Eficacia de sistemas expertos en la selección de granos de café (Coffea arabica)
una revisión sistemática
DOI:
https://doi.org/10.55873/rad.v1i1.163Palabras clave:
inteligencia artificial, procesamiento de imágenes, efectividad, visión artificialResumen
La selección de granos de café es importante para su productividad; sin embargo, productores de baja o mediana escala realizan este proceso de forma manual, ocasionado limitaciones que afectan su producción o comercialización. El artículo tuvo como objetivo analizar la eficacia de los sistemas expertos en la selección de granos de café. Para ello, el estudio consistió en una revisión sistemática de la literatura en las bases de datos de Xplore IEEE, SciencieDirect y SpringerLink, de artículos publicados en revistas indizadas a Scopus, WoS o Scielo; entre los años 2015 y 2021. El resultado de la revisión fue una matriz de información según autor, título del artículo, técnicas o modelos y eficacia de los sistemas expertos. Entre ellos, destacan el uso de los parámetros de procesamiento de imágenes RGB convertidos en HSV, como HSL; y la efectividad de los sistemas, en todos los casos fueron superiores al 80%. La revisión concluye que los sistemas expertos son eficaces para la selección de granos de café, debido a que optimizan tiempo y mejoran la calidad en la selección de granos.
Descargas
Citas
Benet Rodríguez, M., Zafra, S. L., & Quintero Ortega, S. P. (2015). La revisión sistemática de la literatura científica y la necesidad de visualizar los resultados de las investigaciones. Revista Logos, Ciencia & Tecnología, 7(1), 101-103. https://doi.org/10.22335/rlct.v7i1.232
Bonilla Medina, J. (2017). Los beneficios del consumo de café. Revista Facultad Ciencias de la Salud. Universidad del Cauca, 19(2), 47-48. https://revistas.unicauca.edu.co/index.php/rfcs/article/view/177
de Oliveira, E. M., Leme, D. S., Barbosa, B. H. G., Rodarte, M. P., & Pereira, R. G. F. A. (2016). A computer vision system for coffee beans classification based on computational intelligence techniques. Journal of Food Engineering, 171, 22-27. https://doi.org/10.1016/j.jfoodeng.2015.10.009
Flores, W. C., & Pineda, G. M. (2016). A type-2 fuzzy logic system approach to train Honduran coffee cuppers. 2016 IEEE Latin American Conference on Computational Intelligence (LA-CCI), 1-6. https://doi.org/10.1109/LA-CCI.2016.7885710
Gómez-Luna, E., Fernando-Navas, D., Aponte-Mayor, G., & Betancourt-Buitrago, L. A. (2014). Metodología para la revisión bibliográfica y la gestión de información de temas científicos, a través de su estructuración y sistematización. DYNA, 81(184), 1558-163. https://doi.org/10.15446/dyna.v81n184.37066
Hakim, M., Djatna, T., & Yuliasih, I. (2020). Deep Learning for Roasting Coffee Bean Quality Assessment Using Computer Vision in Mobile Environment. 2020 International Conference on Advanced Computer Science and Information Systems (ICACSIS), 363-370. https://doi.org/10.1109/ICACSIS51025.2020.9263224
Herrera, J. C., Medina, S. M., Beleño, K., & Gualdrón, O. E. (2016). Diseño de un sistema automático de selección de frutos de café mediante técnicas de visión artificial. Revista UIS Ingenierías, 15(1), 7-14. https://doi.org/10.18273/revuin.v15n1-2016001
Herrera Pérez, J. C., Medina Ortiz, S. M., Martínez Llano, G. E., Beleño Sáenz, K. de J., & Berrio Pérez, J. S. (2016). Clasificación de los frutos de café según su estado de maduración y detección de la broca mediante técnicas de procesamiento de imágenes. Prospectiva, 14(1), 15. https://doi.org/10.15665/rp.v14i1.640
Huang, N.-F., Chou, D.-L., & Lee, C.-A. (2019). Real-Time Classification of Green Coffee Beans by Using a Convolutional Neural Network. 2019 3rd International Conference on Imaging, Signal Processing and Communication (ICISPC), 107-111. https://doi.org/10.1109/ICISPC.2019.8935644
Janandi, R., & Cenggoro, T. W. (2020). An Implementation of Convolutional Neural Network for Coffee Beans Quality Classification in a Mobile Information System. 2020 International Conference on Information Management and Technology (ICIMTech), 218-222. https://doi.org/10.1109/ICIMTech50083.2020.9211257
Julca-Otiniano, A., Alarcón-Águila, G., Alvarado-Huamán, L., Borjas-Ventura, R., & Castro-Cepero, V. (2018). Comportamiento de tres cultivares de café (catimor, colombia y costa rica 95) en el valle de el Perené, Junín, Perú. Chilean journal of agricultural & animal sciences, 34(ahead), 0-0. https://doi.org/10.4067/S0719-38902018005000504
Junta Nacional del Café. (2021, febrero). Producción y exportaciones de café apuntan a ser mejores durante el 2021. https://juntadelcafe.org.pe/produccion-y-exportaciones-de-cafe-apuntan-a-ser-mejores-durante-el-2021/
Kumar, M., Gupta, P., Madhav, P., & Sachin. (2020). Disease Detection in Coffee Plants Using Convolutional Neural Network. 2020 5th International Conference on Communication and Electronics Systems (ICCES), 755-760. https://doi.org/10.1109/ICCES48766.2020.9138000
Leme, D. S., da Silva, S. A., Barbosa, B. H. G., Borém, F. M., & Pereira, R. G. F. A. (2019). Recognition of coffee roasting degree using a computer vision system. Computers and Electronics in Agriculture, 156, 312-317. https://doi.org/10.1016/j.compag.2018.11.029
Livio, J., Flores, W. C., Hodhod, R., & Umphress, D. (2018). Smart Fuzzy Cupper: Employing approximate reasoning to derive coffee bean quality scoring from individual attributes. 2018 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 1-7. https://doi.org/10.1109/FUZZ-IEEE.2018.8491513
Livio, J., & Hodhod, R. (2018). AI Cupper: A Fuzzy Expert System for Sensorial Evaluation of Coffee Bean Attributes to Derive Quality Scoring. IEEE Transactions on Fuzzy Systems, 26(6), 3418-3427. https://doi.org/10.1109/TFUZZ.2018.2832611
Lopes, A. C. A., Andrade, R. P., de Oliveira, L. C. C., Lima, L. M. Z., Santiago, W. D., de Resende, M. L. V., das Graças Cardoso, M., & Duarte, W. F. (2020). Production and characterization of a new distillate obtained from fermentation of wet processing coffee by-products. Journal of Food Science and Technology, 57(12), 4481-4491. https://doi.org/10.1007/s13197-020-04485-4
Monsalve, D., Trujillo, M., & Chaves, D. (2015). Automatic Classification of Nutritional Deficiencies in Coffee Plants. 6th Latin-American Conference on Networked and Electronic Media (LACNEM 2015). https://doi.org/10.1049/ic.2015.0317
Montalbo, F. J. P., & Hernandez, A. A. (2020). An Optimized Classification Model for Coffea Liberica Disease using Deep Convolutional Neural Networks. 2020 16th IEEE International Colloquium on Signal Processing & Its Applications (CSPA), 213-218. https://doi.org/10.1109/CSPA48992.2020.9068683
Ocampo Lopez, O. L., & Alvarez-Herrera, L. M. (2017). Tendencia de la producción y el consumo del café en Colombia. Apuntes CENES, 36(64), 139-165. https://doi.org/10.19053/01203053.v36.n64.2017.5419
Oscco Medina, I., Roldan Ccoycca, E. P., Quispe Murga, E., Camacho Villalobos, A., Marmolejo G., D., & Marmolejo G., K. J. (2020). Selección, identificación y zonificación de café (Coffea arabica L.) por su adaptabilidad, rendimiento, calidad sensorial y resistencia a plagas y enfermedades. Agroindustrial Science, 10(3), 249-257. https://doi.org/10.17268/agroind.sci.2020.03.05
Pham, Y., Reardon-Smith, K., Mushtaq, S., & Cockfield, G. (2019). The impact of climate change and variability on coffee production: a systematic review. Climatic Change, 156(4), 609-630. https://doi.org/10.1007/s10584-019-02538-y
Pinedo-Tuanama, Ll., & Valles-Coral, M. (2021). Importancia de los referenciadores bibliográficos en la gestión de la información científica en tesistas universitarios. Anales de Documentación, 24(2). https://doi.org/10.6018/analesdoc.465091
Portugal-Zambrano, C. E., Gutierrez-Caceres, J. C., Ramirez-Ticona, J., & Beltran-Castanon, C. A. (2016). Computer vision grading system for physical quality evaluation of green coffee beans. 2016 XLII Latin American Computing Conference (CLEI), 1-11. https://doi.org/10.1109/CLEI.2016.7833383
Pradana-López, S., Pérez-Calabuig, A. M., Cancilla, J. C., Lozano, M. Á., Rodrigo, C., Mena, M. L., & Torrecilla, J. S. (2021). Deep transfer learning to verify quality and safety of ground coffee. Food Control, 122, 107801. https://doi.org/10.1016/j.foodcont.2020.107801
Rosas-Echevarría, C., Solís-Bonifacio, H., & Cerna-Cueva, A. (2019). Sistema eficiente y de bajo costo para la selección de granos de café: una aplicación de la visión artificial. Scientia Agropecuaria, 10(3), 347-351. https://doi.org/10.17268/sci.agropecu.2019.03.04
Sanchez-Aguiar, A. F., Mario Ceballos-Arroyo, A., & Espinosa-Bedoya, A. (2019). Toward the recognition of non-defective coffee beans by means of digital image processing. 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), 1-5. https://doi.org/10.1109/STSIVA.2019.8730267
Sandoval Pillajo, A. L., Checa Cabrera, M. A., Díaz Vásquez, R. A., & Acosta Espinoza, J. L. (2021). Sistema experto para el diagnóstico y tratamiento de enfermedades y plagas en plantas ornamentales. Universidad y Sociedad, 13(3), 505-511. https://rus.ucf.edu.cu/index.php/rus/article/view/2127
Serrano Fuentes, M., Lizardo Zelaya, N. A., & Ordoñez Ávila, J. L. (2020). Coffee Fruit Recognition Using Artificial Vision and neural NETWORKS. 2020 5th International Conference on Control and Robotics Engineering (ICCRE), 224-228. https://doi.org/10.1109/ICCRE49379.2020.9096441
Smith Dumont, E., Gassner, A., Agaba, G., Nansamba, R., & Sinclair, F. (2019). The utility of farmer ranking of tree attributes for selecting companion trees in coffee production systems. Agroforestry Systems, 93(4), 1469-1483. https://doi.org/10.1007/s10457-018-0257-z
Sosa, J., Ramirez, J., Vives, L., & Kemper, G. (2019). An Algorithm For Detection of Nutritional Deficiencies from Digital Images of Coffee Leaves Based on Descriptors and Neural Networks. 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), 1-5. https://doi.org/10.1109/STSIVA.2019.8730286
Soto, J., Paiva, E., Ipanaque, W., Reyes, J., Espinoza, D., & Mendoza, D. (2017). Cocoa bean quality assessment by using hyperspectral index for determining the state of fermentation with a non-destructive analysis. 2017 CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies (CHILECON), 1-5. https://doi.org/10.1109/CHILECON.2017.8229718
Torres Caballero, E. M., & Reyes Duke, A. M. (2020). Implementation of Artificial Neural Networks Using NVIDIA Digits and OpenCV for Coffee Rust Detection. 2020 5th International Conference on Control and Robotics Engineering (ICCRE), 246-251. https://doi.org/10.1109/ICCRE49379.2020.9096435
Vives Garnique, L. A., Mejía Cabrera, H. I., Vilcherrez Chavarry, K. L., & Vassallo Barco, M. J. (2014). Visión artificial: Aplicación de filtros y segmentación en imágenes de hojas de café. Revista INGENIERÍA: Ciencia Tecnología e Innovación, 1(2), 71-81. http://revistas.uss.edu.pe/index.php/ING/article/view/198
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Merly Monsalve-Vásquez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
