grado de madurez en el SVA y en un espectrofotómetro HunterLab, los valores de L*,
a*, b* fueron analizados aplicando análisis de varianza para establecer similitudes entre
ambos sistemas de medida. Los resultados obtenidos permitieron evaluar el uso del
SVA en la determinación del color como un parámetro de clasificación del grado de
maduración de la naranja de una forma no invasiva, económica y en tiempo real. Esta
herramienta tecnológica podrá ser utilizada por los agricultores para inspeccionar,
clasificar, estimar la madurez y determinar el tiempo óptimo de recolección de los frutos,
aumentando su productividad y calidad de vida.

Palabras clave: color, madurez, naranja, sistemas de visión artificial, técnicas no

invasivas.

Vol 26, No 45 (2018), Revista Alimentos Hoy -14

Abstract
Colombia has approximately 44,420 hectares planted in orange, which have average
yields of 15.2 tons produced per hectare, the department of Quindío is in the second
region of production, making this crop an important region for the economy and
development of the Department's farmers. Color is one of the organoleptic
characteristics that most influences acceptability and plays an important role in the
purchase decision by the consumer. One of the problems presented by the evaluation
of color is the methodology used to obtain meaningful information, which allows
comparing and improving the products analyzed. Color measuring equipment is
expensive and specialized, it is not portable and samples must be taken to the laboratory
for analysis. The objective of this research is the development and application of an
artificial vision system (SVA) for the evaluation of the color in orange Valencia, produced
in the department of Quindío. Initially a methodology will be established for the
acquisition of the image in the SVA applying algorithms of computational vision in C++
and Matlab programs. Afterwards, color measurements will be made to orange samples
with different degrees of maturity in the SVA and in a HunterLab spectrophotometer.
The results obtained will be analyzed by applying analysis of variance to establish
similarities between both systems of measurement. The results obtained allowed us to
evaluate the use of SVA in the determination of color as a parameter of classification of
the degree of maturation of the orange in a non-invasive, economic and real-time
manner. This technological tool can be used by farmers to inspect, classify, estimate
maturity and determine the optimum time of fruit harvesting, increasing their productivity
and quality of life.

Keywords: artificial vision systems, color, maturity, non-invasive techniques, orange.

I- Introducción (FAO, 2016), Colombia, concentrando

el 10,9%, es el tercer país
Colombia es uno de los países con
latinoamericano con mayor número de
mejores condiciones topográficas y gran
hectáreas cultivadas con frutales. En
variedad de zonas climáticas para
este campo también es el tercer
cultivos frutales. Gracias a su condición
productor de la región con 9 millones de
de país tropical y localizado sobre la
toneladas. Durante la última década, las
línea ecuatorial, el territorio nacional se
exportaciones colombianas de frutales
beneficia de iluminación solar todo el
se duplicaron, alcanzando los US$ 918
año lo cual permite que siempre haya
millones y más de 1,83 millones de
todo tipo de cosechas. Los cultivos
toneladas.
pueden crecer tanto al nivel del mar
como en alturas de 2.800 mt (9.168 El color es un parámetro tangible, como
pies), altitudes que representan cerca un indicador de madurez, calidad y
del 95% del territorio nacional. Según la saneamiento y una de las
Organización de las Naciones Unidas características más importantes de los
para la Alimentación y la Agricultura productos alimenticios. Los

Vol 26, No 45 (2018), Revista Alimentos Hoy -15

consumidores reciben sensaciones que
influyen en la preferencia de productos,
tienden a comprar productos que tengan
colores vivos y uniformes (Lee et al.,
2013). Por lo tanto; la industria
alimentaria ha desarrollado métodos
para medir objetivamente el color
usando este parámetro para estimar la
calidad de los productos (Wu y Sun,
2013). Los métodos para medir color
permiten establecer el color de la piel de
las frutas y especificar el grado de
madurez de la cosecha, realizar una
clasificación automática para uso
doméstico o mercados de exportación.
Durante varios años, la industria
alimentaria ha aprobado la inspección
automatizada basada en sistemas de
visión artificial (SVA), en un intento de
reducir costos de operación y aumentar
el control de calidad del producto (Mai et
al., 2012). El potencial de la visión
artificial en la industria alimentaria ha
sido reconocido durante mucho tiempo
y actualmente se encuentra entre las 10
principales industrias que utiliza esta
tecnología (Tadhg y Da-Wen, 2004).
Los sistemas de inspección basados en
la visión artificial reducen la interacción
directa del humano con los objetos
inspeccionados, el proceso
clasificación es generalmente más
rápido que el realizado por los seres
humanos, y tienden a ser más
consistente (Mai et al., 2012). Muchos
SVA han sido desarrollados para la
inspección o clasificación de los
productos agrícolas, como manzanas,
tomates, papas, verduras, huevos,
maíz, arroz y muchos otros productos
(Jing-Jin et al., 2009, Tadhg y Da-Wen,
2004).
La cadena agroindustrial frutícola
colombiana comúnmente usa métodos
destructivos como la determinación de
la firmeza y contenido de sólidos
solubles, para determinar la madurez o
el tiempo óptimo de la cosecha. Estos
análisis requieren de equipos
sofisticados o el transporte de las frutas
a los laboratorios con los sobrecostos
que pueden ocasionar. Sin embargo, las
decisiones de cosecha basadas en el
muestreo de frutos son defectuosas,
porque presentan una alta
inconsistencia entre variedades de
frutos y alta variabilidad dentro de
árboles y las fincas productoras (Herold
et al., 2005). El campo colombiano
necesita el acceso a recursos
tecnológicos, equipos especializados y
nuevas experiencias tecnológicas que
le permitan vencer las brechas
tecnológicas que se presentan en
nuestras cadenas productivas. La
mayoría de los productores no pueden
precisar y determinar el mejor momento
para la cosecha de sus frutos, siguen
usando métodos poco fiables y sin una
verdadera estandarización. Por lo tanto;
en la presente investigación se
desarrolló e implementó un SVA
portable, que permite establecer
de
relaciones entre el color y el estado de
madurez de naranja valencia producida
en el departamento del Quindío, las
medidas son realizadas de forma
rápida, no invasiva, en situ y a bajo
costo. Esta herramienta tecnológica
podrá ser utilizada por los agricultores
para inspeccionar, clasificar, estimar la
madurez y determinar el tiempo óptimo
de recolección de los frutos durante la
cosecha.
Vol 26, No 45 (2018), Revista Alimentos Hoy -16
II- Materiales y Métodos
Materia prima
Como materia prima fueron utilizadas
naranjas variedad valencia, cosechados
en fincas de la región del Quindío.
naranja valencia (NTC 4086). Una vez
seleccionados, éstos fueron analizados
en el SVA y en espectrofotómetro
HunterLab, siguiendo la metodología
que se describe a continuación.

Selección de las naranjas

Figura 1. Arboles de naranja variedad
valencia, producida en el departamento
del Quindío.
Los frutos fueron clasificados, teniendo
en cuenta los requisitos para
clasificación categoría I, madurez y los
específicos establecidos por la Norma
Técnica Colombianas ICONTEC, para
Requisitos de madurez
Para la selección de las naranjas se
utilizó la tabla 1, que presenta la
descripción de los cambios de color con
los diferentes estados de madurez en
naranja valencia producida por encima
de 900m sobre el nivel del mar, piso 2
que corresponde a la región del
departamento del Quindío. Las naranjas
seleccionadas presentaban un diámetro
entre 71-62mm calibre D y peso
promedio de 165 g, el estado de
madurez fue apreciada visualmente por
su color externo y confirmado por medio
de la determinación de los sólidos
solubles totales, acidez titulable e índice
de madurez.

Tabla 1: Cambios de color con los diferentes estados de madurez para la naranja
valencia, producida a 900m sobre el nivel del mar (NTC 4086).

Color 0 Fruto de color verde bien desarrollado.

Color 1 El fruto es de color verde claro y aparecen visos amarillos.

Color 2 Aumenta la intensidad de los visos amarillos, pero predomina el color

verde claro en el fruto.
Color 3 Fruto amarillo con visos verde claro.

Color 4 El fruto es amarillo - anaranjado, disminuyen los visos verdes.

Color 5 El fruto es anaranjado, con algunos visos de color verde claro.

Color 6 El fruto es completamente anaranjado.

Vol 26, No 45 (2018), Revista Alimentos Hoy -17

Determinación del contenido de
sólidos solubles totales
Los sólidos totales fueron determinados
por el método refracto métrico y se
expresa en grados Brix (°Bx). Las
mediciones fueron realizadas en un
refractómetro ATC modelo PCE-018
con rango medida entre: 0-18 % Brix,
resolución: 0,1 %, precisión: ± 0,1 % y
compensación automática de
temperatura y calculados aplicando la
ecuación (1).
. . = 0.194 ∗ + . . (1)
Donde:
A = % Ácido Cítrico
S.S.T.= Grados Brix
Determinación de la acidez titulable
La acidez titulable de las naranjas fue
determina por el método de titulación
potenciométrica. Se expresa como
porcentaje de ácido cítrico y se calcula
mediante la aplicación de la ecuación
(2).
∗
% = × × 100(2)
Donde:
V1 = volumen de NaOH consumido (ml)
V2 = volumen de la muestra (5 ml)
K = peso equivalente del ácido cítrico
(0.064 g/meq)
N = normalidad del NaOH (0.1 meq/ml)
Determinación del índice de madurez
Se obtiene de la relación entre el valor
mínimo de los sólidos solubles totales y
el valor máximo la acidez titulable. Se
expresa como °Brix / % ácido cítrico
como se observa en la ecuación (3).
. .
= (3)
Mediciones de color
Sistema de visión artificial (SVA)
Para la obtención de las medidas de
color en el SVA, fue realizado un
sistema electrónico de adquisición de
imágenes manejado desde una interfaz
gráfica desarrollada en el software
Matlab como se muestra en la figura 2.
Figura 2. Screenshot de la interfaz
visual para el manejo del sistema
electrónico de medición de color en
naranja valencia.
Para llevar a cabo el proceso de
adquisición de las imágenes de color de
los frutos de naranja se implementó un
SVA que por intermedio de una cámara
digital y los softwar de procesamiento
C++ y Matlab, se encargaron de obtener
las imágenes de los productos
clasificados según su estado de
madurez.
Con el propósito de obtener una
fiabilidad en las imágenes capturadas
por la cámara, fue necesario controlar la
Vol 26, No 45 (2018), Revista Alimentos Hoy -18
iluminación interna del SVA, utilizando
un arreglo de leds de color blanco
ubicados de manera estratégica al
interior del sistema y controlados por
intermedio de un circuito de potencia,
logrando de ésta forma mantener una
iluminación adecuada en todo el
espacio enfocado, principalmente en la
zona donde se ubican las muestra a
medir.
Antes de realizar el procedimiento de
medida, es indispensable ejecutar una
Adquisición de Calibración
la imagen
Figura 3. Esquema general del sistema de visión artificial (SVA) para el análisis de color
en muestras de naranja variedad valencia.
La cámara utilizada para la adquisición
de las imágenes, es una cámara serial
de referencia uCamII desarrollada por la
empresa 4D Systems, la cual posee
todas las facultades para tomar
imágenes en diferente resolución, así
como en diferente formato de
compresión. Se utilizó el formato jpg
debido a que es un formato estándar y
permite obtener una imagen lista para el
análisis. Todos los parámetros de
manejo de la cámara son enviados
desde un sistema de desarrollo basado
en Arduino quien desde un programa en
lenguaje C++ interactúa con la cámara.
La segunda etapa del esquema general
representa la etapa de calibración del
sistema, ésta etapa es la más
rutina de calibración del SVA que
garantice que las mediciones se
encuentren dentro de un rango de
tolerancia según la muestra a analizar.
En la figura 3, se muestran las etapas
que fueron implementadas para el
desarrollo del SVA. La primera etapa
corresponde a la adquisición de la
imagen que se va a analizar, para ello
se utilizó una cámara de bajo costo que
posee todas las facultades tecnológicas
para almacenar la información adquirida
en su memoria interna.
Proceso de
medida
MATLAB
importante debido a que de ella
depende el grado de aceptación de la
medida de color. La aceptación
depende del porcentaje de error que
posee el sistema al realizar una medida,
si es aceptable se realizan las
mediciones en las muestras de las
naranjas (adquisición de la imagen).
Esta etapa así como la siguiente son
realizadas directamente en software
Matlab.
En la figura 4, se muestran las
subetapas que componen la etapa de
calibración. Para la extracción de
características de la imagen fue
diseñada una interfaz gráfica GUIDE
que posee Matlab, de tal manera que el
SVA sea amigable al usuario. Como se
Vol 26, No 45 (2018), Revista Alimentos Hoy -19
puede observar el primer bloque
corresponde a la imagen en vivo es
decir, la muestra de naranja se
encuentra en la posición adecuada para
que la cámara mediante un botón de la
interfaz gráfica permita realizar la
adquisición de la imagen presentada en
el segundo bloque. Para el proceso de
segmentación de la imagen de cada
naranja adquirida se utilizan
herramientas morfológicas, para dejar
solo las zonas de interés, convirtiendo la
imagen del espacio RGB a valor de
escalas de grises y mediante un
proceso de etiquetado (labelling) lograr
diferenciar las regiones de interés de la
imagen.

Adquisición de la Segmentación de
Imagen en vivo Almacenamiento
imagen la imagen

Comparación con Análisis de la Procesamiento de Etiquetado de la

los patrones imagen la imagen imagen

Figura 4. Etapas para llevar a cabo la calibración del sistema de visión artificial.

Seguidamente se convirtieron las propuesta por Cruz-Fernández., (2007)

imágenes adquiridas al espacio CIE L*, con algunas modificaciones y las
a*, b*, donde se realizó el análisis de los ecuaciones de espacio de color CIE L*,
datos obtenidos utilizando algoritmos de a*, b* que se presentan a continuación.
conversión y siguiendo la metodología

Luminosidad: L*  Y 1/3  Ecuación (4)

L*  116    16
 Yn  

 X 
1/3
Y 
1/3

Coordenadas cromáticas: a* a*  500       Ecuación (5)
 X n   Yn  

 Y 
1/3
 Z 
1/3

Coordenadas cromáticas: b* b*  200       Ecuación (6)
 Yn   Zn  

Croma: C* C*  (a*) 2  (b*) 2 Ecuación (7)

Vol 26, No 45 (2018), Revista Alimentos Hoy -20

  b*
Tono de color: hab h ab *  arctan  Ecuación (8)
 a*

Δb*  b *m  b *ref
Diferencia de color. Δa*  a *m a *ref Ecuación (9)
ΔL*  L *m  L *ref

Tolerancia de color: ∆E* ΔE*  (L*)2  (a) 2  (b*) 2

Ecuación (10)

La imagen patrón tomada para cada
naranja según la clasificación por
estado de maduración NTC 4086, fue
almacenada en el sistema y será la base
para la realización de las
comparaciones, cuando se tomen
diferentes medidas y se obtengan los
valores de luminosidad (L*),
coordenadas rojo - verde (a*) y
coordenadas amarillo - azul (b*).
Espectrofotómetro
Para la determinación de las medidas
de color en las naranjas clasificadas
según su estado de maduración NTC
4086, fue empleado un
espectrofotómetro HunterLab
ColorQuest XE, utilizando un iluminante
D65 y un observador estándar 10º (UNE
40-080, 1984) CIE (1986). La
determinación y expresión del color fue
realizada utilizando los espacios
cromáticos uniformes CIE L*, a*, b* y no
uniformes (CIEXYZ), que permiten
visualizar y representar colores en dos y
tres dimensiones (Trussel et al., 2005).
Los valores de Luminosidad (L*), rojo-
verde (a*), amarillo-azul (b*) fueron
obtenidos directamente del equipo.
Todas las medidas de color fueron
realizadas a temperatura ambiente y en
cinco repeticiones para cada naranja,
que fue clasificada teniendo en cuenta
su estado de maduración.
Análisis estadístico
Con el propósito de establecer si existen
diferencias entre las mediciones de
color realizadas por el SVA y el
espectrofotómetro se realizó un análisis
de varianza (ANOVA) con dos factores
de interacción, tomando como variables
de respuesta los valores obtenidos de
las coordenadas L*, a*, b* del SVA y
como factores las variables L*, a* , b*
del espectrofotómetro. Este análisis fue
realizado utilizando el paquete
estadístico Statgraphic ® Plus,
Centurion.15.2.12 XV (Numagistics
Ltda).
III- Resultados y Discusión
En la Tabla 2 se presentan los valores
obtenidos para sólidos totales, acidez
titulable, e índice de madurez, los cuales
indican que las naranjas seleccionadas
cumplen con los parámetros
establecidos, para la selección de las
muestras por estados de madurez en la
NTC 4086.

Vol 26, No 45 (2018), Revista Alimentos Hoy -21

 Tabla 2 Requisitos específicos de madures de acuerdo a la tabla de color NTC 4086.
color sólidos totales Acidez titulable Índice de madurez
°Brix % de ácido cítrico °Brix / % de ácido
cítrico
0 8.0 2,3 3,5
1 8,4 1,7 4,9
2 8,8 1,4 6,3
3 9,2 1,3 7,1
4 9,5 1,1 8,6
5 10,2 1,1 9,3
6 10,9 1,2 9,1

Una vez seleccionadas las naranjas, el uso potencial del SVA en la selección
fueron realizadas las medidas de color de las naranjas mediante la medida de
en SVA construido y el color. En la tabla 4 se muestran las
espectrofotómetro, obteniendo los imágenes obtenidas por el SVA para
resultados que se presentan en la tabla para los diferentes estados de
3. Como se puede observar no se maduración de naranja valencia
presentan diferencias entre ambos producida en el Quindío.
sistemas de medida de color, indicando

Tabla 3. Resultados para las valores de L*, a*, b* obtenidas en los Sistemas de Visión
Artificial (SVA) y el Espectrofotómetro HunterLab para naranjas tipo valencia en
diferentes estados de maduración (EM).
Espectrofotómetro Sistema de Visión Artificial

Muestras EM L* a* b* L* a* b*

0 70,52±0,54 -15,86±0,12 10,28±0,84 78,52±0,12 -18,65±0,12 12,70±0,53

1 72,21±0,18 -12.85±0,05 18.95±0,05 76.92±0,01 -16.82±0,12 21.82±0,42

2 69,15±0,72 -10,25±0,67 39,96±0,90 74,48±0,37 -13,11±0,19 30,43±1,08

Naranja
3 68,29±0,47 -4,04±1,05 57,60±0,48 71,07±0,05 -7,04±0,06 33,24±0,17
Valencia
4 76,15±0,37 -0,31±0,77 66,14±0,32 74,12±0,13 2,81±0,11 51,46±0,34

5 74,82±0,47 17,10±0,35 67,46±0,86 75,86±0,34 13,84±0,21 56,10±0,30

6 71,84±0,97 23,59±0,28 72,12±1,25 76,77±0,57 21,17±0,07 67,20±0,34

Vol 26, No 45 (2018), Revista Alimentos Hoy -22

Tabla 4. Imágenes obtenidas por el SVA para para los diferentes estados de
maduración de naranja valencia producida en el Quindío.

0 a*-18,65 b* 12,70

1 a*-16,32 b* 21,82

2 a*-13,11 b* 30,43

3 a*-7,04 b* 33,24

4 a* 2,81 b* 51,46

5 a* 13,84 b* 56,10

6 a* 21,17 b* 67,20

Vol 26, No 45 (2018), Revista Alimentos Hoy -23

Como se puede observar en la tabla 4 la
metodología empleada por el SVA
desarrollado, captura, procesa, analiza
las imágenes y evalúa el color de forma
no invasiva, utilizando las coordenadas
CIE L*, a*, b*. En la imágenes se
observa como los valores de a*
tendencias a colores rojo-verde en la
naranja color cero presenta valores
negativos, indicando que el fruto es de
color verde, estos valores se hacen
positivos en la medida que la naranja
aumenta su contenido de color amarillo
y empiezan a disminuir los colores
verdes, los valores para b* tendencias a
amarillo y azul aumentan, como se
observa en las naranjas color 1, 2 y 3,
con el inicio de la madurez de la naranja.
En las naranjas color cuatro y cinco se
observan mayores tendencias a colores
amarillo - anaranjado, disminuyen los
visos verdes, los valores para a* y b*
aumentan positivamente con el estado
de madurez. Finalmente en la naranja
color seis, se observa completamente
de color anaranjado, presentando los
mayores valores para b* y un completo
estado de madurez.
Las mediciones fueron realizadas a toda
la superficie del producto, sus
características y defectos, permitiéndole
estimar el estado de madurez de forma
rápida, simple y a un bajo costo,
factores que lo diferencian de un
espectrofotómetro tradicional. Las
imágenes obtenidas le permitirán al
agricultor clasificar el fruto que este
inmaduro, maduro y demasiado
maduro, para su posterior
comercialización o transformación
agroindustrial.
El SVA propuesto es portable, dándole
la capacidad de monitorear en el árbol y
en diferentes árboles, los cambios de
color de los frutos durante la etapa de
poscosecha, almacenamiento y
transporte, como un métodos de
evaluación in situ, no invasivo, que
ayudará al agricultor a garantizar un
producto premium después de la
distribución y a mejorar su grado de
competitividad a nivel nacional e
internacional. El SVA Podrá ser
acoplado a instrumentos
optoelectrónicos y sistemas
mecatrónicos, que permiten reemplazar
la manipulación humana con el fin de
hacer más eficaces los procesos.
IV- Conclusiones
Los resultados obtenidos permitieron
establecer que el sistema de visión
artificial implementado puede ser
utilizado en la realización de medidas de
color que indican el estado de madurez
de las naranjas tipo valencia, de una
forma sencilla, rápida, no invasiva, en
tiempo real y bajo costo. Esta
herramienta tecnológica permitirá a los
cultivadores, comercializadores y
procesadores de naranja, tomar
medidas de gestión adecuadas para
obtener productos de alta aceptación
por parte de los consumidores,
establecer nuevos canales de
comercialización, ampliar la vigilancia
tecnológica a sus competidores,
facilitando la entrada a nuevos
mercados nacionales e internacionales,
mejorando así las ventas y ahorros por
incremento de la productividad en sus
fincas.
Vol 26, No 45 (2018), Revista Alimentos Hoy -24
V- Trabajos futuros
Como trabajo futuro se propone
implementar un sistema que integre la
información utilizando los medios
tecnológicos como celulares y tabletas,
de tal manera que el agricultor tenga la
facilidad de obtener la información y
poder tomar rápidamente decisiones
acerca del estado de la cosecha.
VI- Referencias
CIE (1986) Colorimetry. 2nd Ed. CIE
15.2: Viena.
Cruz-Fernández, M., Luque-Cobija,
M.J., Cervera, A., Morales-Rubioa, M.L.,
De la Guardia, M. (2007). Smartphone
determination of fat in cured meat
products. Microchemical Journal, 132,
8-14.
FAO, FIDA y PMA. 2016. Seguimiento
de la Seguridad Alimentaria y la
nutrición en apoyo a la Agenda 2030
para el Desarrollo Sostenible. Balance y
perspectivas. Roma.
Herold, B., Truppel, I., Zude, M., Geyer,
M. (2005). Spectral measurements on
Elstar apples during fruit development
on the tree. Biosystems Engineering,
91(2), 173-182.
Instituto Colombiano de Norma Técnica
y Certificación. Industria Alimentaria:
Frutas Frescas. Naranja Valencia.
Especificaciones. Bogotá, D.C.:
ICONTEC, 1997. (Norma Técnica
Colombiana; NTC- 4086).
Jing-Jin, J. L., Guiping, L., Xiaojuan, Y.,
Viray, L.C.C. (2009). Methodology for
potatoes defects detection with
computer vision. International
Symposium on Information Processing
(ISIP’09) Huangshan, P. R. China,
21(23), 346-351.
Mai, M., Chetima., Pierre, P. (2012).
Automated tuning of a tomatoes and
eggs. Vision-based inspection system
for industrial food manufacturing.
Instrumentation and Measurement
Technology Conference (I2MTC), IEEE
International.
Lee, S.M., Lee, K.T., Lee, S.H., Song,
J.K. (2013). Origin of human colour
preference for food. Journal of Food
Engineering. 119, 508–515.
Tadhg, B and Da-Wen, S. (2004).
Improving quality inspection of food
products by computer vision -a review.
Journal of Food Engineering. 61(1), 3-
16.
Trusell, H.J., Saber, E, Vrhel, M. (2005):
Color Image Processing. IEEE Signal
processing Magazine, 22(1), 4-22.
Wu, D and Sun, D. (2013). Colour
measurements by computer vision for
food quality control - A review. Trends in
Food Science and Technology, 29(1), 5-
20.
Agradecimientos
Los autores agradecen a la
Vicerrectoría de Investigación de la
Universidad del Quindío por el apoyo
económico recibido mediante la
ejecución del proyecto 888 y al
laboratorio de Postcosecha de la
Facultad de Ciencias Agroindustriales,
por los servicios técnicos prestados
durante la realización de ésta
investigación.
Vol 26, No 45 (2018), Revista Alimentos Hoy -25