• Repositorio Institucional Universidad de Pamplona
  • Producción Editorial Universidad de Pamplona
  • Revistas
  • Revista Colombiana de Tecnologias de Avanzada (RCTA)
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/10316
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorCorrea Cantillo, Eduar Andrés-
    dc.contributor.authorSotelo Jiménez, Leonel Felipe-
    dc.contributor.authorYime Rodríguez, Eugenio-
    dc.contributor.authorRoldan Mckinley, Javier Agustín-
    dc.date.accessioned2025-10-10T14:40:49Z-
    dc.date.available2025-10-10T14:40:49Z-
    dc.date.issued2025-01-01-
    dc.identifier.citationE. A. Correa Cantillo, L. F. Sotelo Jiménez, E. Yime Rodríguez, y J. A. Roldán Mckinley, «Algoritmo de Clasificación Visual de Tomates Chonto Según Norma NTC-1103-1 (Parámetros de Color, Tamaño y Forma)», RCTA, vol. 1, n.º 45, pp. 146–158., ene. 2025. https://doi.org/10.24054/rcta.v1i45.2894es_CO
    dc.identifier.issn1692-7257-
    dc.identifier.issn2500-8625-
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/10316-
    dc.descriptionEste articulo presenta el desarrollo e implementación de un sistema de bajo costo para la clasificación de tomates tipo Chonto de acuerdo con su color, forma y tamaño, conforme a los lineamientos definidos en la norma técnica colombiana NTC 1103-1. Para lograr el objetivo planteado, se realiza el desarrollo de un algoritmo de clasificación utilizando el lenguaje de programación Python y la librería de visión por computador OpenCV. Los resultados obtenidos muestran que en la clasificación para color y madurez se logra una precisión del 93%. En la clasificación por tamaño la precisión alcanzada fue del 98%. En cuanto a la evaluación de la excentricidad para determinar la forma, se obtuvo una precisión del 80%. Los valores antes mencionados de precisión son comparaciones respecto al resultado obtenido de forma manual por una persona entrenada, la cual se considera como la clasificación ideal. Sin embargo, se tiene que el tiempo de respuesta del algoritmo es un promedio de 0,48 seg, el cual es mucho menor al tiempo requerido por la inspección y clasificación humana. Con base en los altos porcentajes de precisión obtenidos, se concluye que el algoritmo desarrollado responde a la necesidad de detectar y clasificar tomates tipo Chonto de acuerdo a su color, tamaño y forma establecidos en la norma técnica colombiana NTC 1103-1.es_CO
    dc.description.abstractThis article introduces the development and implementation a low-cost system for the classification of Chonto tomatoes according to their color, shape and size, in accordance with the Colombian technical standard NTC 1103-1. To achieve the proposed objective, a classification algorithm is developed using Python and OpenCV software. The obtained results show that the classification for color and maturity had an accuracy of 93%. In the classification by size the precision was 98%. Regarding the evaluation of eccentricity for determining the shape, an accuracy of 80% was obtained. The aforementioned precision values are comparisons with the result obtained manually by a trained person, which is considered the ideal classification. However, the response time of the algorithm is 0.48 sec, in average, which is much less than the time required for human inspection and classification. In addition to precision achieved, it can be said that the developed software responds to the need to detect and classify chonto tomatoes according to their color, size and shape established in the Colombian technical standard NTC 1103- 1.es_CO
    dc.format.extent13es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherAldo Pardo García, Revista Colombiana de Tecnologías de Avanzada, Universidad de Pamplona.es_CO
    dc.relation.ispartofseries146;158-
    dc.subjectautomatizaciónes_CO
    dc.subjectvisión por computadoraes_CO
    dc.subjectclasificación de tomateses_CO
    dc.titleAlgoritmo de clasificación visual de tomates chonto según norma NTC-1103-1 (parámetros de color, tamaño y forma)es_CO
    dc.title.alternativeVisual classification algorithm for chonto tomatoes according to standard NTC-1103-1 (color, size and shape parameters)es_CO
    dc.typehttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    dc.description.editionVol. 1 Núm. 45 (2025): Enero – Junioes_CO
    dc.relation.referencesJ M. Moreno Hernández, I. Benítez García, J C. Ramírez Suarez, y E. Sánchez, “Strategies for production, characterization and application of protein-based biostimulants in agriculture: A review”, Chil. J. Agric. Res., vol. 80, no. 2, pp. 274-289, 2020. DOI: http://dx.doi.org/10.4067/S0718-58392020000200274.es_CO
    dc.relation.referencesFAO., Informe del Foro Regional de Agroindustrias en América Latina, Roma, Verónica Russo, 2011.es_CO
    dc.relation.referencesGert-Jan, S., et al., Investigación Agropecuaria en Latinoamérica y el Caribe: Un análisis de las Instituciones, la Inversión y las Capacidades entre Países. Región Americas: Inter-American Development Bank, 2016.es_CO
    dc.relation.referencesHamdiyah Alhassan, “The effect of agricultural total factor productivity on environmental degradation in sub-Saharan Africa”, Scientific African, vol. 12, 2021. DOI: https://doi.org/10.1016/j.sciaf.2021.e00740.es_CO
    dc.relation.referencesDavid Ireri, Eisa Belal, Cedric Okinda, Nelson Makange, Changying Ji, “A computer vision system for defect discrimination and grading in tomatoes using machine learning and image processing”, Artificial Intelligence in Agriculture, vol. 2, pp. 28-37, 2019. DOI: https://doi.org/10.1016/j.aiia.2019.06.001.es_CO
    dc.relation.referencesO. Arjenakı , P. Moghaddam and A. Motlagh , "Online tomato sorting based on shape, maturity, size, and surface defects using machine vision", Turkish Journal of Agriculture and Forestry, vol. 37, no. 1, pp. 62-68, article 7, 2013. DOI: https://doi.org/10.3906/tar-1201-10.es_CO
    dc.relation.referencesA. Maertens, C.B. Barrett, “Measuring Social Networks' Effects on Agricultural Technology Adoption”, American Journal of Agricultural Economics, vol. 95, no.2, pp. 353-359, 2013. DOI: https://doi.org/10.1093/ajae/aas049.es_CO
    dc.relation.referencesJ. Rodríguez C., A. Pérez G., L. Ortega Ga., y M. Arteaga B., “Estudio hidrosostenible en el cultivo del tomate, su efecto en el rendimiento y calidad del fruto”. Cultivos Tropicales, vol. 41, no.2, e06, 2020. [En línea] Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0258-59362020000200006&lng=es&nrm=isoes_CO
    dc.relation.referencesAnálisis de resultados EVA evaluaciones agropecuarias municipales 2021, Miniagricultura, pp 8. [En línea] Disponible en: https://upra.gov.co/es-co/Evas_Documentos/20220511_Resultados_EVA_2021.pdf#search=tomatees_CO
    dc.relation.referencesJ. A. Salazar Peña, “Implementación de un cultivo de Tomate (Solanum lycopersicum) como nueva alternativa de diversificación agrícola, en el municipio de Chaparral, Tolima”, informe final de grado, Departamento Ingeniería Agronómica, Universidad de la Salle, Yopal, Casanare, 2019.es_CO
    dc.relation.referencesJ. A. Gutiérrez, F. D. Ávila, L. M. León, M. I. Pinzón, y A. Londoño, “Residualidad de fitosanitarios en tomate y uchuva cultivados en Quindío (Colombia)”. Ciencia & Tecnología Agropecuaria, vol. 18, no.3, pp. 571-582. 2017. DOI: https://doi.org/10.21930/rcta.vol18_num3_art:745.es_CO
    dc.relation.referencesL. Andrade Daza, “Cultivo de tomate (solanum lycopersicum l.) y maíz (zea mays) como alternativa de sostenimiento para familias campesinas en Algeciras, Huila”, Informe final de grado, Departamento Ingeniería Agronómica, Universidad de la Salle, Yopal, Casanare, 2019.es_CO
    dc.relation.referencesNashwa El-Bendary, Esraa El Hariri, Aboul Ella Hassanien, Amr Badr, “Using machine learning techniques for evaluating tomato ripeness”, Expert Systems with Applications, vol. 42, no. 4, pp. 1892-1905, 2015. DOI: https://doi.org/10.1016/j.eswa.2014.09.057.es_CO
    dc.relation.referencesLiu L, Li Z, Lan Y, Shi Y, Cui Y “Design of a tomato classifier based on machine vision” PLoS ONE, vol. 14, no.7, 2019. DOI: https://doi.org/10.1371/journal.pone.0219803.es_CO
    dc.relation.referencesMegha.P. Arakeri, Lakshmana, “Computer Vision Based Fruit Grading System for Quality Evaluation of Tomato in Agriculture industry”, Procedia Computer Science, vol. 79, p. 426-433, ISSN 1877-0509, 2016. DOI: https://doi.org/10.1016/j.procs.2016.03.055.es_CO
    dc.relation.referencesA. Patiño, F. Salazar, H. Ramírez, J. Velandia. “Implementación de un sistema de control redundante basado en una arquitectura de Internet de las Cosas (IoT)”. Información tecnológica, vol. 33, no. 2, pp. 181-192, 2022. DOI: https://dx.doi.org/10.4067/S0718-07642022000200181.es_CO
    dc.relation.referencesV G, Narendra, y S. Hareesha. “Quality Inspection and Grading of Agricultural and Food Products by Computer Vision- A Review”. International Journal of Computer Applications. vol.2, no.1, pp 43-65, 2010. DOI: https://doi.org/10.5120/612-863.es_CO
    dc.relation.referencesV. Pavithra, R. Pounroja, y B. S. Bama, "Machine vision based automatic sorting of cherry tomatoes," 2015 2nd International Conference on Electronics and Communication Systems (ICECS), pp. 271-275, 2015. DOI: https://doi.org/10.1109/ECS.2015.7124907.es_CO
    dc.relation.referencesM. J. Villaseñor, J. E. Botello, F. J. Pérez, M. Cano, M. F. León, M. G. Bravo, and A. I. Barranco, “Fuzzy Classification of the Maturity of the Tomato Using a Vision System”, Journal of Sensors, vol. 9, no. 4, pp. 12, 2019. DOI: https://doi.org/10.1155/2019/3175848.es_CO
    dc.relation.referencesV P. Supriya, M J. Vaishnavi, K D. Komal, y B.P.Kulkarni, “Fruit Quality Detection using OpenCV/Pyhon”, International Research Journal of Engineering and Technology (IRJET), vol. 7, no.5, 2020. [en linea] Disponible en: https://www.irjet.net/archives/V7/i5/IRJET-V7I51254.pdfes_CO
    dc.relation.referencesS. Dhakshina Kumar, S. Esakkirajan, S. Bama, y B. Keerthi veena, “A microcontroller based machine vision approach for tomato grading and sorting using SVM classifier”, Microprocessors and Microsystems, vol. 76, 2020. DOI: https://doi.org/10.1016/j.micpro.2020.103090.es_CO
    dc.relation.referencesIndustrias alimentarias. Tomate de Mesa, Norma Técnica Colombiana NTC 1103-1, 2001. [En línea]. Disponible en: https://tienda.icontec.org/gp-industrias-alimentarias-tomates-de-mesa-ntc1103-1-1995.htmles_CO
    dc.relation.referencesZ. Zhang, "A flexible new technique for camera calibration", in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 11, pp. 1330-1334, 2000, DOI: https://doi.org/10.1109/34.888718.es_CO
    dc.relation.referencesChernov, V., Alander, J., & Bochko, V. “Integer-based accurate conversion between RGB and HSV color spaces”. Computers & Electrical Engineering, vol. 46, pp. 328–337. 2015. DOI: https://doi.org/10.1016/j.compeleceng.2015.08.005.es_CO
    dc.relation.referencesShavetov, S. V., Merkulova, I. I., Ekimenko, A. A., Borisov, O. I., & Gromov, V. S. “Computer Vision in Control and Robotics for Educational Purposes”. IFAC-PapersOnLine, vol. 52, no. 9, pp.127–132. 2019. DOI: https://doi.org/10.1016/j.ifacol.2019.08.136.es_CO
    dc.relation.referencesJ. E. Jaramillo, et al. Tecnología para el cultivo de tomate bajo condiciones protegidas. Capítulo 9, pp 437, [online]. Disponible en: http://hdl.handle.net/20.500.12324/13320es_CO
    dc.relation.referencesC. Gupta, V.K. Tewari, R. Machavaram, P. Shrivastava, “An image processing approach for measurement of chili plant height and width under field conditions”, Journal of the Saudi Society of Agricultural Sciences, vol. 21, no.3, pp. 171-179, 2022, DOI: https://doi.org/10.1016/j.jssas.2021.07.007.es_CO
    dc.relation.referencesOmidi-Arjenaki, Omid & Moghaddam, Parviz & Motlagh, Asaad, " Online tomato sorting based on shape, maturity, size, and surface defects using machine vision", Turkish Journal of Agriculture and Forestry, vol. 37, no. 1, pp. 62-68, 2013, DOI: https://doi.org/10.3906/tar-1201-10.es_CO
    dc.relation.referencesGonzalez, Rafael C, and Richard E. Woods, "Digital Image Processing," Cuarta edición, New York, NY: Pearson, [2018]es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Revista Colombiana de Tecnologias de Avanzada (RCTA)

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Art15_V1_N45_2025_esp.pdfArt15_V1_N45_2025_esp859,52 kBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.