Академический Документы
Профессиональный Документы
Культура Документы
ScienceDirect
Trabajo de investigación
a b a
Nayeli Vélez Rivera , Juan Gómez-Sanchis , Jorge Chanona-Pérez ,
b b,c d
Juan José Carrasco , Mónica Millán-Giraldo , Delia Lorente ,
d d,
Sergio Cubero , Jose' Blasco *
aInstituto Nacional Politécnico - Escuela Nacional de Ciencias Biolo'gicas, Departamento de Ingenierı'a Bioquıímica, Av. Plan
de Ayala y Carpio s / n, Col. Santo Toma's, CP 11340, México, DF, México
b Universidad de Valencia - Laboratorio de Análisis Inteligente de Datos, Av. Universitat S / N, 46100,
Burjassot, Valencia, España
c Universidad Jaume I - Instituto de Nuevas Tecnologías de la Imagen, Av. Sos Baynat S / N, 12071,
Castelló de la Plana, España
d Centro de Agroingenierı'a, Instituto Valenciano de Investigaciones Agrarias (IVIA), Ctra. 5 km Moncada-Na'quera,
46113, Moncada, Valencia, España
2.2. Sistema de imagen la imagen monocroma adquirida por el hiperespectral sistema de visión
que corresponde a la referencia de blanco, R oscuro(L) es una imagen
El sistema de visión hiperespectral utilizado para adquirir las imágenes
oscura adquirido por el sistema en ausencia de iluminación y Rxy(L) es la
consistía en una cámara monocromática (CoolSNAP ES, Photomet-
imagen sin corregir adquirida por el sistema.
RICS, EE.UU.) configurado para adquirir imágenes con un tamaño de
551 x 551 píxeles y una resolución de 0,27 mm / pixel. La cámara estaba
acoplado a un filtro de cristal líquido sintonizable (LCTF) (Varispec El fondo fue posteriormente segmentado utilizando la imagen
NIR07, Cambridge Research e Instrumentación, Inc., EE.UU.). Las capturado a 700 nm debido a la alta contraste entre la fruta y el fondo, lo
imágenes fueron adquiridas en el rango entre 650 nm y 1080 nm con una que hace que sea fácil de separar los dos regiones usando cualquier umbral
resolución de 10 nm. La escena se ilumina por luz indirecta a partir de por encima de un valor de 50. Figura 2 muestra el (rojo, verde, azul)
doce lámparas halógenas (20 W) dispuestos equidistantes entre sí dentro imagen RGB de un mango a lo largo de con las imágenes monocromáticas
de un aluminio semiesférica difusor a fin de proporcionar uniformidad en algunos ejemplos de longitudes de onda.
espacial. La superficie interior de la cúpula fue pintada de blanco con
una textura áspera para maximizar su reflectividad y para iluminar la
escena indirectamente por medio de reflexión, que mejor se adapte a la 2.3. Conjunto de datos etiquetados
forma de los objetos curvos como mangos. Figura 1 muestra el esquema
del sistema de imagen. Una aplicación específica programada para seleccionar manualmente y
tienda de regiones de interés (ROI) en imágenes hiperespectrales fue
Las lámparas se conectan durante 25 min antes de cada imagen utilizados para seleccionar sonido y dañadas áreas de la capturado
adquisición para permitir que la radiación emitida por las lámparas a imágenes. Por cada día de la adquisición de imágenes, un total de 44
estabilizar. Las imágenes fueron adquiridas mediante la colocación de la espectrales características se almacenan para cada píxel en las regiones de
fruta en el interior la cámara de inspección manualmente con el área interés que estaban seleccionado, estos correspondiente al valor del píxel
dañada frente a la cámara. Este sistema capturó un cubo hiperespectral en cada longitud de onda. Además, la clase pertenece el píxel fue también
compuesta de 44 imágenes monocromas para cada fruta, que da un total almacenado como una variable de clasificación. Un total de 29.400
de 440 imágenes en blanco y negro, cada imagen contieneel sonido y las píxeles eran seleccionada de entre el conjunto de las imágenes capturadas
áreas dañadas. Las lámparas halógenas ofrecen un alto grado de cada día, los datos conjuntos que se dividen en un conjunto de
direccionalidad, produciendo variaciones espaciales en el intensidad en entrenamiento (50%) y un conjunto de prueba (50%). El gran número de
el plano de la escena que fueron corregidos por pre- el procesamiento de píxeles en la prueba fue elegido con el fin para evaluar la capacidad de
las imágenes antes de obtener el conjunto de datos etiquetados. Por otra generalización de la estadística modelos. figura 3 muestra la reflectancia
parte, la reflectancia que se mide puede ser alterado por la diferente promedio para el sonido y muestras dañadas en el conjunto de datos
sensibilidad espectral de los elementos en el sistema hiperespectral. Para etiquetados.
evitar esto, se llevó a una corrección en las imágenes utilizando una
referencia de blanco con una reflectancia valor de 99% (CSRT-99-050, 2.4. Métodos de selección de características
Labsphere Inc, EE.UU.), de acuerdo con la Ecuación (1) (Gómez-
Sanchis et al., 2008).
Figura 2 - Ejemplo de RGB y las imágenes monocromáticas de una muestra mango capturado en ciertas longitudes de onda.
(Breiman, Friedman, Piedra, y Olshen, 1984), Ganancia de información usando el conjunto de datos de imágenes correspondientes al tercer día
(IG) (Guyon y Elisseeff de 2006), Mínimo de redundancia máxima después de producir el daño, ya que los resultados óptimos se ob-
relevancia (Mrmr) (Peng, largo, y Ding, 2005), ReliefF (Kira y Rendell, CONTENIDAS este día el uso de todas las bandas, como se explica en la
1992), Secuencial Selección hacia adelante (SFS) (Kohavi y John, 1997), sección de resultados.
Escaso de regresión logística (SLR) (Cawley, Talbot, y Girolami, 2007),
Paso a paso (Draper y Smith, 1998), y Estudiantes de T-test (Larsen y
Marx, 2005). tabla 1 resume los métodos de selección de características,
que muestra las principales propiedades de cada uno de ellos. Tabla 1 - Resumen de los métodos de selección de función utilizado
para decidir las longitudes de onda más discriminantes.
Para determinar el mejor conjunto de bandas para detectar las áreas Método principales propiedades
dañadas, se considera un método basado en un comité de expertos (CE). CFS Filas cuentan con las variables, dando mayor relevancia a
La CE combina la selección de cada método individual para proporcionar aquellos altamente correlacionado con la clase correspondiente
un conjunto único de bandas. Los primeros seis bandas clasificados dadas mientras correlacionado con los demás
ChiS Estima el nivel de asociación entre la
por cada técnica se consideraron como potencialmente elegibles, pero sólo
clase respectiva y cada entidad de entrada con el fin de
aquellos que fueron seleccionados por al menos tres de las técnicas fueron clasificar todas las características en función de su relevancia
finalmente elegidos. Este proceso se llevó a cabo Pescador Da el coeficiente de correlación entre la
características y selecciona las mejores características-n
Puntuación clasificados con
las puntuaciones más grandes
GIA Calcula la impureza de características de acuerdo con la
categorización de los casos mediante la medición de la frecuencia
un ejemplo elegido al azar está mal clasificado
YO G Mide el valor de la función en relación con el
clase
mrmr Selecciona aquellos rasgos de mayor relevancia para
la clase de destino y que también son máximamente
diferente al resto de las clases
ReliefF Ocupa características en función de su relevancia teniendo
en cuenta cómo sus valores se pueden distinguir
entre instancias de los mismos y diferentes clases
que están cerca uno del otro
SFS Selecciona un subconjunto de características del conjunto original
a partir de un conjunto vacío, y la adición de características con
el objetivo de maximizar la predicción cuando están
combinado con los anteriores
SLR La función de probabilidad logarítmica negativa del binomio
distribución se reduce al mínimo para obtener el máximo
La estimación de probabilidad. Una restricción se utiliza para
reducir
el modelo de regresión logística
Fig. 3 - reflectancia promediados para todo el espectro de las muestras de paso a paso método iterativo en el que se evalúan todas las características
sonido y dañadas del conjunto de datos con la etiqueta: reflectancia de la para cada iteración con el fin de añadir secuencialmente el
zona dañada está representado por el símbolo ◊, La reflectancia de la más uno correspondiente al modelo
zona de sonido está representado por símbolo ○ estudiante de Evalúa la importancia variable y determina la
T-test probabilidad de que dos clases de ser en relación con el
característica analizada
INGENIERÍA DE SISTEMAS 122 (2014) 91 - 98 95
Tabla 2 - Ranking de longitudes de onda seleccionadas de acuerdo con cada método de selección de características.
métodos de selección de
características banda 1 Band 2 Band 3 banda 4 banda 5 banda 6
CFS 710 720 730 740 1070 1080
ChiS 720 730 740 710 780 700
Pescador 730 720 740 780 710 770
GIA 720 730 710 740 700 780
YO G 720 730 740 710 780 700
mrmr 730 740 1050 1040 1060 1030
RelifF 1080 760 650 900 1070 660
T-test 1080 890 900 1070 1060 980
paso a paso 710 700 750 720 670 730
SLR 890 700 980 930 900 750
SFS 730 750 780 820 930 890
2.5. Clasificadores (de izquierda a derecha). Se puede observar que todos los métodos
proporcionan conjuntos de bandas similares, excepto Mrmr, RelifF y T-
Para segmento de las imágenes, se ensayaron cinco métodos de test, que contribuyen con las bandas superior del espectro estudiado.
clasificación para determinar cuál ofrece los mejores resultados. Ellos se Aunque el partido entre las bandas proporcionados por diferentes métodos
utilizaron para clasificar los píxeles como pertenecientes al sonido o áreas de selección de características no es completa, hay ciertas áreas del
dañadas. En primer lugar, se utilizaron en todo el cubo hiper-espectral, espectro en la que se puede detectar una acumulación apreciable de
empleando todas las bandas espectrales adquiridos por el sistema. Luego, bandas.
se aplicaron usando sólo los seis longitudes de onda más importantes
seleccionados en el paso anterior como entrada. Por lo tanto, además de Figura 4 espectáculos la representación de la frecuencia (histo-gramo)
obtener la mejor combinación de métodos para seleccionar funciones y en la que cada longitud de onda se selecciona por los distintos métodos
clasificar la fruta, la perfor-mance de las longitudes de onda seleccionadas empleados, de conformidad con tabla 1. Los once bandas que han sido
también puede ser evaluada. Los clasificadores estudiadas fueron análisis seleccionados por tres o más métodos, que son los que se han incluido en
lineal discriminante (LDA) y K-vecinos más cercanos (k-NN), que son el método de selección de características CE, se muestran en barras
dos clasificadores ampliamente utilizados en visión artificial y sólidas. En esta figura se puede observar que hay un intervalo principal de
aplicaciones de visión por ordenador hiperespectrales (McLachlan, 2004; bandas (700 nm-780 nm) y otros dos intervalos menores (890 nmmi900
Pólder, van der Heijden, nm y 1070 nm-1080 nm). La mayoría de las longitudes de onda se
seleccionan en la primera gama, que coincide con la observada enFigura
& Young, 2002); Naïve Bayes (NBC), que fue elegido como una enfoque 2, Donde se observa una gran diferencia entre los espectros de las áreas de
sonido y dañado alrededor de la gama entre 700 nm y 800 nm.
probabilístico basado en el teorema de Bayes (Becker, Kohavi, y
Sommerfield 2001); y árboles de decisión (DT) y Extreme Machine
Learning (ELM), debido a que estos clasificadores recientemente se han 3.2. Clasificación de píxeles
utilizado con buenos resultados para detectar las primeras etapas de las
lesiones de desintegración en los cítricos utilizando imágenes Tabla 3 informes la precisión obtenida por los modelos evaluó para cada
hiperespectrales (Lorente, Aleixos, Gómez-Sanchis, Cubero, y Blasco día de almacenamiento en términos de tasas de éxito
(2013) y Lorente, Blasco, et al. (2012)). En el caso de k-NN, la k valor se
optimizó y automáticamente calcula de acuerdo con el error de dejar uno
fuera en el conjunto de entrenamiento, lo que dio k = 5. Para el algoritmo
ELM, que es un algoritmo de aprendizaje optimizado para el Feedforward
de red (SLFN) (de una sola capa(Huang, Zhu, y Siew, 2006), Se evaluó el
número de nodos ocultos sigmoideas de 10 a 150 en pasos de 10 nodos y
la mejor estructura se obtuvo cuando este tenía 100 nodos ocultos.
3. Resultados y discusión
el único método que funciona bien desde el primer día. Los resultados que
Tabla 3 - La exactitud obtenida por los modelos de clasificación
se han obtenido utilizando todas las bandas adquiridas por el sistema de
utilizando todo el espectro adquirido.
visión artificial hiperespectral y solamente los elegidos por el método de
Exactitud (%) k-NN NBC OLMO DT LDA
la CE. Con el éxito promedio de 97,9% y 91,4%, respectivamente, el
Día 1 94.87 67.46 84.63 89.27 89.76 segundo enfoque proporciona más pobres resultados que cuando se utiliza
Dia 2 95.03 67,54 84.75 89.12 90.59 toda la gama adquirida, lo cual es lógico ya que las bandas que no son
Día 3 97.95 68.22 90.96 91.92 95.54
considerados todavía puede contener información que es independiente,
Día 4 98.03 71.03 94.91 95.00 95.99
Dia 5 98.04 74,91 97.12 96.03 98.00
aunque no es muy relevante. Por esta razón, se necesita más esfuerzo para
día 6 98.13 75.60 97.08 96.20 98.02 mejorar los resultados durante el uso de incluso menos bandas con el fin
día 7 98.08 75.65 97.13 96.23 98.01 de crear un sistema que se puede utilizar con eficacia por la industria. Por
lo tanto, el presente estudio contribuye a una mejor selección de 'Manila'
de frutas variedad de mango, permitiendo la detección temprana de daños
mediante un sistema inteligente, que es especialmente importante para el
mercado de exportación.Figura 5 muestra la imagen segmentada en
Tabla 4 - Matriz de confusión de validación de datos proporcionado
por k-NN clasificador NN usando todas las bandas capturados y el comparación a la imagen de la mango obtenida a 900 nm en Figura 2. La
uso sólo las bandas elegidas por la selección de características CE mayoría de los errores corresponden a los píxeles aislados que podría ser
corregido usando un filtro de mediana. Por otro lado, algunos errores se
método.
encuentran en las fronteras de la fruta debido a la curvatura de la
Predicción/ todas las bandas bandas de la CE
Realidad superficie de los mangos. Estos probablemente se podrían resolver
Dañar Sin daños Dañar Sin daños mediante la eliminación de las fronteras de los mangos antes de aplicar el
(%) (%) (%) (%)
clasificador, es decir, al no considerar las fronteras en el problema.
Dañar 97.72 2.28 91.14 8.86
Sin daños 1.82 98.18 8.43 91.57
Estos resultados pueden considerarse aceptable, ya que no actualmente
sistemas disponibles son capaces de detectar este daño. Por lo tanto, este
clasificar los píxeles de los mangos en las dos clases predefinidas cuando trabajo sienta las bases para la futura implementación de un sistema
se consideraron todas las bandas espectrales. El Accu-picante de los automático capaz de detectar el daño temprano causado por el estrés
modelos se ve a aumentar con el tiempo, lo cual es lógico ya que el daño mecánico. Además, estos resultados son consistentes con otros trabajos
evoluciona. Sin embargo, desde el primer día, k-NN logra una precisión recientes llevados a cabo usando esta tecnología para la detección de
de 94,9%, lo que da una idea del potencial de esta técnica para detectar daños en otras frutas. Por ejemplo,Nagata, Tallada, y Kobayashi (2006)
este daño. Mientras que el mejor resultado se obtiene precisión con k-NN, identificado hasta cinco longitudes de onda para detectar daños en la fresa
el clasificador Naïve Bayes proporcionado resultados inesperadamente en 87% de los casos utilizando análisis discriminante lineal paso a paso,
pobres, lo que podría explicarse parcialmente por el hecho de que este mientras Liu, Chen, Wang, Chan y Kim (2006) adquirido una tasa de éxito
método se basa en la suposición de que, dentro de cada clase, los distribui- de 90% en la detección de daños en los pepinos. Qin, Burks, Zhao,
ciones de probabilidad para atributos son independientes entre sí. Sin Niphadkar y Ritenour (2011) alcanzado las tasas de éxito de 95% en la
embargo, esto no es realista ya que las correlaciones entre las detección de cancro de los cítricos y Huang, Chen, Li, y Zhang (2013)
características pueden suceder y esto puede degradar la precisión del adquirido tasas de éxito de 96% en la detección de daños mecánicos en
clasificador bayesiano ingenuo (Langley y Sage, 1994). manzanas en ambos casos mediante la selección de dos longitudes de
onda utilizando PCA. En cualquier caso, los daños causados por impactos
Como se muestra en Tabla 3, Todos los modelos de clasificación y la capacidad de detección no destructiva sys-TEMS depende del estado
excepto NBC lograron un relativamente buen nivel de precisión desde el de madurez de la fruta o los umbrales de la energía de impacto, según lo
primer día, k-NN que ofrece el mejor rendimiento, que se convierte en declarado por Kitthawee, Pathaveerat, Srirungruang y Masacre (2011) en
estable desde el día 3 (97,95%) en adelante. Por otra parte, la precisión un estudio para correlacionar ocurrencia contusión con un impacto o
clasificación de este modelo no aumentó significativamente después de compresión de los cocos aún verdes. Sin embargo, en estas obras, se
este día. Por lo tanto, puesto que un objetivo de este estudio era detectar el detectó el daño después de que se hizo claramente visible, mientras que en
daño tan pronto como sea posible, la función de selección se llevó a cabo nuestro caso, el daño no era visible en el momento de los experimentos.
utilizando los datos obtenidos en el tercer día de los experimentos.Tabla 4 Sin embargo, para extender
muestra los resultados de la clasificación obtenidos usando k-NN en el
tercer día de los experimentos, ya que este es
la utilidad del sistema propuesto, es necesario llevar a cabo más estudios Breiman, L., Friedman, J., Piedra, CJ, y Olshen, RA (1984). Clasificación y
con la fruta en diferentes etapas de temperaturas de maduración y regresión árboles. Boca Ratón (EE.UU.): Chapman Salón / CRC.
almacenamiento.
Cawley, GC, Talbot, NLC, y Girolami, M. (2007). Escaso regresión logística
multinomial través Bayesiano L1 regularización. Los avances en
Neuronales Sistemas de Procesamiento, 19, 209-216.
Corkidi, G., Balderas-Ruı'z, KA, Taboada, B., Serrano-Carreo'n, L.,
4. Conclusiones & Galindo, E. (2006). La evaluación de la antracnosis del mango
usando una nueva técnica de análisis de imagen tridimensional para
Un sistema de formación de imágenes hiperespectrales NIR se utilizó para cuantificar lesiones en la fruta. Plant Pathology, 55, 250-257.
detectar daños mecánicos inducida en mangos 'Manila' por medio de Cubero, S., Aleixos, N., Molto', E., Gómez-Sanchis, J., y Blasco, J. (2011). Los
avances en las aplicaciones de visión artificial para la intervención
análisis de imagen. Las imágenes fueron capturadas durante siete días
automática inspección y evaluación de la calidad de las frutas y verduras.
después de que el daño se produjo con el fin de estimar el momento en el Tecnología de Bioprocesos y la Alimentación, 4, 487-504.
que el daño podría ser eficazmente detectada en las imágenes. El uso de Draper, NR, y Smith, H. (1998). análisis de regresión Aplicada. Nuevo York,
todas las bandas, se concluyó que después del tercer día los resultados (EE.UU.): John Wiley Sons.
fueron buenos para casi todos los clasificadores, con k-NN lograr los Duda, RO, Hart, PE, y la cigüeña, DG (2001). clasificación de patrones.
mejores resultados. Nueva York, (EE.UU.): John Wiley Sons.
Elmasry, G., Kamruzzaman, M., Sun, D.-W., y Allen, P. (2012). Principios
y aplicaciones de imágenes hiperespectrales en evaluación de la
Con el fin de reducir la dimensionalidad de los datos, se utilizaron
calidad de los productos agroalimentarios: una revisión. Crítico
once métodos de selección de características y la información combinada Opiniones en Ciencias de los Alimentos y Nutrición, 52, 999-1023.
en el denominado método de comité de expertos, que sólo selecciona Elmasry, G., Wang, N., Vigneault, C., Qiao, J., y Elsayed, A. (2008). La
aquellas bandas que fueron elegidos en varias ocasiones por lo menos tres detección temprana de contusiones manzana en diferentes antecedentes
diferentes métodos de selección. Los resultados revelaron tres regiones colores usando imágenes hiperespectrales. LWTmi Ciencia de los
del espectro que fue estudiado donde había una acumulación de bandas Alimentos y Tecnología, 41, 337-345.
seleccionadas: 700 nm-780 nm, 890 nm-900 nm y 1070 nm-1080 nm. FAOSTAT. (2011). Las cantidades de producción por país. Consultado el 21 de
de marzo de 2014, a partirhttp://faostat3.fao.org/home/index. html #
VISUALICE.
Además, cinco clasificadores se evaluaron para segmentar las
imágenes de los mangos en dos clases: dañados y no dañados. Entre estos Gómez-Sanchis, J., Blasco, J., Soria-Olivas, E., Lorente, D., Escandell-
clasificadores, Naïve Bayes dio resultados muy pobres, mientras que los Montero, P., Martı'nez-Martı'nez, JM, et al. (2013). sistema basado en
demásmi k-NN, ELM, DT y LDA - puntuaciones por encima de 90% LCTF hiperespectrales para la clasificación de la caries en mandarinas
ACH-ieved para la clasificación correcta tres días después del daño se causadas por Penicillium digitatum y Penicillium italicum utilizando las
bandas más relevantes y no lineal clasificadores. Biología postcosecha y
produjo. Este porcentaje aún se elevó a 95% para todos estos
Tecnología, 82, 76-86.
clasificadores después del cuarto día. El alto rendimiento alcanzado por k-
Gómez-Sanchis, J., Gómez-Chova, L., Aleixos, N., Camps-Valls, G.,
NN en el tercer día (97,95%) nos lleva a utilizar este modelo para Montesinos-Herrero, C., Molto', E., et al. (2008). hiperespectral sistema
segmentar las imágenes multiespectrales consta de sólo las características para la detección temprana de la podredumbre causada por Penicillium
seleccionadas, con puntuaciones por encima de 91% siendo alcanzados en digitatum en mandarinas. Journal of Food Engineering, 89, 80-86.
la clasificación correcta de las áreas de sonido y dañadas . Gómez-Sanchis, J., Martı'n-Guerrero, JD, Soria-Olivas, E., Martı'nez-Sober,
M., Magdalena-Benedito, R., y Blasco, J. (2012). La detección de la
podredumbre causada por Penicillium en cítricos frutas utilizando técnicas
de aprendizaje automático. Expert Systems with Aplicaciones, 39, 780-
Expresiones de gratitud 785.
Kira, K., y Rendell, L. (1992). El problema de selección de características: Los Novillo, P., Salvador, A., Llorca, E., Hernando, I., y Besada, C.(2014). Efecto
métodos tradicionales y un nuevo algoritmo. En Actas de la Décima de CO2 tratamiento deastringency en carne trastornos inducidos por daños
Conferencia Nacional sobre Inteligencia Artificial (pp. 129mi134). mecánicos en caqui. Los estudios bioquímicos y microestructurales. Food
Kitthawee, U., Pathaveerat, S., Srirungruang, T., y Masacre, D. (2011). Chemistry, 145, 454-463.
magulladuras mecánicas de coco joven. Biosystems Ingeniería, 109, 211-
219. Ornelas-Paz, J., De, J., Yahiaa, EM, y Gardea, AA (2008). Cambios en el color
Kohavi, R., & John, GH (1997). Contenedores para característica externo e interno durante postcosecha maduración de 'Manila' y 'Ataulfo'
subconjunto selección. Artificial Intelligence, 97, 273-324. fruta del mango y la relación con contenido de carotenoides determinado
Langley, P., y Sage, S. (1994). La inducción de la bayesiano selectiva por líquido cromatografíamiAPCIþespectrometría de masa-tiempo-de-
clasificadores. En Actas de la Décima Conferencia Internacional sobre vuelo. Biología postcosecha y Tecnología, 50, 145-152.
incertidumbre en inteligencia artificial (pp. 399-406).
Larsen, RJ, y Marx, ML (2005). Introducción a la matemática estadísticas y Ortiz, C., Blasco, J., Balasch, S., y Torregrosa, A. (2011). Choque la absorción
su aplicación. Alta del Río Sadle (EE.UU.): Prentice sala. de las superficies de recogida de fruta durante el mecánico cosecha de
cítricos. Biosistemas, 110, 2-9.
Li, Z., & Thomas, C. (2014). La evaluación cuantitativa de la mecánica daños a Peng, H., Long, F., y Ding, C. (2005). La selección de características sobre la
las frutas frescas. Tendencias en Ciencia y Tecnología, de 35 años de base de información mutua: criterios de máximo-dependencia, max-
Alimentos, 138-150. relevancia, y min-redundancia. Análisis del patrón IEEE Trans y la
máquina de Inteligencia, 27, 1226-1238.
Liu, Y., Chen, Y.-R., Wang, CY, Chan, DE, y Kim, MS (2006). Desarrollo de la Pólder, G., van der Heijden, Gwam, y Young, (2002).
técnica de imágenes hiperespectrales para la detección de daño por frío en análisis de imagen espectral para medir la madurez de los tomates.
pepinos; espectral y la imagen análisis. Ingeniería Aplicada a la Transacciones de ASAE, 45, 1155-1161.
Agricultura, 22, 101-111. Qin, J., Burks, TF, Zhao, X., Niphadkar, N., y Ritenour, MA (2011).
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., y Blasco, J. (2013). detección multiespectrales de cáncer de los cítricos utilizando Selección
La selección de longitud de onda óptima características para la decadencia de la banda hiperespectral. Transacciones de la ASABE, 54, 2331-2341.
la detección de los cítricos mediante la curva ROC y neuronal redes.
Tecnología de Bioprocesos y la Alimentación, 6, 530-541. Serranti, S., Cesare, D., y Bonifazi, G. (2013). El desarrollo de una método de
Lorente, D., Aleixos, N., Gómez-Sanchis, J., Cubero, S., Garcı'a- Navarrete, formación de imágenes hiperespectrales para la detección de
OL, y Blasco, J. (2012). Los avances recientes y aplicaciones de imágenes Fusariumdañado, baya de color amarillo y el vítreo trigo duro italiano
hiperespectrales para frutas y verduras evaluación de calidad. Tecnología núcleos. Biosystems Engineering, 115, 20-30.
de Bioprocesos y la Alimentación, 5, 1121-1142. Schmilovitch, Z., Ignat, T., Alchanatis, V., Gatker, J., Ostrovsky, V.,
& Felföldi, J. (2014). de formación de imágenes hiperespectrales de
Lorente, D., Blasco, J., Serrano, AJ, Soria-Olivas, E., Aleixos, N., y Gómez- campana intacta pimientos. Ingeniería de Biosistemas. Número especial:
Sanchis, J. (2013). Comparación de la selección de características ROC Análisis de Imágenes de Agricultura, 117, 83mi93.
método para la detección de caries en cítricos utilizando imágenes
Valiente-Gonza'lez, JM, Andreu-García, G., Potter, P., y Rodas- Jorda', A.
hiperespectrales. Bioprocesos Technology, 6 (12) de alimentos y, 3613-
(2014). maíz automática (Zea mays) del núcleo de inspección sistema
3619.
usando la detección novedad basado en componente principal análisis.
Ingeniería de Biosistemas. Número especial: Análisis de Imágenes de
Martı'nez-Romero, D., Serrano, M., Carbonell, A., Castillo, S., Riquelme, F., y Agricultura, 117, 94-103.
Valero, D. (2004). daños mecánicos durante fruta manejo post-cosecha:
Técnica y fisiológico trascendencia. En P. Dris, y MS Jain (Eds.), La
Van Zeebroeck, M., Tijskens, E., Van Liedekerke, P., Deli, V., De
manipulación y la calidad evaluación: Vol. 3. Calidad manejo y evaluación
Baerdemaeker, J., y Ramon, H. (2003). La determinación de la
(pp. 233mi252). Dordretch, (Holanda): Kluwer Academic Publishers.
comportamiento dinámico de los materiales biológicos durante el impacto
McLachlan, GJ (2004). El análisis discriminante y el patrón estadístico utilizando un dispositivo de péndulo. Diario de sonido y vibración, 266,
reconocimiento. Nueva York, (EE.UU.): John Wiley Sons.
465-480.
Miller, R., y Siegmund, D. (1982). chi cuadrado máximo seleccionado
estadística. Biometría, International Biometric Society, 38, 1011-1016.
Vélez-Rivera, N., Blasco, J., Chanona-Pérez, JJ, Caldero'n- Domı'nguez, G.,
Perea-Flores, MJ, Arzate-Va'zquez, I., et al. (2014). sistema de visión
Nagata, M., Tallada, JG, y Kobayashi, T. (2006). detección de hematoma
artificial aplicada a la clasificación de mangos 'Manila' durante el proceso
usando imágenes hiperespectrales NIR para fresa (Fragaria ananassa
de maduración. Alimentos y Bioprocesos Tecnología, 7, 1183-1194.
Duch.). Control ambiental en Biología, 44, 133-142.
Nanyam, Y., Choudhary, R., Gupta, L., y Paliwal, J. (2012). UN estrategia de
Wanitchang, P., Terdwongworakul, A., Wanitchang, J., y Nakawajana, N.
toma de fusión para la inspección de calidad de la fruta utilizando
(2011). la madurez no destructivos clasificación de mango basa en
imágenes hiperespectrales. Biosistemas, 111, 118-125.
físicas, mecánicas y propiedades ópticas. Journal of Food Engineering,
105, 477-484.