Skip to content

Latest commit

 

History

History
239 lines (162 loc) · 15.3 KB

README.md

File metadata and controls

239 lines (162 loc) · 15.3 KB
Raw

Clasificación automática de naranjas por tamaño y por defectos utilizando técnicas de visión por computadora (ORGANIZANDO REPOSITORIO AÚN FALTA)

SOFTWARE_PRESENTATION_01

SOFTWARE_PRESENTATION_02

Resumen

Título: Clasificación automática de naranjas por tamaño y por defectos utilizando técnicas de visión por computadora.

Autor: Juan Carlos Miranda

Año: 2018

En este trabajo, se propone una metodología automática y reproducible utilizando técnicas de visión por computadora para clasificación de naranjas por tamaño y por defectos. Los pasos propuestos para clasificación por tamaño fueron: adquisición de imágenes, calibración, procesamiento y segmentación de imágenes, extracción de características y clasificación. Se aplicaron 2 técnicas de procesamiento y segmentación de imágenes para separar la fruta. Para clasificación se evaluaron 2 modos: clasificación según umbral, clasificación con aplicación de aprendizaje automático. El método de segmentación 2, basado en umbrales en el espacio CIELAB, demostró ser el mejor y se vió menos afectado por los cambios de iluminación en una comparativa visual. La mejor combinación de procesos ensamblados para clasificación fue la que incluyó: el método de segmentación 2, medición del eje menor a partir de 4 imágenes y clasificación con el algoritmo SVM. Los pasos propuestos para detección de defectos fueron: marcación y creación de banco de imágenes, generación de datos para aprendizaje, evaluación de frutas con el algoritmo KNN. La segmentación de defectos consistió en la implementación de 3 variantes combinadas con operaciones de morfología binaria y suavizado. Las regiones fueron sometidas a un proceso de verificación automática contra lo marcado por un experto. La variante 2 basada en el filtro Prewitt demostró una exactitud de 96%. Para clasificación de defectos se utilizaron características geométricas y de color en conjunto con el algoritmo KNN.

Palabras claves: Visión por computadora, Procesamiento de imágenes, Segmentación, Extracción de características, Clasificación, Aprendizaje automático.

Tesis presentada a la Facultad Politécnica, Universidad Nacional de Asunción, como requisito para la obtención del Grado de Máster en Ciencias de la Computación. Beca CONACYT BECA08-25 (https://www.conacyt.gov.py/view-inventario-de-tesis?keys=beca08-25). Apoyo financiero de CONACYT-Paraguay, bajo el programa 14-POS-008

Abstract

Title: Automatic grading of oranges by size and by defects using computer vision techniques.

Author: Juan Carlos Miranda

Year: 2018

In this work, an automatic and reproducible methodology is proposed using computer vision techniques for sorting oranges by size and defects. The proposed steps for size classification were: image acquisition, calibration, image processing and segmentation, feature extraction and classification. Two image processing and segmentation techniques were applied to separate the fruit. For classification, 2 modes were evaluated: classification according to threshold, classification with automatic learning application. Segmentation method 2, based on thresholds in the CIELAB space, proved to be the best and was less affected by lighting changes in a visual comparison. The best combination of processes assembled for classification was the one that included: segmentation method 2, measurement of the minor axis from 4 images and classification with the SVM algorithm. The proposed steps for defect detection were: marking and creation of an image bank, generation of data for learning, fruit evaluation with the KNN algorithm. The defect segmentation consisted of the implementation of 3 variants combined with binary morphology and smoothing operations. The regions were subjected to an automatic verification process against the marks of an expert. Variant 2 based on the Prewitt filter showed an accuracy of 96 percent. For defect classification, geometric and color characteristics were used in conjunction with the KNN algorithm.

Keywords: Computer vision, Image processing, Segmentation, Classification, Machine learning.

Schollarship CONACYT BECA08-25 (https://www.conacyt.gov.py/view-inventario-de-tesis?keys=beca08-25). Financial support from CONACYT-Paraguay, under program # 14-POS-008

Contenidos (TO COMPLETE REVIEW THIS AFTER INSTALL)

  1. Requisitos para ejecución.
  2. Functionalidades.
  3. Instalar y ejecutar.
  4. Descripción de archivos y directorios.

1. Requisitos iniciales

  • MATLAB R2021a. Last test under MATLAB R2024a
  • Toolbox: Image processing, Computer Vision System, Statistics and Machine Learning, Dataset.

2. Funcionalidades

The functionalities of the software are briefly described. Supplementary material can be found in USER's Manual.

  • [Dataset creation] This option creates a hierarchy of metadata. This hierarchy contains sub-folders that will be used to store the extracted data.
  • [ xxx] xxx.

3. Instalar y ejecutar

3.1. Configuración inicial

  1. Seleccionar el directorio inicial según sus sistema operativo.

/home/user/development/  # Linux

C:\Users\User\development\ # Windows

Clonar el repositorio.

git clone https://github.com/juancarlosmiranda/orange_classification.git

La ruta al directorio del proyecto quedaría algo así:


/home/user/development/orange_classification/ # Linux

C:\Users\User\development\orange_classification\ # Windows
  1. Descargar del DATASET con imágenes tomadas en laboratorio y marcaciones manuales realizadas por el experto. Copiar el diretorio en ./orange_classification/DATASET/ 
|__/orange_classification/
   |__/OrangeResults/
   |   |__/byDefects/...
   |   |__/bySize/...
   |
   |__/DATASET/
   |      |__/inputToLearn/ -> RGB images
   |      |__/inputMarked/ -> RGB images with masks
  1. Ejecutar el script ./orange_classification/MainSettings.m el cual crea directorios que almacenarán resultados temporales en cada módulo.

3.2. Clasificación por defectos

  1. Ejecutar ./orange_classificationbyDefects/SetCreator/PSMet2/MainSetCreator.m para generar directorios de archivos con imágenes de entrenamiento y prueba (/PREPROCESSED_DATASET/).
|__/orange_classification/
   |__/OrangeResults/
   |   |__/byDefects/...
   |   |__/bySize/...
   |
   |__/DATASET/
   |      |__/inputToLearn/ -> RGB images
   |      |__/inputMarked/ -> RGB images with masks
   |
   |__/PREPROCESSED_DATASET/
          |__/inputTest -> folder with images for tests
          |__/inputTraining -> folder with images for training.
  1. Ejecutar ./orange_classification/byDefects/SegMarkExp/PSMet2/MainSegMarkExp.m con el fin de extraer las regiones de interés candidatas en imágenes.
  2. Ejecutar ./orange_classification/OrangeResults/byDefects/PSMet2/SegMarkExpExtraction/MainSegMarkExpExtraction.m. Este script genera archivos con características geométricas y de color (valores numéricos) para defectos y calyx en frutas. Los valores numéricos son utilizados para obtener datos de: color, textura y geometria de los defectos y calyx. El archivo generado BDDEFECTOSCALYX.csv se utilizará para entrenar un clasificador (KNN y SVM).
  3. Copiar el archivo ./orange_classification/OrangeResults/byDefects/PSMet2/SegMarkExpExtraction/output/BDDEFECTOSCALYX.csv a ./orange_classification/OrangeResults/byDefects/PSMet2/FruitEvaluation/conf.
  4. Ejecutar ./orange_classification/byDefects/PSMet2/FruitEvaluation/MainDefTraining4R.m para entrenar un clasificador. Genera un archivo denominado MY_TRAINED_MODEL.mat con datos sobre el modelo entrenado.
  5. Ejecutar ./orange_classification/byDefects/PSMet2/FruitEvaluation/MainDefDetectONLINE4r.m para clasificar las frutas del directorio y visualizar detecciones soreb imágenes disponibles en ./orange_classification/PREPROCESSED_DATASET/inputTest. Este módulo utiliza el archivo MY_TRAINED_MODEL.mat generado previamente con ./orange_classification/byDefects/PSMet2/FruitEvaluation/MainDefTraining4R.m.

3.3. Evaluación de métodos propuestos para clasificación por defectos

Los scripts citados aquí comparan los métodos propuestos con las marcaciones realizadas por un experto.

  1. Ejecutar ./orange_classification/byDefects/SetCreator/PSMet2/MainSetCreator.m para extraer generar las carpetas con imágenes para entrenamiento y prueba ./orange_classification/PREPROCESSED_DATASET/inputTest y ./orange_classification/PREPROCESSED_DATASET/inputTraining/.
  2. Ejecutar ./orange_classification/byDefects/SegMarkExp/PSMet2/MainSegMarkExp.m para extraer numéricas de las regiones de interés y generar un archivo para entrenar un clasificador (KNN y SVM).
  3. Copiar el contenido de ./orange_classification/OrangeResults/byDefects/PSMet2/SegMarkExp/tmpToLearn/ a ./orange_classification/OrangeResults/byDefects/PSMet2/CompareROI/tmpToLearn/MARKED/.
  4. Ejecutar extraer característics para los distintos métodos MainDefSDMet1.m, MainDefSDMet2.m y MainDefSDMet3.m en ./orange_classification/OrangeResults/byDefects/PSMet2/CompareROI/SDMet123/.
  5. Ejecutar las diferentes comparaciones MainMet4RSDMet1.m, MainMet4RSDMet2.m y MainMet4RSDMet3.m en ./orange_classification/OrangeResults/byDefects/PSMet2/CompareROI/CompareSegmentation.

3.3. Clasificación según tamaño de fruta (TODO)

  1. Ejecutar ./orange_classification/bySize/Calibration4R/MainCalibration4R.m para calibrar obtener las equivalencias pixel a milímetros.

3.4. Evaluación de métodos propuestos para clasificación según tamaño de fruta (TODO)

Completar.

4 Descripción de archivos y directorios (TODO)

*** TODO: Es necesario colocar la secuencia para el uso de los archivos. Esto es un montón de scripts sin una secuencia de pasos. ***

Files and modules:

Files Description OS
/byDefects/PSMet2/SetCreator/MainSetCreator.m Creador de conjuntos de entrenamiento y pruebas. Se encarga de crear un conjunto de entrenamiento y pruebas al azar. Crea un listado inicial de imágenes a partir de un directorio de muestras, las cuales cuentan con su correspondencia de marcación por el experto. --
/byDefects/PSMet2/CompareROI/CompareSegmentation/MainMet4RSDMet1.m Genera imagenes de regiones previamente marcadas a MANO. Es un proceso previo a la extraccion automatizada de caracteristicas. Se asume que un experto marcó las frutas a mano con colores. Como salida se producen imágenes. --
/byDefects/PSMet2/SegMarkExpExtraction/MainSegMarkExpExtraction.m Genera archivos con características de defectos y calyx, los cuales son utilizados para obtener datos de: color, textura y geometria de defectos y calyx. REQUIRE DE UN PROCESO PREVIO, que genera imagnes de defectos en colores y sus siluetas. Cada imagen en un directorio base, cuenta con sub imágenes de regiones e imágenes de siluetas. Ejemplo: 001.jpg es la imagen principal, existen imágenes de las regiones R1..R4 para lo defectos y a su vez exiten imágenes específicas para sus siluetas de defectos. La función asume que hubo un procesamiento previo, en el cual se generaron imágenes desde las marcas en colores dibujadas por e experto. --
/byDefects/PSMet2/CompareROI/CompareSegmentation/MainMet4RSDMet1.m, /byDefects/PSMet2/CompareROI/CompareSegmentation/MainMet4RSDMet2.m, /byDefects/PSMet2/CompareROI/CompareSegmentation/MainMet4RSDMet3.m Genera imagenes de regiones previamente marcadas a MANO. Es un proceso previo a la extraccion automatizada de caracteristicas. Se asume que un experto marco las frutas a mano con colores. Como salida se producen imágenes. --
. . --
/byDefects/PSMet2/FruitEvaluation/ Se generan datos obtenidos luego de aplicar un método de segmentación y un clasificador de defectos previamente entrenado. Al final se obtiene un listado con las clasificaciones de lo detectado. --
. . --
. . --
. . --
. . --

** byDefects/ **

Folders Description
byDefects/SetCreator/ 1) OK
byDefects/SegMarkExp/ 2).
byDefects/SegMarkExpExtraction/ 3).
byDefects/CompareROI/ .
byDefects/FruitEvaluation/ .
byDefects/DefectsSegmentation/ .
. .
. .

** bySize/ **

Folders Description
bySize/Calibration4R/ .
bySize/clasSize2ML/ .
bySize/clasSize24R/ .
bySize/clasSizeUM/ .
bySize/conf/ .
bySize/Training24R/ .
. .
. .

Descripción de directorios:

Folders Description
orange_classification/ Source code
docs/ Documentation
. .

5. Autoría

Por favor, póngase en contacto con el autor para informar errores https://www.linkedin.com/in/juan-carlos-miranda-py/

6. Citación

Si encuentra útil este código, considere citar:

@article{miranda2018clasificacion,
  title={Clasificaci{\'o}n autom{\'a}tica de naranjas por tama{\~n}o y por defectos utilizando t{\'e}cnicas de visi{\'o}n por computadora},
  journal={Universidad Nacional de Asunci{\'o}n, San Lorenzo},
  year={2018},    
  doi = {http://dx.doi.org/10.13140/RG.2.2.15456.35845},
  url = {https://www.researchgate.net/publication/326551993_CLASIFICACION_AUTOMATICA_DE_NARANJAS_POR_TAMANO_Y_POR_DEFECTOS_UTILIZANDO_TECNICAS_DE_VISION_POR_COMPUTADORA},
  author={Miranda, Juan Carlos and Legal-Ayala, H},
  keywords = {computer vision, image processing, segmentation, classification, machine learning},
  abstract = {...}
}

7. Agradecimientos

Este trabajo es resultado de la beca CONACYT BECA08-25 concedida por Consejo Nacional de Ciencia y Tecnología (CONACYT).