Comparación de tres sistemas expertos y diferentes espacios de color en la clasificación del grado de madurez de frutos de aguaymanto (PHYSALIS PERUVIANA L.)

Abstract

RESUMEN La clasificación de frutas frescas según su madurez es un trabajo comúnmente subjetivo y tedioso; en consecuencia, existe un creciente interés en el uso de técnicas no invasivas como las basadas en la visión computarizada y en técnicas de aprendizaje automatizado. En esta investigación, proponemos el uso de técnicas no invasivas para la clasificación de frutos de aguaymanto. La propuesta se basa en el uso de técnicas de aprendizaje automático combinadas con diferentes espacios de color. Dado el éxito que han tenido las técnicas automatizadas como las redes neuronales artificiales, máquinas de soporte vectorial, árboles de decisiones y el método de los K vecinos más próximos, en los problemas de clasificación, decidimos utilizar estos alcances en el presente trabajo de investigación. Se obtuvo una muestra de 819 frutos de aguaymanto, los cuales fueron clasificados manualmente según su nivel de madurez en siete clases diferentes. Las imágenes de cada fruta fueron obtenidas en formato RGB a través de un sistema desarrollado para este fin. Estas imágenes fueron pre-procesadas, filtradas y segmentadas hasta la identificación de los frutos. Para cada una de las frutas, se obtuvieron los valores medianos de sus parámetros de color en el espacio RGB, y subsecuentemente se transformaron los resultados en los espacios de color HSV y L*a*b*. Los valores de cada fruto en los tres espacios de color y sus correspondientes grados de madurez fueron utilizados para la creación, validación y comparación de los modelos de clasificación desarrollados. Se halló que la elección de uno u otro espacio de color, afecta la calidad del clasificador. Los sistemas basados en árboles de decisiones ofrecen los mejores resultados, estos fueron mayores a 97% de precisión con 18 y con 6 parámetros de interés y mayores a 72% al combinarlos con los espacios de color RGB, HSV y L*a*b*. Los modelos basados en el método de las redes neuronales artificiales obtienen resultados más variables. Los modelos basados en el espacio de color L*a*b* ofrecen los mejores resultados, estos fueron superiores a 72% de precisión. Finalmente, el modelo que mejor clasifica los frutos de aguaymanto de acuerdo con su nivel de madurez es el que resultó de la combinación de la técnica SVM y el espacio de color RGB, obteniendo una medida F de 79,47% y una precisión de 79,79%. PALABRAS CLAVES: Aguaymanto, espacios de color, redes neuronales artificiales, máquinas de soporte vectorial, árboles de decisiones, K-vecinos más próximos.

ABSTRACT The classification of fresh fruits according to their ripeness is commonly a subjective and tedious task; consequently, there is growing interest in the use of non-contact techniques as such those based on computer vision and machine learning. In this paper, we propose the use of non-intrusive techniques for the classification of Cape gooseberry fruits. The proposal is based on the use of machine learning techniques combined with different color spaces. Given the success of techniques such as artificial neural networks, support vector machines, decision trees, and Knearest neighbors in classification problems, we decided to use these approaches in this research work. A sample of 819 Cape gooseberry fruits was obtained, and fruits were classified manually according to their level of ripeness in seven different classes. Images of each fruit were acquired in the RGB format through a system developed for this purpose. These images were preprocessed, filtered and segmented until the fruits were identified. For each piece of fruit, the median color parameter values in the RGB space were obtained, and these results were subsequently transformed into the HSV and L*a*b* color spaces. The values of each piece of fruit in the three color spaces and their corresponding degrees of ripeness were arranged for use in the creation, validation, and comparison of the developed classification models. The choice of color space was found to affect the quality of the classifier. Decision trees based systems offer the best results, the precision of these where higher than 97% when using 18 parameters and 6 parameters of interest, and higher than 72% when combined with RGB, HSV and L*a*b* color spaces. The artificial neural network-based models obtain more variable results. The models based on the L*a*b* color space offer the best results, the precision of these where superior than 72%. Finally, the model that best classifies the cape gooseberry fruits based on ripeness level is that resulting from the combination of the SVM technique and the RGB color space, obtaining an F measure of 79,47% and accuracy of 79,79%. KEYWORDS: Golden Berry, color spaces, artificial neural networks, support vector machines, decision trees, K-nearest neighbors.