OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
DOI:
10.31413/nativa.v8i1.8074Resumo
ALGORITMO CLASSIFICADOR BAYESIANO ITERATIVO DE CÓDIGO ABERTO PARA AVALIAÇÃO DA QUALIDADE DE GRÃOS DE CAFÉ BENEFICIADOS
A seleção de grãos de café desempenha um papel fundamental na qualidade final do produto. Após o processamento, os grãos de café são classificados de acordo com a quantidade de defeitos. Tradicionalmente, essa classificação é executada manualmente, o que torna o processo trabalhoso e demorado. Este problema pode ser resolvido com técnicas de processamento digital de imagens, uma vez que os grãos defeituosos possuem características visuais únicas. Considerando a dificuldade de classificação manual dos defeitos, este trabalho teve como objetivo elaborar um algoritmo classificador bayesiano para identificar esses defeitos em grãos de café beneficiados, com base em sua forma e cor. Para tal, foram utilizados 630 grãos de café arábica, somando oito imagens ao todo. O algoritmo objetivou classificar quatro classes, que foram: grãos normais, grãos normais quebrados, grãos pretos e grãos pretos quebrados. Para avaliar a precisão do algoritmo classificador, calculou-se a exatidão global e o coeficiente Kappa, o que permite inferir se o classificador é melhor que uma classificação aleatória. Concluiu-se que o algoritmo desenvolvido apresentou uma precisão global de 76% e kappa igual a 0,6. Além disso, a metodologia proposta mostrou grande potencial para aplicação na avaliação da qualidade de outros produtos, cujos parâmetros de forma e espectrais são relevantes na avaliação de sua qualidade.
Palavras-chave: qualidade de grãos de café; processamento digital de imagens; Jupyter Notebook; classificação supervisionada.
ABSTRACT:
The selection of coffee beans plays a key role in the product's final quality. After processing, coffee beans are classified according to their quantity of defects. Traditionally this classification is performed manually, which makes the process laborious and time-consuming. This problem can be solved with digital image processing techniques since defective grains have unique visual characteristics. Considering the difficulty of manual classification of the defects, this study aimed to elaborate a Bayesian classifier algorithm to identify these defects in benefited coffee beans, based on its shape and color. To do so, 630 grains of arabica coffee were used, composing eight images in total. The algorithm aimed to classify four classes, which were: regular beans, normal broken beans, black beans, and black broken beans. In order to evaluate the accuracy of the classifier algorithm, it was calculated the global accuracy and the Kappa coefficient, which allows inferring if the classifier is better than a random classification. It was concluded that the developed algorithm presented a global accuracy of 76% and kappa equals to 0.6. Also, the proposed methodology showed great potential for application in the quality evaluation of other products, whose shape and spectral parameters are relevant in evaluating its quality.
Keywords: coffee beans quality; digital image processing; Jupyter Notebook; supervised classification.
Referências
BARESEL, J. P.; RISCHBECK, P.; HU, Y.; KIPP, S.; BARMEIER, G.; MISTELE, B.; SCHMIDHALTER, U. Use of a digital camera as alternative method for non-destructive detection of the leaf chlorophyll content and the nitrogen nutrition status in wheat. Computers and Electronics in Agriculture, New York, v. 140, p. 25-33, 2017. DOI: https://dx.doi.org/10.1016/j.compag.2017.05.032
BHARGAVA, A.; BANSAL, A. Fruits and vegetables quality evaluation using computer vision: A review. Journal of King Saud University - Computer and Information Sciences, p. 1-15, 2018. DOI: https://dx.doi.org/10.1016/j.jksuci.2018.06.002
CARRILLO, E.; PEÑALOZA, A. A. Artificial vision to assure coffee-excelso beans quality. In: Proceedings of the 2009 Euro American Conference on Telematics and Information Systems: New Opportunities to increase Digital Citizenship; 2009 Annals… 2009. DOI: https://dx.doi.org/10.1145/1551722.1551757
CHAUGULE, A.; MALI, S. N. Evaluation of texture and shape features for classification of four paddy varieties. Journal of Engineering, v. 18, p. 1-8, 2014. DOI: http://dx.doi.org/10.1155/2014/617263
COELHO, K. F.; Pereira, R. G. F. A. Influência de grãos defeituosos em algumas características químicas do café cru e torrado. Ciência e Agrotecnologia, Lavras, v. 26, n. 2, p. 375-384. 2002.
CONGALTON, R. G., 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, Amsterdam, v. 37, n. 1, p. 35-46. 1991. DOI: https://dx.doi.org/10.1016/0034-4257(91)90048-B
DE OLIVEIRA, E. M.; LEME, D. S.; BARBOSA, B. H. G.; RODARTE, M. P.; PEREIRA, R. G. F. A. A computer vision system for coffee beans classification based on computational intelligence techniques. Journal of Food Engineering, Essex, v. 171, p. 22–27, feb. 2016. DOI: https://dx.doi.org/10.1016/j.jfoodeng.2015.10.009
DURÁN, C. A.; TSUKUI, A.; SANTOS, F.; MARTINEZ, S. T.; BIZZO, H. R.; REZENDE, C. M. Café: Aspectos Gerais e seu Aproveitamento para além da Bebida. Revista Virtual de Química, v. 9, n. 1, p.107-134. 2017. DOI: https://dx.doi.org/10.21577/1984-6835.20170010
FARIDAH, F.; PARIKESIT, G. O.; FERDIANSJAH, F. Coffee bean grade determination based on image parameter. TELKOMNIKA - Telecommunication Computing Electronics and Control, v. 9, n. 3, p.547-554. 2011. DOI: https://dx.doi.org/10.12928/telkomnika.v9i3.747
HE, H. J; ZHENG, C; SUN, D. W. Image Segmentation Techniques. In: SUN, D. W. (Ed.). Computer vision technology for food quality evaluation. ACADEMIC PRESS, 2016. p. 45-63.
INTERNATIONAL COFFEE ORGANIZATION. Coffee Market Report – January 2018. Available in: http://www.ico.org/documents/cy2017-18/cmr-0118-e.pdf. Access: 20 June 2018.
LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics, Washington, v. 31, n. 1, p. 159-174, mar. 1977. DOI: https://dx.doi.org/10.2307/2529310
LEME, D. S.; DA SILVA, S. A.; BARBOSA, B. H. G.; BORÉM, F. M.; PEREIRA, R. G. F. A. Recognition of coffee roasting degree using a computer vision system. Computers and Electronics in Agriculture, New York, v. 156, 312-317. 2019. DOI: https://dx.doi.org/10.1016/j.compag.2018.11.029
LIMING, X.; YANCHAO, Z. Automated strawberry grading system based on image processing. Computers and Electronics in Agriculture, New York, v. 71, p. 32-39. 2010. DOI: https://dx.doi.org/10.1016/j.compag.2009.09.013
MAJUMDAR, D, KOLE, D. K.; CHAKRABORTY, A.; MAJUMDER, D. D. Review: Detection & Diagnosis of plant leaf disease using integrated image processing approach. International Journal of Computer Engineering and Applications, v. 6, n. 3, p.1-16, 2014.
MEBATSION, H. K.; PALIWAL, J.; JAYAS, D. S. Automatic classification of non-touching cereal grains in digital images using limited morphological and color features. Computers and electronics in agriculture, New York, v. 90, p. 99-105, jan. 2013. DOI: https://dx.doi.org/10.1016/j.compag.2012.09.007
MORAIS, S. A. L.; AQUINO, F. J. T.; CHANG, R.; NASCIMENTO, E. A.; OLIVEIRA, G. S.; SANTOS, N. C. Análise química de café arábica (Coffea arabica L.) e grãos pretos, verdes e ardidos (PVA) submetidos a diferentes graus de torrefação. Coffee Science, Lavras, v. 2, n. 2, p. 97-111, July-dec. 2007.
OLIVERI, P.; MALEGORI, C.; CASALE, M.; TARTACCA, E.; SALVATORI, G. An innovative multivariate strategy for hsi-nir images to automatically detect defects in green coffee. Talanta, London, v. 199, n. 1, p. 270-276, 2019. DOI: https://dx.doi.org/10.1016/j.talanta.2019.02.049
PATEL, K. K.; KAR, A.; JHA, S. N.; KHAN, M. A. Machine vision system: a tool for quality inspection of food and agricultural products. Journal of food science and technology, Oxford, v. 49, n.2, p. 123-141, 2012. DOI: https://dx.doi.org/10.1007/s13197-011-0321-4
PIMENTA, C. J.; ANGÉLICO, C. L.; CHALFOUN, S. M. Challenges in coffee quality: Cultural, chemical and microbiological aspects. Ciência e Agrotecnologia, Lavras, v. 42, n. 4, p. 337-349. 2018. DOI: http://dx.doi.org/10.1590/1413-70542018424000118
SANO, E. E.; ASSAD, E. D.; CUNHA, S. A.; CORREA, T. B. RODRIGUES, H. R. Quantifying adulteration in roast coffee powders by digital image processing. Journal of food quality, Wastport, v. 26, n. 2, p.123-134. 2003. DOI: https://dx.doi.org/10.1111/j.1745-4557.2003.tb00232.x
SMRKE, S.; KROSLAKOVA, I.; GLOESS, A. N.; YERETZIAN, C. Differentiation of degrees of ripeness of Catuai and Tipica green coffee by chromatographical and statistical techniques. Food chemistry, v. 174, p. 637-642, 2015. DOI: https://dx.doi.org/10.1016/j.foodchem.2014.11.060
VASSALLO-BARCO, M.; VIVES-GARNIQUE, L.; TUESTA-MONTEZA, V.; MEJÍA-CABRERAL, H. I. Automatic Detection of Nutritional Deficiencies in Coffee Tree Leaves Through Shape and Texture Descriptors. Journal of Digital Information Management, v. 15, n. 1, p.7-18, feb. 2017.
VENORA, G.; GRILLO, O.; SACCONE, R. Quality assessment of durum wheat storage centres in sicily: Evaluation of vitreous, starchy and shrunken kernels using an image analysis system. Journal of Cereal Science, v. 49, n. 3, p. 429-440, 2009. DOI: https://dx.doi.org/10.1016/j.jcs.2008.12.006
ZHANG, B.; ZHANG, L.; XIE, D.; YIN, X.; LIU, C.; LIU, G. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation. Remote Sensing, v. 8, n. 1, p. 1-21, 2016. DOI: https://dx.doi.org/10.3390/rs8010010
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Em virtude de a aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
A artigos publicados nessa revista, podem ser reproduzidos parcialmente ou utilizados como referência por outros autores, desde que seja cita a fonte, ou seja, a Revista Nativa.
Copyright for articles published in this journal are the authors, with first publication rights granted to the journal. The journal shows open access, and articles are free to use, with proper attribution, in educational and non-commercial.
The articles published in this journal may be reproduced in part or used as a reference by other authors, provided that the source is quoted.
