Cuantificación del porcentaje de grano quebrado total en arroz (Oryza sativa L.) mediante análisis digital de imágenes
DOI:
https://doi.org/10.15517/am.v33iEspecial.51568Palabras clave:
atributos físicos, grano quebrado, placa muestral, capturaResumen
Introducción. El análisis digital de imágenes (ADI), se puede utilizar para evaluar parámetros de calidad de los granos de arroz, como el porcentaje de grano entero. Objetivo. Cuantificar el porcentaje de grano quebrado total mediante análisis digital de imágenes (ADI) aplicado a la cuantificación de calidad de arroz (Oryza sativa L.). Materiales y métodos. El presente trabajo se llevó a cabo en las instalaciones del Centro para Investigaciones en Granos y Semillas (CIGRAS) de la Universidad de Costa Rica (UCR), en el año 2021. Se trabajó con muestras de arroz pilado comercial. Se desarrolló una placa muestral para facilitar el acomodo de los granos y adquirir las imágenes digitales. Para los porcentajes de puntilla, grano quebrado y grano entero se utilizaron los parámetros de longitud establecidos en el reglamento técnico de Costa Rica RTCR 202:1998, los cuales se cuantificaron de forma convencional y por medio de imágenes digitales. El ADI incluyó el proceso de segmentación y binarización de los objetos (puntilla, grano quebrado y grano entero), para cuantificar sus áreas y catalogar los elementos identificados digitalmente en valores de peso. Resultados. Se logró cuantificar el porcentaje de puntilla y de grano quebrado con ADI. La correlación entre las variables cuantificadas con ADI con las evaluadas de forma convencional fue mayor a 0,93 para la propiedad de puntilla y de 0,98 para grano quebrado. El análisis convencional requiere entre 1 a 2 horas para determinar el porcentaje de grano quebrado total y demás propiedades de calidad en cada muestra de arroz. El análisis digital requiere de 7 a 23 minutos por placa muestral, para analizar la totalidad de las propiedades evaluadas (puntilla y grano quebrado). Conclusiones. El método de análisis digital aplicado permitió determinar las propiedades de grano quebrado total en muestras compuestas por cientos de granos.
Descargas
Citas
Acosta, C., Sampallo, G., Cleva, L., Cleva, D., & Liska, M. (2017). Detección e identificación de defectos en granos de arroz empleando visión artificial. In Sociedad Argentina de Informática e Investigación Operativa (Eds.), IX Congreso Argentino de AgroInformática (pp. 98–111). Sociedad Argentina de Informática e Investigación Operativa. http://sedici.unlp.edu.ar/handle/10915/62834
Abbaspour-Gilandeh, Y., Molaee, A., Sabzi, S., Nabipur, N., Shamshirband, S., & Mosavi, A. (2020). A combined method of image processing and artificial neural network for the identification of 13 Iranian rice cultivars. Agronomy (Basel, Switzerland), 10(1), Article 117. https://doi.org/10.3390/agronomy10010117
Aznan, A., González Viejo, C., Pang, A., & Fuentes, S. (2021). Computer vision and machine learning analysis of commercial rice grains: A potential digital approach for consumer perception studies. Sensors, 21(19), Article 6354. https://doi.org/10.3390/s21196354
Barbin, D. F., Mastelini, S. M., Barbon, S., Campos, G. F. C., Barbon, A. P. A. C., & Shimokomaki, M. (2016). Digital image analyses as an alternative tool for chicken quality assessment. Biosystems Engineering, 144, 85–93. https://doi.org/10.1016/j.biosystemseng.2016.01.015
Butardo, V. M., Sreenivasulu, N., Juliano, B. O. (2019). Improving Rice grain quality: state-of-the-art and future prospects. In N. Sreenivasulu (Ed.), Rice grain quality (pp. 19–55). Springer. https://doi.org/10.1007/978-1-4939-8914-0_2
Camelo-Méndez, G. A., Camacho-Díaz, B. H., del Villar-Martínez, A. A., Arenas-Ocampo, M. L., Bello-Pérez, L. A., & Jiménez-Aparicio, A. R. (2012). Digital image analysis of diverse Mexican rice cultivars. Journal of the Science of Food and Agriculture, 92, 2709–2714. https://doi.org/10.1002/jsfa.5693
Corporación Arrocera Nacional. (2021). Informe anual estadístico 2020/2021. Estadísticas arroceras. https://www.conarroz.com/estadisticasarroceras.php
Gayathri Devi, T. G., Neelamegam, P., & Sudha, S. (2017). Machine vision based quality analysis of rice grains. 2017. IEEE International Conference on Power, Control, Signals and Instrumentation Engineering, 2017, 1052–1055. https://doi.org/10.1109/ICPCSI.2017.8391871
Ghatkamble, R., & Vishwanatha, K. (2017). Development of novel algorithm to Determine the rice varieties using digital image processing. 1st International Conference Responsible Business and Sustainable Development, Bangalore, India. https://bit.ly/3yrbJ2c
Gudipalli, A., Prabha, A., & Reddy, P. (2016). A review on analysis and grading of rice using image processing. Journal of Engineering and Applied Sciences, 11(23), 13550–13555. https://bit.ly/3u51GwT
Herath, K. (2016). Rice grains classification using image processing technics. The Open University of Sri Lanka. https://bit.ly/3UZlnBS
Herath, H. M. K. K. M. B. (2017). Image processing analysis for the rice grain quality in Sri Lanka. The Official E-Newsletter of the Institution of Engineers Sri Lanka, 33. https://doi.org/10.6084/m9.figshare.9759290
Kang, T., Cho, B., Won, J., Kang, S., Han, C., Lee, D., & Lee, H. (2018). Milling characteristics of cutting type rice milling machine (I) – Characteristics of milling in accordance with blowing velocity. Engineering in Agriculture Environment and Food, 11(3), 91–94. https://doi.org/10.1016/j.eaef.2017.12.003
Li, X., Yuan, J., Gu, T., & Liu, X. (2011). Detection level of raisins based on image analysis and neural network. Third Pacific-Asia Conference on Circuits, Communications and System, 2011, 1–3. https://doi.org/10.1109/PACCS.2011.5990209
Mahale, B., & Korde, S. (2014). Rice quality analysis using image processing techniques. International Conference for Convergence of Technology, 2014, 1–5. https://doi.org/10.1109/I2CT.2014.7092300
Mousavirad, S. J., Akhlaghian Tab, F., & Mollazade, K. (2012). Design of an expert system for rice kernel identification using optimal morphological features and back propagation neural network. International Journal of Applied Information Systems, 3(2), 33–37. https://bit.ly/3QTQA7W
Ngampak, D., & Piamsa-nga, P. (2015). Image analysis of broken rice grains of Khao Dawk Mali rice. In IEEE (Ed.), 7th International Conference on Knowledge and Smart Technology (pp. 115–120). IEEE. https://doi.org/10.1109/KST.2015.7051471
Petrou, M., & Petrou, C. (2010). Image processing the fundamentals (2nd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119994398
Presidencia de la República, & Ministerio de Economía y Comercio (1998, mayo 20). Decreto No. 26901-MEIC. Reglamento técnico RTCR 202:1998: Arroz pilado. Especificaciones y métodos de análisis. Sistema Costarricense de Información Jurídica. http://www.pgrweb.go.cr/SCIJ/Busqueda/Normativa/Normas/nrm_texto_completo.aspx?param1=NRTC&nValor1=1&nValor2=51661&nValor3=55975&strTipM=TC
Presidencia de la República, Ministerio de Economía y Comercio, Ministerio de Agricultura y Ganadería, & Ministerio de Salud. (2008, mayo 7). Decreto No. 34802. Reforma al Decreto Ejecutivo N° 34487-MEIC-MAG-S RTCR 406-:2007 arroz en granza. Especificaciones y métodos de análisis para la comercialización e industrialización. Sistema Costarricense de Información Jurídica. http://www.pgrweb.go.cr/scij/Busqueda/Normativa/Normas/nrm_texto_completo.aspx?param1=NRTC&nValor1=1&nValor2=64180&nValor3=74318¶m2=1&strTipM=TC&lResultado=1&strSim=simp
R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Salas-Arias, K. M., Madriz-Quirós, C. E., Sánchez-Brenes, O., Sánchez-Brenes, M., & Hernández-Granados, J. B. (2017). Modelos de cuantificación de error humano aplicados en la industria de manufactura moderna. Revista Tecnología en Marcha, 30, 58–66. http://doi.org/10.18845/tm.v30i2.3197
Schindelin, J., Arganda-Carreras, I., Frise, E., Kaynig, V., Longair, M., Pietzsch, T., Preibisch, S., Rueden, C., Saalfeld, S., Schmid, B., Tinevez, J. -Y., White, D. J., Hartenstein, V., Eliceiri, K., Tomancak, P., & Cardona, A. (2012). Fiji: An open-source platform for biological-image analysis. Nature Methods, 9, 676–682. https://doi.org/10.1038/nmeth.2019
Shin, Y., Won, Y. J., Lee, C., Cheon, K. -S., Oh, H., Lee, G. -S., Baek, J., Yoon, I. S., Kim, S. L., Cha, Y. -S., Kim, K. -H., & Ji, H. (2022). Identification of grain size-related QTLs in Korean japonica rice using genome resequencing and high-throughput image analysis. Agriculture, 12(1), Article 51. https://doi.org/10.3390/agriculture12010051
Siddagangappa, M. R., & Kulkarni, A. H. (2014). Classification and quality analysis of food grains. IOSR Journal of Computer Engineering, 16(4), 1–10. https://doi.org/10.9790/0661-16430110
Silva, C., & Sonnadara, U. (2013). Classification of rice grains using neural networks. Proceedings of Technical Sessions, 29, 9–14. https://bit.ly/3AcJndc
Sindhu, C., Sasmitha, S., Tamilmani, P., Udaysriram, C., & Vidhya, V. (2021). Rice grain type and grading of rice grains using image processing. International Journal of Research in Engineering, Science and Management, 4(7), 2581–5792. https://journals.resaim.com/ijresm/article/view/1089
Tanabata, T., Shibaya, T., Hori, K., Ebana, K., & Yano, M. (2012). SmartGrain: High-Throughput phenotyping Software for measuring seed shape through image analysis. Plant Physiology, 160(4), 1871–1880. https://doi.org/10.1104/pp.112.205120
Tanwong, K., Suksawang, P., & Punsawad, Y. (2018, November 21-24). Using digital image to classify phenotype of the rice grain quality under agricultural standards act. 22nd International Computer Science and Engineering Conference (ICSEC), Chaing Mai, Thailand. https://doi.org/10.1109/ICSEC.2018.8712732
van Dalen, G. (2004). Determination of the size distribution and percentage of broken kernels of rice using flatbed scanning and image analysis. Food Research International, 37(1), 51–58. https://doi.org/10.1016/j.foodres.2003.09.001
Yang, W., Liang, J., Hao, Q., Luan, X., Tan, Q., Lin, S., Zhu, H., Liu, G., Liu, Z., Bu, S., Wang, S., & Zhang, G. (2021). Fine mapping of two grain chalkiness QTLs sensitive to high temperature in rice. Rice, 14, Article 33. https://doi.org/10.1186/s12284-021-00476-x
Yoshioka, Y., Iwata, H., Tabata, M., Ninomiya, S., & Ohsawa, R. (2007). Chalkiness in rice: Potential for evaluation with image analysis. Crop Science, 47(5), 2113–2120. https://doi.org/10.2135/cropsci2006.10.0631sc
Archivos adicionales
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Luis Arley Zúñiga Picado, Stefanny Campos Boza, Juan Roberto Mora Chaves, Luis Barboza-Barquero
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos morales de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución, no comercial y sin obra derivada de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista, no se puede hacer uso de la obra con propósitos comerciales y no se puede utilizar las publicaciones para remezclar, transformar o crear otra obra.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
