Evaluación de modelos volumétricos basados en procesamiento digital de imágenes para granos enteros de maíz

Autores/as

DOI:

https://doi.org/10.30972/agr.368548

Palabras clave:

Elipse que mejor ajusta, Morfología, Binarización, ImageJ®

Resumen

En este artículo se comparan tres modelos para la estimación del volumen de granos de maíz (Zea mays) mediante técnicas de procesamiento digital de imágenes. En el primer modelo, se asume que el volumen de cada grano es proporcional a su longitud al cubo. En el segundo modelo, como proporcional al cuadrado del ancho, multiplicado por la longitud del mismo. En el tercer modelo, como proporcional al área proyectada multiplicada por la longitud. Las constantes de proporcionalidad son determinadas experimentalmente por el método de desplazamiento de tolueno. Se prepararon diez muestras de cien granos cada una, de las cuales cinco se tomaron para la determinación de las constantes de proporcionalidad y el resto para la comparación de los volúmenes obtenidos por los tres modelos. Las imágenes de las muestras fueron obtenidas con un escáner de escritorio a una resolución de 300 dpi y se procesaron empleando el software ImageJ®. Con el canal rojo de cada imagen binarizada se determinó la elipse que mejor ajusta al área proyectada de cada grano para obtener largo, ancho y área. Con los valores de las constantes de proporcionalidad, se determinaron los volúmenes de las muestras de control y se compararon con los experimentales. Se calculó para estas cinco muestras la desviación relativa porcentual (DRP) promedio para cada modelo. El primer modelo tuvo una DRP del 3,9 % y, para el segundo y tercer modelo 4,9 % y 2,5 % respectivamente.  La baja desviación y la sencillez de esta metodología, permiten su adaptación para determinar volúmenes mediante métodos no destructivos.

Citas

Altuntas, Y., Kocamaz, A.F., Comert, Z., Cengiz, R., y Esmeray, M. (2018). Identification of Haploid Maize Seeds using Gray Level Co-occurrence Matrix and Machine Learning Techniques. En 2018 International Conference on Artificial Intelligence and Data Processing (IDAP). IEEE.

Cleva, M. y Liska, D.O. (2021). Determinación de las dimensiones de granos de maíz por técnicas de procesa-miento digital de imágenes con ImageJ®. En Congreso Argentino y Latinoamericano de Ingeniería.

Cleva, M., Sampallo, G. y Cristian Acosta, A.G.T. (2013). Método para la determinación del volumen de una muestra de granos de arroz mediante el procesamiento digital de imágenes. Revista de Investiga-ciones Agropecuarias, 39(2):185–190.

Cleva, M.S., Sampallo, G.M., Rodrigues Da Fonseca, C., Aquino, D.C., Liska, D.O., y Ventre, F.R. (2017). Método para la determinación de la densidad de una muestra de granos enteros de alubia por procesamiento digital de imágenes. RIA. Revista de Investigaciones Agropecuarias, 43(2):144–148.

Kaliniewicz, Z., Choszcz, D., y Lipiński, A. (2022). Determination of seed volume based on selected seed dimensions. Applied Sciences, 12(18).

Mohsenin, N. N. (2020). Physical Properties of Plant and Animal Materials: v. 1: Physical Characteris-tics and Mechanical Properties. Routledge.

Prakasa, E., Prajitno, D.R., Nur, A., Sulistyo, K.A., y Rachmawati, E. (2021). Quality categorization of corn (zea mays) seed using feature-based classifier and deep learning on digital images. In 2021 Inter-national Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT). IEEE.

Varnamkhasti, M.G., Mobli, H., Jafari, A.L.I., Rafiee, S., Heidarysoltanabadi, M., y Kheiralipour, K. (2007). Some engineering properties of paddy (var. sazandegi). 9:763–766.

Wang, R., Han, F., Jin, Y., y Wu, W. (2020). Correlation between moisture content and machine vision image characteristics of corn kernels. International Journal of Food Properties, 23(1):319–328.

Wu, A., Zhu, J., Yang, Y., Liu, X., Wang, X., Wang, L., Zhang, H., y Chen, J. (2018). Classification of corn kernels grades using image analysis and support vector machine. Advances in Mechanical Engi-neering, 10(12):168781401881764.

Wu, D., Cai, Z., Han, J., y Qin, H. (2020). Automatic kernel counting on maize ear using rgb images. Plant Methods, 16(1).

Yuanyuan, Z., Jilong, Z., y Lingshen, F. (2016). Research on quality evaluation of maize seed shape ba-sed on support vector machine. In 2016 2nd IEEE International Conference on Computer and Commu-nications (ICCC). IEEE.

Descargas

Publicado

2025-08-21

Cómo citar

Cleva, M. S., Villaverde, J. E., Liska, D. O., & Duran Muñoz, H. A. (2025). Evaluación de modelos volumétricos basados en procesamiento digital de imágenes para granos enteros de maíz. Agrotecnia, (36), 1–8. https://doi.org/10.30972/agr.368548

Número

Sección

Notas de Investigación