Professional Documents
Culture Documents
Computer Vision Grading System For Physical Quality Evaluation of Green Coffee Beans
Computer Vision Grading System For Physical Quality Evaluation of Green Coffee Beans
net/publication/312964363
CITATIONS READS
4 410
4 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Desarrollo de un dispositivo piloto para el análisis físico automatizado del rendimiento de la producción exportable de grano de café verde View project
Development and Implementation of a Computer Optimization Model for Sustainable Building Design Architecture with Adaptability to Climate Change. View project
All content following this page was uploaded by Juan Ramírez Ticona on 15 March 2018.
Abstract—Evaluating the physical defects of green coffee de café, luego es clasificado para eliminar impurezas y granos
beans are an important process in defining their quality. This malos o deformes, también es clasificado por tamaño.
evaluation is normally carried out by visual inspection or using La naturaleza de exportación de los granos de café exige un
traditional instruments which have some limitations. This work control de calidad fı́sico y quı́mico (catación), los laboratorios
is focused on the implementation of a computer vision system de análisis de calidad deben asegurar la competencia técnica
combining a hardware prototype and a software module. The
hardware was developed to capture the images of coffee beans, the
del personal encargado. En los laboratorios deben existir
software uses a White-Patch algorithm as a image enhancement metodologı́as para identificar las necesidades de formación
procedure, color histograms as feature extractor and SVM for y actualización técnica del personal. El equipo de control
the classification task, a database of 1930 images was collected, de calidad constituye una parte importante dentro de los
we used 13 categories of defects described in the SCAA standard laboratorios de análisis de calidad de café verde, por tal motivo
of evaluation. Results of classification achieved a 98.8% of overall todo laboratorio de evaluación de calidad del café debe estar
detection accuracy, therefore the proposed system proved to be provisto de equipamiento eficiente y eficaz, el cual es muy
effective in classifying physical defects of green coffee beans. necesario para la correcta ejecución de los análisis.
Finally a set of conclusions and future works are presented. A nivel mundial la SCAA (Specialty Coffee Association of
Keywords—coffee beans defects,Retinex, White Patch, Image America) [1] es una entidad que se encarga de capacitar y
Enhancement, SVM, Histogram, Grade System regular las calificaciones y programas de formación para el
aseguramiento de la calidad de exportación de granos de café.
En el proceso de control de calidad fı́sico de granos de
I. I NTRODUCCI ÓN café verde la SCAA describe un total de 16 defectos, divididos
Se denomina café a la bebida que se obtiene de los frutos y en dos categorı́as de impacto en taza, cada uno de ellos
semillas de la planta de café o cafeto. La bebida es altamente representa un nivel de influencia directa en olor, sabor y
estimulante por contener cafeı́na. Por extensión, también se consistencia en taza, valorizando la calidad en un conjunto
puede designar con este nombre al lugar de consumo de esta de puntos en catación. El proceso de evaluación fı́sica para la
bebida y sus múltiples variantes. Ej. cafeterı́a o bistro. En la determinación de defectos en café se determina mediante una
Figura 1 se observa las etapas de procesamiento de café co- revisión manual e individual de cada grano, luego se elabora
menzando en la planta de café y sus productos como grano un conteo de todos los defectos encontrados por muestra de
de café verde, posteriormente se procede a un procesamiento granos de café. Normalmente la tarea de evaluación fı́sica es
de preparación (Tostado) para luego poder ser servido como visualmente agotadora y saturada en tiempos de producción de
bebida en diversas presentaciones o usos. café, originando que los expertos estén propensos a errores o
imprecisiones producto de la fatiga laboral.
En la literatura se han propuesto modelos computacionales,
equipos de tecnologı́a y/o metodologı́as que buscan aprovechar
el beneficio de las tecnologı́as digitales para asistir las tareas
realizadas por los expertos en los laboratorios de control de
calidad, algunos trabajos han sido aplicados a productos de
(a) (b) (c) (d) mayor tamaño como manzanas, naranjas, plátanos, pescado,
etc. y de menor tamaño como arroz, trigo, quinua.También
Figura 1. Café y su producción, (a) Planta de café en crecimiento, (b) Granos se han desarrollado productos de software que asisten en la
de café verde, (c) Granos de café tostado, (d) Taza de café.
recolección de datos, sin embargo una solución al problema
del análisis fı́sico de granos de café verde para la detección
Las etapas básicas de procesamiento de granos de café co- automática de defectos aún está siendo explorada.
mienzan en las plantaciones, luego es cosechado para poste- En este trabajo se plantea una solución para la clasificación
riormente ser secado mediante técnicas especiales y artesana- automática de café en hardware y software, como un sistema
les. La etapa de secado brinda la coloración verde al grano basado en visión computacional para la detección y clasifica-
978-1-5090-1633-4/16/$31.00
2016
c IEEE ción automática de defectos fı́sicos en granos de café verde,
en la Sección II se describen conceptos y se presentan algunos
trabajos previos encontrados en la literatura, en la Sección
III se describe el control de calidad en granos de café verde
y su importancia, luego en la Sección IV se presenta el
modelo de detección y clasificación de defectos, describiendo
las caracterı́sticas del hardware de adquisición de imágenes
y las técnicas utilizadas en el software, en la Sección V las
pruebas y resultados del sistema son presentados, finalmente en
la Sección VI un conjunto de conclusiones y trabajos futuros
son descritos.
i = 1, ..., l, yi ∈ {−1, 1} y xi ∈ Rd
Luego de la etapa de mejoramiento, la utilización de una a las etapas posteriores a la adquisición de imágenes de granos
bandeja para la disposición de los granos hizo necesaria la de café, mejoramiento y segmentación anteriormente descritas,
realización de un proceso de segmentación, necesario para en el Cuadro III se describe la cantidad de granos por tipo de
aislar las zonas de interés del fondo de nuestra imagen, cada defecto y totalidad de granos en nuestra base de imágenes
imagen fue convertida a escala de grises para su posterior utilizada en este trabajo.
binarización con el algoritmo de Otsu [35], luego se aplicó un
proceso de erosión y dilatación, el algoritmo de [36] fue Cuadro III. D ESCRIPCI ÓN DEL TOTAL DE IM ÁGENES DE GRANOS DE
utilizado para la obtención de los bordes de cada grano, CAF É POR TIPO DE DEFECTO EN LA BASE DE DATOS DE IM ÁGENES
finalmente cada región que contenı́a un grano fue segmentada ELABORADA
utilizando el algoritmo de la mı́nima región cuadrada que Nro Nombre/Clase Alias Total
ocupa un contorno. 1 Brocado Leve BrocadoL 70
En la Figura 10 se aprecia el resultado del proceso de seg- 2 Brocado Severo BrocadoS 128
mentación. Nuestra base de imágenes contiene una imagen por 3 Cereza Seca CerezaS 191
cada grano segmentado. Aseguramos que cada segmento posee 4 Concha Concha 73
sólo un grano de café debido a la separación existente entre 5 Danho por Hongo DxHongo 191
cada agujero en la bandeja de entrada. 6 Flotador Flotador 118
7 Inmaduro Inmaduro 224
8 Marron,Agrio,Vinagre MAVinagre 93
9 Negro Negro 174
10 Normal Normal 221
11 Negro Parcial NegroP 176
12 Pergamino Pergamino 117
13 Partido,Mordido,Cortado PMCortado 154
TOTAL : 1930
Informe
autogenerado Reporte de Matriz de confusión. Informe autogenerado
ejecución
Control de para experto
calidad físico
Reporte de control Informe autogenerado que permite
de calidad (PDF) validar los resultados con
evaluaciones de especialistas, este
informe es para desarrolladores y no
disponible al usuario final
Figura 11. Etapas en el proceso de control de calidad fı́sica de granos de café verde, se realizó una recolección de imágenes de granos de café dispuestos
en una bandeja previamente diseñada, luego se realizó un proceso de mejoramiento de imagen utilizando un algoritmo White-Patch perteneciente a la familia
Retinex de algoritmos de constancia de color, a seguir se realizó un proceso de segmentación para la obtención de regiones de interés discriminando el fondo
utilizando una máscara digital por cada grano detectado, posteriormente se realizó la obtención de vectores de caracterı́sticas expresados como histogramas de
color por cada canal en la imagen segmentada, finalmente se realizó el proceso de clasificación utilizando SVM.
Clase BRL BRS CS CON DxH FLO INM MAV NEG NEGP NOR PERG PMC
BrocadoL 40 7 0 8 0 7 0 0 0 8 0 0 0
BrocadoS 4 109 0 3 0 0 4 0 1 3 0 0 4
CerezaS 0 0 171 0 0 0 0 5 12 3 0 0 0
Concha 5 12 0 37 0 9 2 1 0 1 0 0 6
DxHongo 0 0 0 0 185 0 3 1 0 0 0 0 1
Flotador 4 0 0 5 0 94 3 3 0 4 3 1 1
Inmaduro 0 3 1 0 0 3 172 10 2 8 15 0 9
MAVinagre 0 0 5 0 0 5 11 61 0 6 0 0 5
Negro 0 2 9 0 0 0 1 1 154 5 1 0 0
NegroP 6 4 3 3 0 5 10 5 2 136 2 0 0
Normal 0 1 0 0 1 2 9 1 0 1 203 0 3
Pergamino 0 0 0 0 2 0 0 0 0 0 0 116 1
PMCortado 0 4 0 2 1 3 12 7 0 3 7 0 116
Cuadro V. R ESULTADOS DE PRECISION , RECALL , F-M EASURE PARA LA MATRIZ DE CONFUSI ÓN DEL C UADRO IV
embargo esto puede mejorarse utilizando un mejora- se debe a una sombra generada por la malla de
miento de imágenes que realice un contraste entre la adquisición, dado que la clase NegroP no presenta
coloración Negra y Marrón oscura, de ambas clases. ninguna instancia mal clasificada como Normal.
• Utilizando una validación cruza K-Fold con K = 10 • Los ejemplares de la clase Inmaduro son descritos
se obtuvo un 82.5 % de Precision. como granos de café que no lograron desarrollarse en
su totalidad, su principal caracterı́stica es el tamaño,
B. Pruebas utilizando la base de imágenes con White-Patch su notable mejora en clasificación se debe al White-
Patch, esta clase adquiere una coloración más clara
En el Cuadro VI se describe la matriz de confusión que lo diferencia de las clases con coloraciones oscu-
obtenida para la base de imágenes mejorada con White-Patch ras como Negro, NegroP, BrocadoS y CerezaS.
y en el Cuadro VII se presentan los resultados de Precision,
Recall y F-Measure. • En comparación a los resultados para las clases Bro-
cadoL, BrocadoS, NegroP y Concha en el Cuadro IV
• Los resultados utilizando el algoritmo de mejoramien- se obtuvieron mejoras notables, resaltando el 38 % de
to White-Patch muestran una mejora notoria en la cla- mejora en F-Measure para la clase BrocadoL, y el
sificación. Las clases Flotador, Inmaduro y Pergamino 43 % para la clase Concha.
alcanzan un 100 % de F-Measure, en el caso de la
clase Pergamino los resultados eran esperados debido • La clase PMCortado presenta una coloración muy
a su tonalidad amarillo totalmente distinta de otras similar a otras clases, su principal caracterı́stica es
clases, sin embargo la clase Flotador presenta una su forma, en el Cuadro IV se comprueba que esta
coloración verde muy similar a otras clases, creemos clase no es confundida con las clases de coloraciones
que su mejora de 22.6 % en F-Measure se debe al oscuras (Negro, CerezaS) ni Pergamino, esto se debe a
White-Patch, dado que luego de aplicar el algoritmo que un ejemplar PMCortado puede ser originado por
este grano adquiere una coloración verde clara. un ejemplar Normal que fue cortado en el proceso
de despulpado del fruto del café, también pudo ser
• La clase Normal presenta una mejora de 9 % en F- partido en el proceso de transporte, y ser confundido
Measure, pero presenta una instancia clasificada como como un ejemplar Inmaduro. Estos problemas fueron
NegroP en ambas pruebas, consideramos que esto reducidos por el algoritmo de mejoramiento, sin em-
Cuadro VI. M ATRIZ DE CONFUSI ÓN PARA LA BASE DE IM ÁGENES CON W HITE -PATCH
Clase BRL BRS CS CON DxH FLO INM MAV NEG NEGP NOR PERG PMC
BrocadoL 69 1 0 0 0 0 0 0 0 0 0 0 0
BrocadoS 0 127 0 0 0 0 0 0 0 0 1 0 0
CerezaS 0 0 186 0 1 0 0 2 0 0 2 0 0
Concha 0 0 0 72 0 0 0 0 0 1 0 0 0
DxHongo 0 0 0 0 189 0 0 2 0 0 0 0 0
Flotador 0 0 0 0 0 118 0 0 0 0 0 0 0
Inmaduro 0 0 0 0 0 0 224 0 0 0 0 0 0
MAVinagre 0 0 0 0 2 0 0 90 0 1 0 0 0
Negro 0 0 0 0 0 0 0 0 171 0 3 0 0
NegroP 0 0 1 0 0 0 0 0 0 175 0 0 0
Normal 0 0 0 0 0 0 0 0 0 1 219 0 1
Pergamino 0 0 0 0 0 0 0 0 0 0 0 117 0
PMCortado 0 0 0 0 2 0 0 1 0 0 1 0 150
bargo aún presenta una ligera confusión con las clases y mejorada con White-Patch, los resultados mostraron un
DxHongo y MAVinagre, cuando ambas clases no son incremento en los porcentajes de clasificación para todas las
confundidas con PMCortado, esto se debe al corte o clases. Concluimos que la clase PMCortado aún presenta un
partido del grano que generan tonalidades similares a porcentaje de error debido a su coloración muy similar a
esas clases sólo en las regiones dañadas, creemos que las clases MAVinagre y DxHongo, esto es producto del daño
un procedimiento de análisis de forma reducirı́a en su ocasionado por el corte o partición en el grano durante el
totalidad este problema. proceso de despulpado o transporte. Adicionalmente creemos
que la aplicación de un proceso de análisis de forma podrı́a
• Utilizando una validación cruza K-Fold con K = 10 reducir en su totalidad este problema.
se obtuvo un 98.8 % de Precision. Concluimos tambien que el uso de una malla para la dis-
Cuadro VII. R ESULTADOS DE PRECISION , RECALL , F-M EASURE PARA
posición de los granos favorece el proceso de control de
LA MATRIZ DE CONFUSI ÓN DEL C UADRO VI calidad, sin embargo se requiere un tiempo para la disposición
de estos el cual es aún menor que el proceso manual de
Clase Precision Recall F-Measure detección de defectos, se propone una variación en el diseño
BrocadoL 100.0 98.6 99.3 que dispense de la malla, también el uso de un algoritmo
BrocadoS 99.2 99.2 99.2 de granulometrı́a como el utilizado en [18] para resolver el
CerezaS 99.5 97.4 98.4 problema de segmentación de granos.
Concha 100.0 98.6 99.3 En trabajos previos han elaborado algoritmos capaces de
DxHongo 97.4 99.0 98.2 segmentar granos juntos, solapados y/o parcialmente ocluidos,
Flotador 100.0 100.0 100.0 sin embargo esto se ve influenciado por la cantidad de tipos de
Inmaduro 100.0 100.0 100.0 defectos utilizados, y también creemos que la oclusión parcial
MAVinagre 94.7 96.8 95.7 de granos puede eliminar posibles defectos en la escena,
Negro 100.0 98.3 99.1 adicionalmente nosotros creemos que el uso de agujeros del
NegroP 98.3 99.4 98.9 mismo tamaño asegura la inclusión de estos en la escena
Normal 96.9 99.1 98.0 y proponemos también utilizar esta información real de los
Pergamino 100.0 100.0 100.0
agujeros para determinar el tamaño real de los granos de
PMCortado 99.3 97.4 98.4
café en la escena, y lograr un nivel de clasificación por tamaño
necesario para el control de calidad de granos de café verde.
Nuestro sistema ha demostrado resultados prometedores, y
en comparación con otros trabajos similares ha utilizado un
VI. C ONCLUSIONES Y TRABAJOS FUTUROS número mayor de clases basado en el estándar propuesto por
Nuestro trabajo presenta la implementación de un sistema la SCAA para el control de calidad de granos de café verde.
de control de calidad aplicado a la detección de defectos Los resultados descritos demuestran que el sistema implemen-
fı́sicos de granos de café verde, combinamos un módulo de tado puede ser utilizado en laboratorios de control de calidad
hardware y software. El hardware es utilizado para mantener de granos de café verde, como plataforma de asistencia al
condiciones de iluminación constante y homogéneas, también experto.
es utilizado para la adquisición de imágenes de cafe, para
evitar el análisis manual realizado por el experto, el módulo AGRADECIMIENTOS
de software utiliza una combinación de White-Patch como
Los autores quisieran agradecer a CECOVASA (Central de
algoritmo de mejoramiento de imágenes e histogramas de color Cooperativas Agrarias Cafetaleras de los Valles de Sandia) quienes
para su representación vectorial de caracterı́sticas, el sistema brindaron el soporte y conocimiento necesario para el desarrollo de
obtuvo resultados al 98.8 % de Precision, esto demuestra la la investigación. Este trabajo ha sido subvencionado por los Fondos
efectividad de nuestro sistema para la asistencia al experto en para el Desarrollo, Ciencia y Tecnologı́a mediante contrato Nro. 143-
el proceso de control de calidad de granos de café verde. 2013 FONDECYT mediante convenio de la Universidad Nacional de
Se realizaron pruebas con una base de imágenes sin mejorar San Agustı́n y CONCYTEC.
R EFERENCIAS [23] R. Hummel, “Image enhancement by histogram transformation,” Com-
puter graphics and image processing, vol. 6, no. 2, pp. 184–195, 1977.
[1] SCAA, “Specialty coffe asociation of america,” http://www.scaa.org, [24] Q. Wang and R. K. Ward, “Fast image/video contrast enhancement
Mayo 2016. [Online]. Available: http://www.scaa.org/ based on weighted thresholded histogram equalization,” Consumer
[2] E. H. Land et al., The retinex theory of color vision. Citeseer, 1977. Electronics, IEEE Transactions on, vol. 53, no. 2, pp. 757–764, 2007.
[3] W. Ma, J.-M. Morel, S. Osher, and A. Chien, “An l 1-based variational [25] S. Pichai, B. Krishnasamy, and S. Karuppanagounder, “Bi-level weigh-
model for retinex theory and its application to medical images,” in Com- ted histogram equalization for scalable brightness preservation and
puter Vision and Pattern Recognition (CVPR), 2011 IEEE Conference contrast enhancement for images.” Int. Arab J. Inf. Technol., vol. 10,
on. IEEE, 2011, pp. 153–160. no. 6, pp. 603–609, 2013.
[4] M. Sonka, V. Hlavac, and R. Boyle, Image Processing, Analysis, and [26] P. Trahanias and A. Venetsanopoulos, “Color image enhancement
Machine Vision, 3, Ed. Chapman & Hall, 1998. through 3-d histogram equalization,” in Pattern Recognition, 1992. Vol.
III. Conference C: Image, Speech and Signal Analysis, Proceedings.,
[5] T. Hastie, R. Tibshirani, and J. H. Friedman, The elements of statistical 11th IAPR International Conference on. IEEE, 1992, pp. 545–548.
learning: data mining, inference, and prediction: with 200 full-color
illustrations. New York: Springer-Verlag, 2001. [27] N. Bassiou, C. Kotropoulos, and H. Equalization, “Color Histogram
Equalization Using Probability Smoothing,” no. Eusipco, pp. 4–8, 2006.
[6] S. Haykin, Ed., Neural Networks: Algorithms, Applications, and Pro-
gramming Techniques. Bookman, 2001. [28] R. N. Strickland, C.-S. Kim, and W. F. McDonnell, “Digital color image
enhancement based on the saturation component,” Optical Engineering,
[7] R. Barr, J. Haas, and R. R., “Jist: An efficient approach to simulation vol. 26, no. 7, pp. 267 609–267 609, 1987.
using virtual machines,” in Software: Practice and Experience, 2003.
[29] S. K. Naik and C. Murthy, “Hue-preserving color image enhancement
[8] A. Ben-Hur, D. Horn, H. Siegelmann, and V. Vapnik, “Support vector without gamut problem,” Image Processing, IEEE Transactions on,
clustering,” Machine Learning Research, vol. 2, pp. 125–137, 2000. vol. 12, no. 12, pp. 1591–1598, 2003.
[9] M. Hearst, “Trends controversies: Support vector machines,” IEEE [30] D. H. Foster, “Color constancy,” Vision research, vol. 51, no. 7, pp.
Intelligent System, vol. 13, no. 4, pp. 18–28, 1998. 674–700, 2011.
[10] N. Montes, G. Osorio, F. Prieto, and F. Angulo, “La visión artificial [31] M. M. Faghih and M. E. Moghaddam, “Multi-objective optimization
aplicada al proceso de producción del café,” Dyna, vol. 133, pp. 41– based color constancy,” Applied Soft Computing, vol. 17, pp. 52–66,
49, 2001. 2014.
[11] J. A. B. Acevedo, F. A. P. Ortiz, and G. A. O. Londoño, “Segmentación [32] C.-N. Jonathan and E. Raul, “Automatic selection of color constancy
de frutos de café mediante métodos de crecimiento de regiones,” Rev. algorithms for dark image enhancement by fuzzy rule-based reasoning,”
Fac. Nal. Agr. Medellı́n. Vol, vol. 59, no. 1, pp. 3311–3333, 2006. 2014.
[12] Z. L. S. Niño and F. A. P. Ortiz, “Caracterización de café cereza [33] Y. Li, H. Zhang, W. Jia, D. Yuan, F. Cheng, R. Jia, L. Li, and M. Sun,
empleando técnicas de visión artificial,” Revista Facultad Nacional de “Saliency guided naturalness enhancement in color images,” Optik-
Agronomı́a-Medellı́n, vol. 60, no. 2, pp. 4105–4127, 2007. International Journal for Light and Electron Optics, vol. 127, no. 3,
pp. 1326–1334, 2016.
[13] M. Habtamu, “Image analysis for ethiopian coffee classification,” Mas-
ter’s thesis, Addis Ababa University, 2008. [34] Y. Liu, T. Gevers, and X. Li, “Color constancy by combining low-mid-
high level image cues,” Computer Vision and Image Understanding,
[14] D. Soedibyo, K. Seminar, U. Ahmad, and I. Subrata, “The development vol. 140, pp. 1–8, 2015.
of automatic coffee sorting system based on image processing and
artificial neural network,” in Proceedings of AFITA 2010 International [35] N. Otsu, “A threshold selection method from gray-level histograms,”
Conference-The Quality Information for Competitive Agricultural Based Automatica, vol. 11, no. 285-296, pp. 23–27, 1975.
Production System and Commerce, Bogor Agricultural University, West [36] S. Suzuki et al., “Topological structural analysis of digitized binary
Java-Indonesia, 2010, pp. 272–275. images by border following,” Computer Vision, Graphics, and Image
[15] F. Faridah, Gea O. F. Parikesit, “Coffee bean grade determination based Processing, vol. 30, no. 1, pp. 32–46, 1985.
on image parameter,” TELKOMNIKA (Telecommunication, Computing,
Electronics and Control), vol. 9, pp. 547–554, 2011.
[16] J. R. Santos, M. C. Sarraguça, A. O. Rangel, and J. A.
Lopes, “Evaluation of green coffee beans quality using near
infrared spectroscopy: A quantitative approach,” Food Chemistry,
vol. 135, no. 3, pp. 1828–1835, 2012. [Online]. Available: http:
//www.sciencedirect.com/science/article/pii/S0308814612010321
[17] K. Tolessa, M. Rademaker, B. De Baets, and P. Boeckx, “Prediction
of specialty coffee cup quality based on near infrared spectra of green
coffee beans,” Talanta, vol. 150, pp. 367–374, 2016.
[18] S. A. de Araújo, J. H. Pessota, and H. Y. Kim, “Beans quality inspection
using correlation-based granulometry,” Engineering Applications of
Artificial Intelligence, vol. 40, pp. 84–94, 2015.
[19] H. Calvo, M. A. Moreno-Armendáriz, and S. Godoy-Calderón, “A
practical framework for automatic food products classification using
computer vision and inductive characterization,” Neurocomputing, vol.
175, pp. 911–923, 2016.
[20] M. P. Arakeri et al., “Computer vision based fruit grading system for
quality evaluation of tomato in agriculture industry,” Procedia Computer
Science, vol. 79, pp. 426–433, 2016.
[21] B. Zhang, W. Huang, L. Gong, J. Li, C. Zhao, C. Liu, and D. Huang,
“Computer vision detection of defective apples using automatic light-
ness correction and weighted rvm classifier,” Journal of Food Enginee-
ring, vol. 146, pp. 143–151, 2015.
[22] E. M. de Oliveira, D. S. Leme, B. H. G. Barbosa, M. P. Rodarte,
and R. G. F. A. Pereira, “A computer vision system for coffee beans
classification based on computational intelligence techniques,” Journal
of Food Engineering, vol. 171, pp. 22–27, 2016.