Desarrollo de un Sistema de Visión Artificial para el Monitoreo de los cambios de color en lomos de Bovino
In: 1. Ma, D., Kim, Y. H. B., Cooper, B., Oh, J. H., Chun, H., Choe, J. H. Min, B. (2017). Metabolomics profiling to determine the effect of postmortem aging on color and lipid oxidative stabilities of different bovine muscles. Journal of Agricultural and Food Chemistry, 65(31), 6708–6716. 2. Wu, D., Sun, D. (2013). Colour measurements by computer vision for food quality control A review. Trends in Food Science and Technology, 29(1), 5-20.; 3. Ljungqvist, M. G., Ersbøll, B. K., Frosch, S. (2012). Multivariate image analysis for quality inspection in fish feed. IMM-PHD-2012 Technical University of Denmark.; 4. Panagou, E. Z., Papadopoulou, O., Carstensen, J. M., Nychas, G-J. E. (2014). Potential of multispectral imaging technology for rapid and non-destructive determination of the microbiological quality of beef filets during aerobic storage. International Journal of Food Microbiology, 174, 1-11.; 5. Larraín, R., Schaefer, D., Reed, J. (2008). Use of digital images to estimate CIE color coordinates of beef. Food Research International, 41(4), 380-385.; 6. Van de Perre, V., Ceustermans, A., Leyten, J., Geers, R. (2010). The prevalence of PSE characteristics in pork loin and cooked ham e effects of season and lairage time. Meat Science, 86, 391-397.; Universidad del Quindío; Repositorio Institucional;; (2024)
Hochschulschrift
Zugriff:
Un sistema de visión artificial es un conjunto de tecnologías y técnicas utilizadas para capturar, procesar y analizar imágenes para realizar una tarea específica, como el reconocimiento de objetos o patrones de medida. Estos sistemas se basan en algoritmos de procesamiento de imágenes y aprendizaje automático para interpretar la información visual. El proyecto que se presenta a continuación fue realizado en dos etapas, en la primera etapa se realizó la construcción del sistema electrónico de visión artificial (SVA) para el análisis de color en función de las coordenadas CIEL*a*b* y textura mediante el filtro Gabor Kernel de lomos bovino y sus componentes físicos, en la segunda etapa fue realizada la programación del sistema de medida hardware en el sistema Python 3.9. Ambos sistemas debidamente sincronizados se encargan de presentar al usuario los parámetros de color en el sistema CIEL*a*b* y de textura en muestras de lomos de bovino fresco y almacenados durante 6 días. El sistema de visión artificial obtenido fue comparado con un colorímetro Minolta CR-400 (CM), los resultados obtenidos en las muestras de lomos de bovino indicaron que no hay diferencias significativas para los valores de L* (Luminosidad) durante el tiempo de almacenamiento. Los cambios producidos en b*(amarillo-azul) y a*(rojo-verde) fueron estadísticamente significativos para los lomos de bovino y atribuidos a la adecuación previa que debió realizarse a los lomos antes de realizar la adquisición de las imágenes. Por lo tanto, El sistema de visión artificial construido presenta un potencial uso para la determinación del color y textura durante el almacenamiento de lomos de bovino en tiempo real, de una forma no invasiva y a bajo costo. ; Resumen 9 - Objetivos 10 - Introducción 11 - Capítulo 1: Introducción 11 - Capítulo 2: Marco Conceptual 13 - Capítulo 3: Implementación 19 - Capítulo 4: Resultados 28 - Capítulo 5: Conclusiones 45 - Trabajos Futuros 46 - Referencias 47 ; Pregrado ; Ingeniero Electrónico
Titel: |
Desarrollo de un Sistema de Visión Artificial para el Monitoreo de los cambios de color en lomos de Bovino
|
---|---|
Autor/in / Beteiligte Person: | Valencia Buitrago, Mateo ; Navarro Pérez, Alvaro Andrés |
Link: | |
Quelle: | 1. Ma, D., Kim, Y. H. B., Cooper, B., Oh, J. H., Chun, H., Choe, J. H. Min, B. (2017). Metabolomics profiling to determine the effect of postmortem aging on color and lipid oxidative stabilities of different bovine muscles. Journal of Agricultural and Food Chemistry, 65(31), 6708–6716. 2. Wu, D., Sun, D. (2013). Colour measurements by computer vision for food quality control A review. Trends in Food Science and Technology, 29(1), 5-20.; 3. Ljungqvist, M. G., Ersbøll, B. K., Frosch, S. (2012). Multivariate image analysis for quality inspection in fish feed. IMM-PHD-2012 Technical University of Denmark.; 4. Panagou, E. Z., Papadopoulou, O., Carstensen, J. M., Nychas, G-J. E. (2014). Potential of multispectral imaging technology for rapid and non-destructive determination of the microbiological quality of beef filets during aerobic storage. International Journal of Food Microbiology, 174, 1-11.; 5. Larraín, R., Schaefer, D., Reed, J. (2008). Use of digital images to estimate CIE color coordinates of beef. Food Research International, 41(4), 380-385.; 6. Van de Perre, V., Ceustermans, A., Leyten, J., Geers, R. (2010). The prevalence of PSE characteristics in pork loin and cooked ham e effects of season and lairage time. Meat Science, 86, 391-397.; Universidad del Quindío; Repositorio Institucional;; (2024) |
Veröffentlichung: | Universidad del Quindío ; Facultad de Ingeniería ; Armenia Quindío ; Ingeniería - Ingeniería Electrónica, 2024 |
Medientyp: | Hochschulschrift |
DOI: | 10.1021/acs.jafc.7b02175.MacDougall, D., Hutchings, J. (2002). Colour in food - Improving quality. Woodhead Publishing |
Schlagwort: |
|
Sonstiges: |
|