Implementación de un sistema automatizado de clasificación de Solanum Tuberosum mediante procesamiento de imágenes
DOI:
https://doi.org/10.46842/ipn.cien.v29n1a01Palabras clave:
clasificación automática, procesamiento de imágenes, visión artificial, LabVIEWTM, automatizaciónResumen
Los sistemas de visión automatizada se emplean como una solución eficaz para mejorar la precisión en la inspección de objetos. Sin embargo, la transición de métodos manuales de clasificación a sistemas automáticos ha sido lenta debido a factores como el tamaño y la forma de los objetos a inspeccionar. En la industria alimentaria, los tubérculos representan un desafío para los sistemas de visión debido a su gran variabilidad dimensional y morfológica.
Este artículo presenta el diseño e implementación de un sistema automatizado para la clasificación de Solanum tuberosum (papa) basado en tecnologías de visión artificial y procesamiento de imágenes. El sistema emplea una cámara de bajo costo junto con un algoritmo desarrollado en LabVIEWTM, que permite determinar el tamaño de los tubérculos en una línea de producción. La clasificación se lleva a cabo mediante un mecanismo separador activado por servomotores, logrando una mayor precisión y eficiencia en comparación con los métodos manuales tradicionales.
Se implementó un sistema de iluminación controlada para optimizar la calidad de las imágenes capturadas, lo que permitió reducir significativamente los errores en la clasificación. Los resultados mostraron un incremento del 260% en la capacidad de producción y una reducción del 75% en la tasa de errores, validando la efectividad de la solución propuesta para mejorar tanto la productividad como la calidad del proceso en la industria alimentaria. Además, el sistema ofrece un alto nivel de flexibilidad y seguridad en su operación.
Al mejorar la eficiencia en la clasificación de papas y reducir la necesidad de intervención manual, se anticipa una rápida recuperación de la inversión, así como un impacto positivo en la capacidad de respuesta del proceso, lo que podría llevar a un aumento en la demanda del producto.
Referencias
J. Yang, C. Wang, B. Jiang, H. Song, Q. Meng, “Visual perception enabled industry intelligence: state of the art, challenges and prospects,” IEEE Transactions on Industrial Informatics, vol. 17, no. 3, pp. 2204-2219, Mar. 2020, avaible: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9106415
H. Tian, T. Wang, Y. Liu, X. Qiao, Y. Li, “Computer vision technology in agricultural automation - A review”, Information Processing in Agriculture, vol. 7, no. 1, pp. 1-19, Mar. 2020. https://doi.org/10.1016/j.inpa.2019.09.006
M. Javaid, A. Haleem, R. Singh, S. Rab, R. Suman, “Exploring impact and features of machine vision for progressive industry 4.0 culture”, Sensors International, vol. 3, pp. 1-5, May. 2022. https://doi.org/10.1016/j.sintl.2021.100132
M. Saleem, J. Potgieter, K. Arif, “Automation in agriculture by machine and deep learning techniques: A review of recent developments”, Precision Agriculture, vol 22, no. 6, pp. 2053-2091, Apr. 2021. https://doi.org/10.1007/s11119-021-09806-x
U. Ahmad, L. Sharma, “A review of best management practices for potato crop using precision agricultural technologies”. Smart Agricultural Technology, vol. 4, pp. 1-22, Aug. 2023. https://doi.org/10.1016/j.atech.2023.100220
A. Devaux, J. Goffart, P. Kromann, J. Andrade-Piedra, V. Polar, G. Hareau, “The potato of the future: opportunities and challenges in sustainable agri-food systems”, Potato Research, vol. 64, no. 4, pp. 681-720, Oct. 2021. https://doi.org/10.1007/s11540-021-09501-4
M. Karkee, U. Bhattarai, “Applied Machine Vision Technologies in Specialty Crop Production”, Sensing, Data Managing, and Control Technologies for Agricultural Systems, Cham: Springer International Publishing, pp. 41-73, Jun. 2022. https://doi.org/10.1007/978-3-031-03834-1_3
J. Huo, X. Yu, “Three-dimensional mechanical parts reconstruction technology based on two-dimensional image,” International Journal of Advanced Robotic Systems, vol. 17, no. 2, pp. 1-11, Mar. 2020, doi: https://doi.org/10.1177/1729881420910008
L. Rakhmawati, W. Wirawan, S. Suwadi, C. Delpha, P. Duhamel, “Blind robust image watermarking based on adaptive embedding strength and distribution of quantified coefficients,” Expert Systems with Applications, vol. 187, pp. 1-10, Jan. 2022, doi: https://doi.org/10.1016/j.eswa.2021.115906
H. Jiang, Y. Li, H. Zhao, X. Li, Y. Xu, “Parallel single-pixel imaging: A general method for direct–global separation and 3d shape reconstruction under strong global illumination,” International Journal of Computer Vision, Vol. 129, pp. 1060-1086, Jan. 2021, doi: https://doi.org/10.1007/s11263-020-01413-z
J. Ma, T. Czerniawski, F. Leite, “An application of metadata-based image retrieval system for facility management,” Advanced Engineering Informatics, Vol. 50, pp. 1-12, Sep. 2021, doi: https://doi.org/10.1016/j.aei.2021.101417
S. Gao, K. Yang, H. Shi, K. Wang, J. Bai, “Review on panoramic imaging and its applications in scene understanding,” IEEE Transactions on Instrumentation and Measurement, Vol. 71, pp. 1-34, Oct. 2022, doi: https://doi.org/10.1109/TIM.2022.3216675
A. Devaux, J. Goffart, P. Kromann, J. Andrade-Piedra, V. Polar, G. Hareau, “The potato of the future: opportunities and challenges in sustainable agri-food systems,” Potato Research, Vol. 64, no. 4, pp. 681-720, Jul. 2021, doi: https://doi.org/10.1007/s11540-021-09501-4
U. Ahmad, L. Sharma, “A review of best management practices for potato crop using precision agricultural technologies,” Smart Agricultural Technology, Vol. 4, pp. 1-22, Aug. 2023, doi: https://doi.org/10.1016/j.atech.2023.100220
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Armando Josué Piña Díaz, Mauricio Aarón Pérez Romero, Iván Lenín Cruz Jaramillo (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
