ISSN: 2007-6363

Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205-210

Sistema de visión artificial para evaluar cereza de café

Machine vision system for the evaluation of cherry coffee beans
a b b a,c
J. A. Cruz-Morales , J. A. Morales-Viscaya , A. I. Barranco-Gutiérrez , A. L. Herrera-May

b a,d,*
A. A. Alonso-Ramírez , R. M. Woo-García

a
Maestría en Ingeniería Aplicada, Facultad de Ingeniería de la Construcción y el Hábitat, Universidad Veracruzana, Boca del Río 94294, Veracruz, México.
b
Tecnológico Nacional de México en Celaya, TecNM-Celaya, Guanajuato, Celaya 38010, México.
c
Centro de Investigación en Micro y Nanotecnología, Universidad Veracruzana, Boca del Río 94294, Veracruz, México.
d
Facultad de Ingeniería Eléctrica y Electrónica, Universidad Veracruzana, Boca del Río 94294, Veracruz, México.

Resumen

La calidad de productos del campo es un factor clave para la industria agrícola debido a que impacta de sobremanera su valor
de mercado. La calidad del café de especialidad depende de una serie de características específicas que atraen al consumidor. En
este trabajo se presenta el diseño y construcción de un sistema de visión artificial para la clasificación de cereza de café de
especialidad desarrollado en el lenguaje Python con una Raspberry Pi 4. La segmentación de imágenes se basa en dos parámetros
del café: color y tamaño. Se utiliza el espacio de color HSV y la teoría de momentos de las imágenes para calcular el área en
píxeles de la cereza de café. El sistema de visión artificial propuesto obtuvo una exactitud de 93.49% en la clasificación de cereza
de café respecto a su grado de maduración y una precisión del 82.6%, fue verificado con una base de datos compuesto por 169
imágenes obtenidas mediante una cámara SH003, con el sistema propuesto se logran obtener más de 3600 granos de café cereza
clasificados en una hora en promedio, cantidad superior a la reportada por los clasificadores expertos de la región (2500 granos
por hora).

Palabras Clave: Clasificación, procesamiento de imágenes, agricultura, café.

Abstract

Product quality is a critical factor in agricultural industry because it greatly impacts its market value and refers to how well
a product satisfies customer needs, serves its purpose, and meets industry standards. The quality of specialty coffee depends on
specific characteristics that attract the consumer. This paper presents the design and construction of an artificial vision system
for classifying specialty coffee cherries developed in Python with a Raspberry Pi 4. Image segmentation is based on two coffee
parameters: color and size. HSV color space and image momentum theory are used to calculate the area in pixels of the coffee
cherry. The artificial vision system developed in this work achieved an accuracy of 93.49% in the classification of the coffee
cherry according to its level of ripeness and a precision of 82.6%, the developed algorithm was verified with a dataset that
consisting of 169 images obtained using a SH003 camera. With the proposed system, it is possible to obtain more than 3,600
classified cherry coffee in one hour on average, an amount higher than that reported by expert classifiers in the region (2500 in
an hour).

Keywords: Classification, image processing, agriculture, coffee.

1. Introducción alimentaria, 2018). El café es un producto agrícola estratégico

en México con más de 500,000 productores en 14 entidades
El sector agrícola es un área importante en la actividad federativas y 480 municipios (SAGARPA, 2018). Existen más
económica de la República Mexicana debido a la extensa gama de 30 especies de árboles de café, entre los que se encuentra el
de productos que se siembran en todas sus regiones (Centro de Coffea Arábica L. que destaca por sus cualidades gustativas y
estudios para el desarrollo rural sustentable y la soberanía aromáticas.
_________
*Autor para la correspondencia: rwoo@uv.mx
Correo electrónico: zS20022536@estudiantes.uv.mx (Jordan Antonio Cruz-Morales), d2003026@itcelaya.edu.mx (Joel Artemio Morales-Viscaya),
Israel.barranco@itcelaya.edu.mx (Alejandro Israel Barranco-Gutiérrez), leherrera@uv.mx (Agustín Leobardo Herrera-May), d2203002@itcelaya.edu.mx (Adán Antonio
Alonso-Ramírez), rwoo@uv.mx (Rosa María Woo-García).

Historial del manuscrito: recibido el 31/03/2023, última versión-revisada recibida el 15/06/2023, aceptado el 19/06/2023
publicado el 11/09/2023. DOI: https://doi.org/10.29057/icbi.v11iEspecial2.10721
 J.A. Cruz-Morales et al. / Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205–210 206

Es importante garantizar la calidad de los granos de cereza lectura de la información, procesamiento digital, análisis de
de café de especialidad durante cada una de las etapas de imágenes y clasificación. En la mayoría de los casos estos
crecimiento, con mayor énfasis durante la etapa de cosecha. sistemas poseen un actuador para separar objetos que no
Los atributos morfológicos del café como tamaño, forma, cumplen con los estándares de clasificación.
textura, color y la presencia de irregularidades visuales como Castro10721 et al. (2019) implementaron un sistema de
manchas o desperfectos influyen en la selección del visión artificial que evalúa el grado de madurez de la grosella
consumidor (García et al., 2019). Generalmente, las con diferentes técnicas de clasificación de imágenes y
características morfológicas del grano se asocian con aprendizaje automático (machine learning) como redes
cualidades aromáticas y gustativas distintivas del café como la neuronales convolucionales, máquinas de soporte vectorial y
fusión del cuerpo, acidez, aroma, amargor, acabado, dulzor y árboles de decisión. Para comparar el desempeño del
sabor. En la Figura 1 se muestran las etapas de maduración de clasificador de imágenes utilizaron los espacios de color RGB,
la cereza de café. CIE L*a*b* y en matiz, saturación y valor (por sus siglas en
inglés, HSV), donde obtuvieron 89.46%, 90.65% y 90.62% de
exactitud respectivamente. El mejor clasificador para evaluar
el grado de madurez de la grosella fue el SVM y el espacio de
color CIE L*a*b*.
Susanibar et al. (2021) diseñaron e implementaron un
prototipo de sistema automatizado para la clasificación de
Figura 1: Etapas de maduración de la cereza de café granos de café verdes, utilizando los parámetros de tamaño y
el tipo de defectos presentes en el grano para mejorar la calidad
El color de un fruto es el primer parámetro considerado en de dicho producto. Este sistema fue implementado en una
la percepción de la calidad y su vida útil, un atributo visual de Raspberry Pi3 dotada de una cámara para la adquisición de
la superficie del alimento, crítico para su aceptación (Sandoval imágenes y un Arduino® mega para el control de los actuadores
& Prieto, 2007). Las etapas de maduración de café son: fruto que separan a los granos de café. Los resultados de la
verde o inmaduro (poco aromático, bebida amarga y áspera), clasificación de tamaño y defectos fueron de 96% y 80% de
fruto maduro (aroma fragante, bebida con mejor expresión de exactitud respectivamente.
sus cualidades gustativas) y fruto sobremaduro o seco (sabores Lal & Fukai (2022) desarrollaron un sistema de
fermentados). El tamaño del café es una característica clave clasificación de granos de café verdes implementadas en una
para la evaluación de calidad del fruto, cada variante de café Raspberry Pi3. Consiguieron una frecuencia de muestreo de
posee diferentes tamaños. 13.77 imágenes por segundo con una exactitud mayor
En este trabajo se propone el diseño y la implementación de (98.19%) usando redes neuronales convolucionales. La
un sistema de clasificación de granos de cereza de café de resolución de las imágenes a color que se usaron para la
especialidad de la variedad sarchimor para el proceso de clasificación fue de 64x64 píxeles (px).
tratado llamado lavado. Debido a su demanda en el mercado La organización de este escrito es la siguiente; en la sección
nacional, este producto requiere de modernas técnicas de II se describen los materiales y la metodología utilizada para
cultivo y post cosecha para cumplir con la calidad solicitada desarrollar el sistema de visión artificial: instrumentos, diseño
por los compradores. Un adecuado control de calidad y del sistema, procesamiento de imágenes y extracción de
clasificación de los granos disminuirá las pérdidas por características. En la sección III se describen los resultados
descomposición del producto en almacenamiento, disminuirá obtenidos respecto a la clasificación de cereza de café.
los precios de venta y mejorará la presentación del producto Finalmente, en la sección IV se presentan las conclusiones y
final. Por estas razones es necesario generar sistemas de trabajo futuro.
medición eficientes, automatizados y objetivos, aplicados a la
industria del café.
En general, los sistemas de visión artificial están
conformados por las etapas de: adquisición de imágenes,

a)

Figura 2: Sistema para la clasificación de granos de cereza de café, a) vista superior, b) vista isométrica
 J.A. Cruz-Morales et al. / Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205–210 207

2. Materiales y métodos color BGR es similar al RGB, con la diferencia del orden de
sus canales.
Se realizó la propuesta de diseño y el modelado del sistema En este trabajo se utilizó el espacio de color HSV. La
de visión artificial en el software de diseño asistido por componente 𝐻 representa el color puro permitiendo diferenciar
computadora (CAD) SolidWorks® con unas medidas de el tipo de matiz, 𝑆 denota la cantidad de blanco y 𝑉 describe el
estructura de 35x21x24cm. El diseño se desglosa con dos brillo. HSV separa la intensidad de la imagen (𝑉) de la pureza
partes principales: 1) espacio para los componentes y 2) del color (𝐻), para evitar que grandes variaciones en la
espacio para la captura de imágenes de las muestras, ver Figura iluminación, afecten la clasificación de la cereza de café.
2. En la sección 1 del diseño, con dimensiones de El algoritmo desarrollado está compuesto por 3 etapas:
10x20x10cm, se ubican los siguientes dispositivos: una cámara preprocesamiento, segmentación y clasificación. La primera
USB SH003, iluminación led de tipo aro de 5000K paralela e etapa convierte la imagen capturada en el espacio de color
incidente al objeto, y un motor a pasos nema 17 (para BGR a HSV. En la segmentación se identifica la cereza de café
representar un flujo continuo de muestras de cereza de café). por su color y se extraen sus características. Finalmente, en la
La cámara presenta una resolución de 1920x1080px, y se etapa de clasificación se determina si el objeto candidato
delimitó el área de interés para reducir el tamaño de la imagen corresponde a un café de calidad, ver Figura 3.
y tiempo de procesamiento digital, resultando en imágenes de La ecuación (1) describe la normalización de los canales de
800x530px (rangos de corte: 800 a 1600px en el eje X y 550 a color de BGR entre 0 y 1, denotados como 𝑅′ , 𝐵′ 𝑦 𝐺′. La
1080px en el eje Y), dado que en promedio el tamaño del café transformación del espacio de color BGR a HSV se establece
cereza es de 2 cm de diámetro en las ecuaciones (1, 2, 3 y 4).
En la sección 2 del diseño, con dimensiones de
20x21x11.5cm, se ubican: una Raspberry Pi 4B, un Arduino® 𝑅′ = 𝑅/255; 𝐵′ = 𝐵/255; 𝐺′ = 𝐺/255 (1)
uno y un controlador TB6600, para el control del motor nema
17; una pantalla táctil de 7 pulgadas con una resolución de 0° , 𝑠𝑖 𝛥 = 0
60° ⋅ (((𝐺′ − 𝐵′)/𝛥 )𝑚𝑜𝑑6), 𝑠𝑖 𝐶𝑚𝑎𝑥 = 𝑅′
1024x600px, para visualizar la interfaz gráfica de usuario 𝐻= (2)
60° ⋅ ((𝐵′ − 𝑅′)/𝛥 + 2), 𝑠𝑖 𝐶𝑚𝑎𝑥 = 𝐺′
(GUI) del sistema y; una fuente de alimentación de 12V a 10A,
para energizar el Arduino® y el motor nema 17. {60° ⋅ ((𝑅′ − 𝐺′)/𝛥 + 4), 𝑠𝑖 𝐶𝑚𝑎𝑥 = 𝐵′
El motor nema 17 y el TB6600 están configurados para que 0 , 𝑠𝑖 𝐶𝑚𝑎𝑥 = 0
cada paso del motor sea de 0.45°. La velocidad del motor nema 𝑆={ (3)
𝛥/𝐶_𝑚𝑎𝑥 , 𝑠𝑖 𝐶𝑚𝑎𝑥 ≠ 0
17 es de 21 revoluciones por minuto (rpm), haciendo pausas de
0.3s frente a la lente de la cámara. Como resultado la velocidad 𝑉 = 𝐶𝑚𝑎𝑥 ⋅ 100 (4)
de clasificación es de 60 cerezas por minuto, es decir, 11.880
kg/h aproximadamente (con un peso promedio de cereza de
3.3g). La implementación del sistema se realizó en versión
prototipo, utilizando fibropanel de densidad media (por sus
siglas en inglés, MDF) de 6mm.

2.1. Metodología de procesamiento del sistema de

clasificación

El procesamiento de imágenes es el análisis matemático de

una señal en dos dimensiones mediante un equipo de cómputo,
donde la entrada y la salida del procesamiento son imágenes.
Se realiza con el fin de mejorar el contenido o extraer
información de interés dentro de la imagen.
Las bibliotecas utilizadas para el desarrollo de la
programación del sistema son: OpenCV, biblioteca optimizada
b)
para aplicaciones de visión artificial (Marín, 2020); Numpy, Figura 3: Diagrama de flujo del algoritmo del sistema de visión artificial para
facilita el manejo de operaciones matriciales; Tkinter, la clasificación de cereza de café
implementada para desarrollo de GUI (Moore, 2018).
En la Figura 4 se describe la metodología de programación Tabla 1: Parámetros del espacio de color BGR y HSV en OpenCV
del sistema de clasificación de cereza de café con imágenes. Espacio Canales Descripción Descripción
de color estándar OpenCV
2.2. Transformación de espacio de color BGR a HSV
BGR B [0-255] [0-255]
Para realizar un procesamiento digital de imágenes es G [0-255] [0-255]
necesario especificar un espacio de color para la representación R [0-255] [0-255]
de las imágenes. La mayoría de las cámaras digitales poseen
un sensor que absorbe las longitudes de onda de la luz en tres HSV H [0-360] [0-180]
canales: rojo, verde y azul (por sus siglas en inglés, RGB). En S [0-100] [0-255]
OpenCV las imágenes se representan en tres canales: azul, V [0-100] [0-255]
verde y rojo (por sus siglas en inglés, BGR). Este espacio de
 J.A. Cruz-Morales et al. / Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205–210 208

Dado que la biblioteca de OpenCV posee una escala distinta ecuación (9) se define matemáticamente la dilatación, donde 𝑆
para los espacios de color respecto al estándar, es necesario es el kernel de 3x3 en configuración de cruz que será
realizar un ajuste en dicha escala para evitar una segmentación trasladado por cada subconjunto de píxeles de la imagen 𝑋.
no deseada, ver Tabla 1.
En la ecuación (5) se muestra el ajuste de escala de las 𝑌 = 𝑋 ⊕ 𝑆 = {𝓏|(𝑆𝓏) ⋂𝑋 ≠ 0} (9)
componentes del espacio de color 𝐻𝑆𝑉 a 𝐻𝑆𝑉𝑜𝑝𝑒𝑛𝑐𝑣 .
𝐻𝑜𝑝𝑒𝑛𝑐𝑣 = (𝐻 ⋅ 180)/360 2.5. Momentos de las imágenes
𝑆𝑜𝑝𝑒𝑛𝑐𝑣 = (𝑆 ⋅ 255)/100 (5)
𝑉𝑜𝑝𝑒𝑛𝑐𝑣 = (𝑉 ⋅ 255)/100 En el procesamiento de imágenes, los momentos son una
medida de la dispersión de una región de puntos, en la que se
2.3. Segmentación de imágenes en HSV realiza un promedio ponderado de la intensidad de los píxeles
La segmentación de imágenes se define como el proceso de en una imagen. Estos permiten calcular propiedades
separar una imagen en regiones de píxeles de interés. La específicas de una imagen como el área de un objeto de interés
umbralización es el método básico para realizar una (González & Woods, 2018). En la ecuación (10) se definen los
segmentación de imágenes. Consiste en hacer una momentos. En este trabajo se utiliza el momento de orden cero
transformación donde se evalúa cada píxel de la imagen para (Barranco et al., 2018).
determinar si cumple con el umbral (𝑇), este método es usado
en imágenes cromáticas y acromáticas (Mery, 2015). 𝑀𝑖𝑗 = ∑ ∑ 𝑥 𝑖 𝑦 𝑗 𝐼(𝑥, 𝑦) (10)
En la segmentación de las imágenes de cereza de café se 𝑥 𝑦
requiere un umbral inferior (𝑇1 ) y uno superior (𝑇2 ) de cada uno
de los canales, si cumple el valor que se le asigna es 1, de lo Aplicando el momento simple de orden cero 𝑀00 , descrito
contrario es 0, obteniendo una imagen binaria. Para lograr la por (11), es posible simplificar la ecuación al realizar la
segmentación de la cereza de café se utilizaron dos umbrales operación de los exponentes. La ecuación (12) representa la
superiores y dos umbrales inferiores para el canal 𝐻 debido a sumatoria de las intensidades de los píxeles de una imagen, es
que el color rojo existe en 2 secciones no continuas decir, el área binarizada.
numéricamente. Se realiza una operación 𝑂𝑅 con (6) y (7),
asignando el valor de 1 si las condiciones son verdaderas, y si 𝑀00 = ∑ ∑ 𝑥 0 𝑦 0 𝐼 (𝑥, 𝑦) (11)
ninguna se cumple se le asignará cero; donde las imágenes 𝑥 𝑦
están representadas por una función 𝐼 , donde (𝑥, 𝑦) son 𝑀00 = ∑ ∑ 𝐼(𝑥, 𝑦) (12)
coordenadas de un píxel e 𝐼(𝑥, 𝑦) el valor de intensidad de ese 𝑥 𝑦
píxel.
2.6. Clasificación de la cereza del café
𝐼𝑠 (𝑥, 𝑦) = 1; 𝑠𝑖 𝐻1 𝑇1 ≤ 𝐼(𝑥, 𝑦) ≤ 𝐻1 𝑇2 (6)
𝐼𝑠 (𝑥, 𝑦) = 1; 𝑠𝑖 𝐻2 𝑇1 ≤ 𝐼(𝑥, 𝑦) ≤ 𝐻2 𝑇2 (7)
Generalmente, la cereza del café se clasifica de acuerdo con
𝐼𝑠 (𝑥, 𝑦) = 0; 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
sus características morfológicas: color y tamaño. La ecuación
(13) muestra la condición de tamaño que se requiere para que
2.4. Operaciones morfológicas
el producto sea aceptado, donde á𝑟𝑒𝑎𝑜𝑏𝑗𝑒𝑡𝑜 es el área de la
Las operaciones morfológicas son fundamentales en el imagen binarizada obtenida con 𝑀00 ; á𝑟𝑒𝑎𝑚𝑖𝑛 y á𝑟𝑒𝑎𝑚𝑎𝑥 , son
procesamiento digital para extraer los componentes de las los valores para el umbral del área.
imágenes que representan y describen las regiones geométricas
𝐶𝑒𝑟𝑒𝑧𝑎 𝑎𝑐𝑒𝑝𝑡𝑎𝑑𝑎 𝑠𝑖: á𝑟𝑒𝑎𝑚𝑖𝑛 ≤ á𝑟𝑒𝑎𝑜𝑏𝑗𝑒𝑡𝑜 ≤ á𝑟𝑒𝑎𝑚𝑎𝑥 (13)
(formas). En una operación morfológica los píxeles de una
imagen se ajustan en función del valor de píxeles cercanos.
Estas operaciones pueden ser usadas en conjunto para realizar 3. Resultados
el procesamiento específico de una geometría como encontrar
el contorno, eliminar ruido, aumentar el tamaño, entre otros Para evaluar el sistema de visión artificial se utilizó cereza de
(Shih, 2010). café previamente clasificada: 41 muestras maduras (aceptadas)
Las operaciones básicas son la erosión y la dilatación. En la y 128 no maduras (rechazadas: verde, pinto y sobremaduro).
ecuación (8) se define la erosión, donde 𝑆 es el kernel de 3x3 Utilizando la herramienta “selector de color” de paint.net se
en configuración de cruz que será trasladado por cada establecieron los rangos para cada uno de los canales HSV en
subconjunto de píxeles de la imagen 𝑋. que se encuentran las cerezas de café previamente elegidas y
clasificadas por un experto en cosecha de café cereza de la
𝑌 = 𝑋 ⊖ 𝑆 = {𝓏|(𝑆)𝓏 ⊆ 𝑋} (8) región. Los umbrales de dicho conjunto de cerezas aceptadas
como maduras se pueden visualizar en la Tabla 2.
La operación morfológica de dilatación añade píxeles a los Tabla 2: Rangos de umbral por canal de HSV
límites de los objetos segmentados en una imagen, es decir, HSV Umbral Umbral
expande las geometrías. El valor del píxel de salida es el valor canales inferior superior
máximo de todos los píxeles dentro del kernel para una imagen H1 0 10
a color o en escala de grises. En el caso de las imágenes H2 160 180
binarias, si alguno de los píxeles posee el valor de 1, entonces S 0 255
la salida se establece en 1 (González & Woods, 2018). En la V 130 255
 J.A. Cruz-Morales et al. / Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205–210 209

Utilizando las operaciones de momentos (12) para calcular Tabla 4. Comparación de resultados con otros autores
el área, se calculó y estableció el rango de valores de área para Autores Método de clasificación Exactitud
el conjunto de cerezas clasificadas como aceptables, sin Montes Procesamiento de imágenes 75.7%
presentar efecto de traslape entre granos de café. Los rangos (2015)
generados se pueden apreciar en la Tabla 3. Bazame et Redes neuronales 85%
Tabla 3: Rangos de umbral por área al. (2021)
Parámetro Umbral Umbral Eustaquio Aprendizaje automático con 94%
inferior superior & Jr, aplicaciones de Matlab
Área 38,000 60,000 (2020)
Este Procesamiento de imágenes 93.49%
trabajo
Los resultados obtenidos en la clasificación se evalúan
calculando la exactitud (14) y la precisión (15); donde los datos
verdaderos positivos (𝑉𝑃 = 38) son la clasificación correcta de
muestras aceptadas; los verdaderos negativos (𝑉𝑁 = 120),
correcta clasificación de las rechazadas; falsos positivos (𝐹𝑃 = a)
8) y falsos negativos (𝐹𝑁 = 3) son datos mal clasificados.
Estos datos son evaluados en (14) y (15). En la Figura 4 se
muestra la matriz de confusión representando los porcentajes
correspondientes.

𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 = (𝑉𝑃 + 𝑉𝑁)/(𝑉𝑃 + 𝑉𝑁 + 𝐹𝑃 + 𝐹𝑁) (14)

𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 = 𝑉𝑃/(𝑉𝑃 + 𝐹𝑃) (15)

b)

Figura 4: Evaluación del rendimiento del clasificador con matriz de

confusión

El sistema de visión artificial obtuvo una exactitud de

93.49% y una precisión de 82.6% sobre las imágenes c)
segmentadas en el espacio de color HSV. Se utilizaron los
parámetros de clasificación por color y tamaño con la finalidad
de generar una evaluación en tiempo reducido, permitiendo
aumentar la velocidad de clasificación actual 2500 granos en
promedio por hora, a clasificar 3600 granos por hora con un
posible error tipo II (FP) de 6.25%.
Algunos de los trabajos homólogos al aquí presentado son:
Montes et al. (2015) quienes diseñaron un clasificacar cerezas
de café maduras en tiempo real utilizando un FPGA y el
parámetro de color. Bazame et al. (2021) que implementaron
un sistema de visión artificial para detectar y clasificar cereza
de café utilizando YOLOv3 para la clase de cereza de café Figura 5: Clasificación de cereza de café respecto a su maduración, a) Cereza
verde, b) Cereza pinta, c) Cereza madura
madura. Eustaquio & Jr, (2020) quienes desarrollaron un
sistema para la clasificación de cereza de café usando el
El trabajo propuesto presenta una confiable exactitud en la
espacio de color RGB y algoritmos de aprendizaje automático
clasificación a pesar de utilizar únicamente técnicas de
de Matlab. La Tabla 3 presenta un breve comparativo
procesamiento y análisis de imágenes. Asimismo, se desarrolló
basándose en el método de clasificación y la exactitud de los
una interfaz gráfica de usuario para el control de la
trabajos expuestos.
 J.A. Cruz-Morales et al. / Publicación Semestral Pädi Vol. 11 No. Especial 2 (2023) 205–210 210

clasificación de cereza de café. En la Figura 5 se muestra la clasificación basadas en redes neuronales o máquinas de
interfaz gráfica de usuario con 3 ejemplos en secuencia de la soporte vectorial para mejorar la exactitud y precisión del
clasificación. clasificador.
En la Figura 6 se muestra la implementación del sistema de
visión artificial para la clasificación de cereza de café.
Agradecimientos

Los autores agradecen el apoyo económico del Consejo

Nacional de Humanidades, Ciencias y Tecnologías
(CONAHCyT) otorgado a través de la beca nacional asociada
al número CVU 1092487. Así como a la Universidad
Veracruzana y al TecNM en Celaya por sus programas de
posgrado.

Referencias

Bazame, H., Molin, J., Althoff, D., & Martello, M. (2021). Detection,
classification, and mapping of coffee fruits during harvest with
computer vision. Computers and Electronics in Agriculture.
Figura 6: Sistema de visión artificial implementado Castro, W., Oblitas, J., De-La-Torre, M., Cotrina, C., Bazan, K., & Avila-
George, H. (2019). Classification of cape gooseberry fruit according
to its level of ripeness using machine learning techniques and
different color spaces. IEEE Access, 7.
4. Conclusiones y trabajo futuro Centro de estudios para el desarrollo rural sustentable y la soberanía
alimentaria. (2018). El café en México diagnóstico y perspectiva.
Eustaquio, W., & Jr, J. (2020). Classification of Immature and Mature Coffee
Se presentó un sistema de visión artificial para clasificar la Beans Using RGB Values and Machine Learning Algorithms.
cereza de café Coffea Arábica L. respecto a su grado de International Journal of Emerging Trends in Engineering Research.
maduración y tamaño, además de la construcción de un García, M., Candelo, J., & Hoyos, F. (2019). Quality and defect inspection of
green coffee beans using a computer vision system.
prototipo funcional que presenta una velocidad de clasificación González, R., & Woods, R. (2018). Digital image processing (Pearson (ed.);
de 11.880 kg/h aproximadamente. 4th ed.).
Los resultados obtenidos demuestran una exactitud superior Lal, H., & Fukai, H. (2022). Peaberry and normal coffee bean classification
using CNN, SVM, and KNN: their implementation in and the
al 93% y una precisión del 82.6%, el algoritmo desarrollado limitations of Raspberry Pi 3. AIMS Agriculture and Food.
fue verificado con una base de datos compuesta por 169 Marín, R. (2020). ¿Qué es OpenCV? Instalación en Python y ejemplos
básicos. Revista Digital INESEM.
imágenes obtenidas mediante una cámara SH003. Se destaca
https://revistadigital.inesem.es/informatica-y-tics/opencv/
la metodología de desarrollo empleada contribuyendo Mery, D. (2015). Computer vision for X-ray testing. Imaging, system, image
positivamente a un sistema portable de bajo coste. En este databases and algorithms. Springer.
Montes, N. (2015). Real-time classification of coffee fruits using FPGA. 91.
conjunto de datos de prueba, la tasa de errores tipo II, falsos http://www.bdigital.unal.edu.co/50617/
positivos, es de 6.25%, la cual es considerada suficientemente Moore, A. (2018). Python GUI Programming with Tkinter : Develop
satisfactorio para el factor de calidad promedio establecido responsive and powerful GUI applications with Tkinter. 442.
SAGARPA. (2018). Café Mexicano: planeación agrícola nacional del 2017
para la cereza de café. al 2030.
La estrategia a futuro es incorporar nuevos procesos de https://www.gob.mx/cms/uploads/attachment/file/256426/B_sico-
tratado (natural y honey), añadiendo nuevos rangos de umbral Caf_.pdf
Sandoval, Z., & Prieto, F. (2007). Caracterización de café cereza empleando
para la clasificación de la cereza de café, así como agregar técnicas de visión artificial. Revista Facultad Nacional de Agronomía
variedades de café, utilizando el criterio de expertos - Medellín, 60(2).
clasificadores para el etiquetado de frutos, desarrollando una Shih, F. (2010). Image Processing and Pattern Recognition: Fundamentals
and Techniques (IEEE (ed.)). John & Sons, Inc.
base de datos de cuáles son aceptables y cuáles no (aprendizaje Susanibar, G., Ramirez, J., Sanchez, J., Ramirez, R., & Arroyo, D. (2021).
supervisado), con la finalidad de reducir aún más el error tipo Development of an automated machine for green coffee beans
II. Se propone el uso de técnicas más sofisticadas de classification by size and defects. Journal of Advanced Agricultural
Technologies, 8.