Inteligencia artificial en computer visión para determinar tipo y calidad de granos de soja

• Autores: Maranzana, Rodrigo; Santander, Cristian; Marinzalda, Federico; Buffarini, Leandro; Grasso, Claudio; Ibarzabal, Clara; Ordoñez, Matias; Ordiales, Hernán; Correa, Camila; Verrastro, S.
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Calidad de granos; Visión por computadora; Inteligencia artificial; Machine learning; Deep learning; Grain quality; Computer vision; Artificial intelligence
• Institución: Universidad Nacional de La Plata

Este trabajo presenta un sistema de inteligencia artificial basado en técnicas de visión por computadora para evaluar la calidad de granos de soja, proponiendo una alternativa rápida y económica frente a los métodos manuales, al automatizar la evaluación de atributos como el tamaño, la forma, el color de los granos, la presencia de insectos y materias extrañas. Para ello, se recolectaron muestras de granos de soja sanos y dañados por diversas causas, incluyendo contaminación con materias extrañas e insectos. Se aplicaron distintas estrategias de clasificación automática de imágenes, que incluyeron modelos de Machine Learning con extracción manual de características y modelos de Deep Learning que no requieren este paso. Los resultados obtenidos demuestran que los modelos de Deep Learning superan en desempeño a los de Machine Learning en la tarea de clasificación de calidad de granos de soja.
This work presents an artificial intelligence system based on computer vision techniques to assess soybean grain quality, offering a fast and cost-effective alternative to manual methods by automating the evaluation of attributes such as grain size, shape, color, and the presence of insects and foreign materials. To this end, samples of healthy and damaged soybean grains were collected, including those contaminated with foreign materials and insects. Various image classification strategies were applied, including Machine Learning models with manual feature extraction and Deep Learning models that do not require this step. The results show that Deep Learning models outperform Machine Learning models in the task of classifying soybean grain quality.
Sociedad Argentina de Informática e Investigación Operativa