Identification of Quality Defects in 'Hass' Avocado Fruits Using Image Processing
DOI:
https://doi.org/10.19136/era.a11nIV.4130Keywords:
Image analysis, computer vision, avocado diseases, precision agriculture, artificial intelligenceAbstract
Mexico is the main producer of 'Hass' avocado (Persea Americana Mill.) worldwide. However, small producers often present quality problems and do not meet the standards of the NMX-FF-016-2002 standard. Therefore, the objective of the research was to identify quality defects in fruits through image processing. To do this, in September 2023, fruits at physiological maturity were harvested in various orchards in the Valle de Bravo region, Mexico. The diameter, length and weight of each avocado were measured. The evaluation of quality defects was carried out by an expert and, simultaneously, photographs were taken to analyze the images using binarization and Canny algorithms to identify external physical damage and estimate the length, diameter and weight of each fruit. A t test was applied to compare the fruit size estimated by the algorithm and real data. As a result, significant differences (p < 0.01) were observed in length and diameter, therefore, an adjustment factor was applied to optimize the results of the algorithm. A multiple linear regression model was obtained (p < 0.01, r2 = 0.91) that estimates weight as a function of diameter and length. The binarization process helped identify damage from thrips, scrapes, and scab. While with the Canny method, damage from thrips and scab was identified. In conclusion, image analysis was efficient in identifying defects caused by scabs, thrips and scratches, as well as estimating fruit size.
Downloads
References
Campos-Ferreira UE, González-Camacho JM (2021) Clasificador de red neuronal convolucional para identificar enfermedades del fruto de aguacate (Persea americana Mill.) a partir de imágenes digitales. Agrociencia 55(8): 695-709.
Carroll H (2021) Lea este libro si desea tomar buenas fotografías de lugares. 1era edición. Editorial Blume. Barcelona. 128p.
Demerutis-Peña C (2010) Requerimientos de calidad y seguridad en la exportación de frutas y verduras tropicales hacia los mercados mundiales. Revista Iberoamericana de Fisiología Postcosecha 11(1): 1-7.
Dreher M, Davenport A (2013) Hass avocado composition and potential health effects. Critical Reviews in Food Science and Nutrition 53(7): 738-750. https://doi.org/10.1080/10408398.2011.556759.
FAOSTAT (2023) FAO: Cultivos y productos de ganadería. Organización de las Naciones Unidas para la Alimentación y la Agricultura. https://www.fao.org/faostat/es/#data/QCL24. Fecha de consulta: 24 de enero de 2024.
Foundation Python Software (2023) Python Docs. https://www.python.org/doc/. Fecha de consulta: 01 de marzo de 2024.
García-Martínez R, Cortés-Flores JI, López-Jiménez A, Etchevers-Barra JD, Carrillo-Salazar JA, Saucedo-Veloz C (2021) Rendimiento, calidad y comportamiento poscosecha de frutos de aguacate ‘Hass’ de huertos con diferente fertilización. Revista Mexicana de Ciencias Agrícolas 12(2): 205-218.
González-Flores L (2018) La fotografía ha muerto, ¡viva la fotografía! Textos sobre teoría fotográfica. Foto Cinema 21: 491-496.
Herrera-González J, Salazar-García S, Martínez-Flores H, Ruiz-García J (2017) Indicadores preliminares de madurez fisiológica y comportamiento poscosecha del fruto de aguacate Méndez. Revista Fitotecnia Mexicana 40(1): 55-63.
Hu C, Liu X, Pan Z, Li P (2019) Automatic detection of single ripe tomato on plant combining faster R-CNN and intuitionistic fuzzy set. IEEE Access 7: 154683-154696.
León-Bañuelos LA, González-Vázquez G (2019) Comparación de colorimetría del Arceuthobium globosum en imágenes de UAV y con iluminación LED. Coloquio de Investigación Multidisciplinaria 7(1): 529-536. https://doi.org/10.5281/zenodo.4312240.
León-Bañuelos LA, Endara-Agramont AR, Nava-Bernal EG, Gómez-Demetrio W (2023) Use of unmanned aerial vehicles for the diagnosis of parasitic plant infestation at the crown level in Pinus hartwegii. iForest-Biogeosciences and Forestry 16(5): 282-289. https://doi.org/10.3832/ifor4002-016.
Logitech (2023) Logitech. www.logitechg.com/. Fecha de consulta: 13 de febrero de 2024.
Maldonado-Zamora FI, Ramírez-Dávila JF, Rubí-Arriaga M, Antonio-Némiga X, Lara-Díaz V. (2016) Distribución espacial de trips en aguacate en Coatepec Harinas, Estado de México. Revista Mexicana de Ciencias Agrícolas, 7(4): 845-856. https://doi.org/10.29312/remexca.v7i4.259.
Miller J (2020) Avocado: A global history. Editorial Reaktion Books. España. 136p.
Montoya-Holguin C, Cortés-Osorio JA, Chaves-Osorio A (2014) Sistema automático de reconocimiento de frutas basado en visión por computador. Ingenieare 22(4): 504-516. http://dx.doi.org/10.4067/S0718-33052014000400006
Niño-Rondón CV, Castellano-Carvajal DA, Castro-Casadiego Sergio A, Medina-Delgado B, Guevara-Ibarra D (2022) An approach to edge detection in medical imaging through histogram analysis and morphological gradient. Ingeniería y Competitividad 24(2): 1-18. https://doi.org/10.25100/iyc.v24i2.11352
Nolasco-González Y, Osuna-García J (2017) Calidad poscosecha de mango ‘Kent’ con fertilización normal y alta. Revista Mexicana de Ciencia Agrícolas 19: 4009-4022. https://doi.org/10.29312/remexca.v0i19.669.
OpenCV (2024) Introduction to OpenCV. https://docs.opencv.org/4.x/da/df6/tutorial_py_table_of_contents_setup.html. Fecha de consulta: 08 de febrero de 2024.
Pérez-Álvarez S, Ávila Quezada G, Coto Arbelo O (2015) El aguacatero (Persea americana Mill). Cultivos Tropicales 36(2): 111-123.
Portillo-Mendoza PM, Ponce-Alvino JP (2022) Clasificación óptima de los frutos de café por su madurez mediante algoritmo de control. Alfa Revista de Investigación en Ciencias Agronómicas y Veterinaria 6(18): 441-452.
R Core Team (2020) The R Project for Statistical Computing. R Foundation for Statistical computing, Vienna,Austria. https://www.r-project.org/. Fecha de consulta: 19 de enero de 2024.
Salazar-López NJ, Domínguez-Avila JA, Yahia EM, Belmonte-Herrera BH, Wall-Medrano A, Montalvo-González E, González-Aguilar GA (2020) Avocado fruit and by-products as potential sources of bioactive compounds. Food Research International 138: 109774. https://doi.org/10.1016/j.foodres.2020.109774.
Sánchez-Turcios RA (2015) T-Student. Usos y abusos. Revista Mexicana de Cardiología 26(1): 56-61.
Sangerman-Jarquín DM, Larqué-Saavedra BS, Omaña-Silvestre JM, Shwenstesius-de-Rinderman R, Navarro-Bravo A (2014) Tipología del productor de aguacate en el Estado de México. Revista Mexicana de Ciencias Agrícolas 5(6): 1081-1095. https://www.redalyc.org/pdf/2631/263131532014.pdf
SE (2016) Productos alimenticios no industrializados para uso humano-fruta fresca–Aguacate (Persea americana Mill.). Secretaría de Economía. Diario Oficial de la Federación. https://dof.gob.mx/nota_detalle.php?codigo=5445368&fecha=21/07/2016#gsc.tab=0. Fecha de consulta: 20 de febrero de 2024
SIAP (2023) Anuario estadístico de la producción agrícola. https://nube.siap.gob.mx/cierreagricola/. Fecha de consulta: 18 de marzo de 2024
Sigdel M, Sigdel MS, Dinç İ, Dinç S, Pusey ML, Aygün RS (2015) Automatic classification of protein crystal images. Emerging Trends in Image Processing, Computer Vision and Pattern Recognition. Morgan Kaufmann. pp. 421-432.
Sindhu C, Sasmitha S, Tamilmani P, Udaysriram C, Gowri, VV (2021) Rice grain type and grading of rice grains using image processing. International Journal of Research in Engineering, Science and Management 4(7): 332-334.
Tapia-Rodríguez A, Ramírez-Dávila JF, Salgado-Siclán ML., Castañeda-Vildózola Á, Maldonado-Zamora FI, Lara-Díaz AV (2020) Distribución espacial de antracnosis (Colletotrichum gloeosporioides Penz) en aguacate en el Estado de México, México. Revista Argentina de Microbiología 52(1): 72-81.
Trinidad-Ángel E, Ascencio-Valle FD, Ulloa JA, Ramírez-Ramírez JC, Ragazzp-Sánchez JA, Calderón-Santoyo M, Bautista-Rosales PU (2017) Identificación y caracterización de Colletotrichum spp. causante de antracnosis en aguacate de Nayarit, México. Revista Mexicana de Ciencias Agrícolas 19: 3953-3964. https://doi.org/10.29312/remexca.v0i19.664
Villalva-Morales A, Damián-Nava A, González-Hernández VA, Talavera-Mendoza O, Hernández-Castro E, Palemón-Alberto F, Díaz-Villaseñor G, Sotelo-Nava H (2015) Nutrición química y orgánica en aguacate Hass en Filo de Caballos, Guerrero, México. Revista Mexicana de Ciencias Agrícolas 6(11spe): 2169-2176. https://dx.doi.org/10.29312/remexca.v0i11.794
Xiao F, Haibin R, Xu Y, Zhang RQ (2023) Detección y reconocimiento de frutas basado en aprendizaje profundo para la cosecha automática: descripción general y revisión. Agronomy 13(6): 1625. https://doi.org/10.3390/agronomy13061625
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Ecosistemas y Recursos Agropecuarios
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Aviso de copyright
Los autores que se envían a esta revista aceptan los siguientes términos:
una. Los autores conservan los derechos de autor y garantizan a la revista el derecho a ser la primera publicación del trabajo con una licencia de atribución de Creative Commons que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
B. Los autores pueden establecer acuerdos complementarios separados para la distribución no exclusiva de la versión del trabajo publicado en la revista (por ejemplo, en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
C. Se permite y se anima a los autores a difundir su trabajo electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede conducir a intercambios productivos, así como a una cita más temprana y más extensa del trabajo publicado. (Consulte El efecto del acceso abierto).
