“UNIVERSIDAD NACIONAL DE PIURA ”
FACULTAD DE INGENIERIA INDUSTRIAL ESCUELA PROFESIONAL DE INGENIERIA MECATRÓNICA
INFORME FINAL DE TESINA TITULO: “Diseño de un Sistema de Selección Automatizada del Mango por Calibres utilizando Visión Artificial”
RESPONSABLES:
Curay Quevedo Jhan Carlos
Palacios Ortiz Martin Benito
Rimapa Bustamante Wilder Iván
Piura, 2014
CAPÍTULO I 1. DEL PROBLEMA DE INVESTIGACIÓN 1.1. PLANTEAMIENTO DEL PROBLEMA El presente trabajo de investigación se basó en el estudio, mejora y automatización en el proceso de selección del mango, debido a que dicho proceso es realizado manualmente en las distintas fábricas de la ciudad de Tambogrande.
1.1.1.Realidad Problemática Todas las empresas hoy en día buscan optimizar su calidad en producción para garantizar un nivel superior a las demás debido a la alta competitividad. Como muchas de estas empresas agroindustriales dedicadas al rubro del comercio del mango, existen en la ciudad de Tambogrande y buscan liderar en los niveles de exportaciones. Dentro de la estructura organizacional de estas empresas se encuentra el Departamento de Procesos que es el encargado de la selección
por el método de
calibración, cuya función es cumplir con los estándares de calidad requerido por el cliente. Sin embargo se observó que en dicho Departamento los trabajadores sufrían de niveles de stress generado a partir del trabajo continuo del proceso de selección manual establecido por la empresa, disminuyendo de esta forma el grado de eficiencia en sus labores. En consecuencia el mango no se clasificaba ni se distribuía correctamente ya que, los los tiempos designados en su proceso de selección daban lugar a impases de algunos mangos que no cumplían con el estándar requerido, generándose grandes pérdidas. Además se observó que al tener demasiada producción, el método de selección usado no satisfacía la totalidad del producto, por lo que se echaba a perder gran número de fruta debido a la sobre maduración. De esta forma la empresa pierde un porcentaje en sus ganancias. Para combatir estos problemas se puede emplear el uso de tecnología basado en visión artificial, que permite reducir el tiempo de selección del mango, cumpliendo con los
CAPÍTULO I 1. DEL PROBLEMA DE INVESTIGACIÓN 1.1. PLANTEAMIENTO DEL PROBLEMA El presente trabajo de investigación se basó en el estudio, mejora y automatización en el proceso de selección del mango, debido a que dicho proceso es realizado manualmente en las distintas fábricas de la ciudad de Tambogrande.
1.1.1.Realidad Problemática Todas las empresas hoy en día buscan optimizar su calidad en producción para garantizar un nivel superior a las demás debido a la alta competitividad. Como muchas de estas empresas agroindustriales dedicadas al rubro del comercio del mango, existen en la ciudad de Tambogrande y buscan liderar en los niveles de exportaciones. Dentro de la estructura organizacional de estas empresas se encuentra el Departamento de Procesos que es el encargado de la selección
por el método de
calibración, cuya función es cumplir con los estándares de calidad requerido por el cliente. Sin embargo se observó que en dicho Departamento los trabajadores sufrían de niveles de stress generado a partir del trabajo continuo del proceso de selección manual establecido por la empresa, disminuyendo de esta forma el grado de eficiencia en sus labores. En consecuencia el mango no se clasificaba ni se distribuía correctamente ya que, los los tiempos designados en su proceso de selección daban lugar a impases de algunos mangos que no cumplían con el estándar requerido, generándose grandes pérdidas. Además se observó que al tener demasiada producción, el método de selección usado no satisfacía la totalidad del producto, por lo que se echaba a perder gran número de fruta debido a la sobre maduración. De esta forma la empresa pierde un porcentaje en sus ganancias. Para combatir estos problemas se puede emplear el uso de tecnología basado en visión artificial, que permite reducir el tiempo de selección del mango, cumpliendo con los
estándares de calidad de una forma eficiente logrando así aumentar el grado de satisfacción en el cliente. En caso de que sigan persistiendo estos problemas en el Departamento de Procesos de la empresa, estos le ocasionaran un desperdicio de fruta, que dará lugar a grandes pérdidas económicas para la empresa.
1.1.2. Formulación del Problema Pregunta General
¿Cómo mejoraría el proceso de selección del mango utilizando un prototipo basado en visión artificial en el departamento de Procesos de las empresas dedicadas a este rubro en la ciudad de Tambogrande?
Pregunta Específica
¿Cómo identificaremos las técnicas de reconocimiento y selección de mango utilizando Visión Artificial?
1.2. OBJETIVOS 1.2.1. Objetivo General
Diseñar e implementar un prototipo basado en visión artificial para la selección del mango.
1.2.2. Objetivos Específicos
Analizar las técnicas de visión artificial para el reconocimiento y selección automático del mango.
Identificar los elementos del Sistema de Visión Artificial, basándonos en un Diagrama de Bloques.
1.3. JUSTIFICACIÓN El estudio se realizó con el fin de resolver la problemática que se está presentando en las empresas de la ciudad de Tambogrande y demás valles costeros dedicados a la exportación de mango y conservas, ya que en el proceso de selección del mismo, se utiliza en muchos casos el método de calibración manual, el cual por factores humanos, no llega a seleccionar de forma correcta y eficiente el mango destinado para las exportaciones, el cual lleva un régimen laboral para poder cumplir todos los estándares de calidad requeridos por los diversos mercados de destino. El interés de este estudio es mejorar la calidad en exportaciones y disminuir las pérdidas de mango en el proceso de su clasificación, a partir de una mejora en el sistema de selección que nos garantice rapidez y eficiencia aplicando un campo de la Inteligencia Artificial denominado Visión Artificial con grandes resultados, que nos permitan incrementar los intereses económicos de la empresa y aumentar el grado de satisfacción de los clientes, con un producto de calidad, causando un impacto de ejemplo para las demás empresas que realizan el mismo proceso. Desde el punto de vista de optimización de procesos, con la implementación del Sistema Basado en Visión Artificial para el Reconocimiento de mangos exportables, el margen de error que esperamos alcanzar será menor al 5% frente al margen de error actual en promedio del 20% generado por el reconocimiento manual realizado por el personal encargado de la Selección en las diversas empresas de los diferentes valles costeros productores de mango en la ciudad de Piura, aproximadamente una reducción del margen de error del 15%.
CAPÍTULO II 2. MARCO REFERENCIAL DEL PROBLEMA DE INVESTIGACIÓN 2.1 MARCO REFERENCIAL 2.1.1. Marco Teórico 2.1.1.1 Conceptos Básicos a) Imagen: Es la proyección en perspectiva en el plano bidimensional de una escena tridimensional en un determinado instante de tiempo t0.
b) Fotograma: Es una matriz bidimensional de valores de intensidad lumínica obtenidos para un tiempo t0.
c) Pixel (Picture Element): Es cada de una de las posiciones en que es discretizada una imagen, o lo que es lo mismo, cada una de las posiciones de un cuadro.
d) Imagen Binaria: son aquellas imágenes cuyos pixeles so tiene dos valores cero y uno.
2.1.1.2. Sensor Un sensor es un dispositivo eléctrico y/o mecánico que convierte magnitudes físicas (luz, magnetismo, presión, etc.) en valores medibles de dicha magnitud. Esto se realiza en tres fases:
Un fenómeno físico a ser medido es captado por un sensor, y muestra en su salida una señal eléctrica dependiente del valor de la variable física.
La señal eléctrica es modificada por un sistema de acondicionamiento de señal, cuya salida es un voltaje.
El sensor dispone de una circuitería que transforma y/o amplifica la tensión de salida, la cual pasa a un conversor A/D, conectado a un PC. El convertidor A/D transforma la señal de tensión continua en una señal discreta.
(Ing. José Roberto Vignoni; Instrumentación y Comunicaciones Industriales, 2003)
2.1.1.3. Visión Artificial Se puede definir la “Visión Artificial” como un campo de la “Inteligencia Artificial” que,
mediante la utilización de las técnicas adecuadas, permite la obtención, procesamiento y análisis de cualquier tipo de información especial obtenida a través de imágenes digitales. La visión artificial la componen un conjunto de procesos destinados a realizar el análisis de imágenes. Estos procesos son: captación de imágenes, memorización de la información, procesado e interpretación de los resultados.
2.1.1.4. Sistema de Visión Artificial Los sistemas de visión industriales, son una combinación de hardware y software, que permiten capturar una imagen y aplicarle una serie de técnicas, que ayudan a transformar y sustraer información importante, con la finalidad de que el sistema tome una decisión binaria. Estos sistemas reciben el nombre de: sistemas de inspección visual automatizados o automáticos. Actualmente estos sistemas se han convertido en una importante herramienta en diversos campos; tales como: medicina, astronomía, geografía, biología, industria agrícola, manufactura, industria, militar, etc. La inspección visual automática se define como: proceso de control calidad que mediante técnicas de procesamiento digital de imágenes y reconocimientos de patrones, determina automáticamente si un producto se desvía de las especificaciones de calidad. ([Newman y Jain, 1995]; Tesis para obtener el grado de: Maestro en Ingeniería de Manufactura: Víctor Vargas Baeza.)
2.1.1.5. Características y Aplicaciones Principales en un Sistema de Visión Artificial Las principales características de un sistema de visión artificial son:
Analizan luz o color reflejado: Miden nivel de luz
Detectan bordes y formas.
Actúan sin contacto: No deforman el material.
Se puede analizar un objeto en movimiento.
Son automáticos: Alta velocidad de procesado.
Flexibles: basados en software.
Entorno informático.
Las aplicaciones de Visión Artificial se dividen en tres grandes categorías:
Control de procesos.
Control de calidad.
Aplicaciones no industriales (por ejemplo, control del tráfico).
2.1.1.6. Etapas en un Proceso de Visión Artificial La visión artificial lleva asociada una enorme cantidad de conceptos relacionados con hardware, software y también con desarrollo teóricos. Pasos fundamentales para llevar a cabo un proceso de visión artificial: El primer paso en el proceso es adquirir la imagen digital. Una vez que la imagen digitalizada ha sido obtenida, el siguiente paso consiste en procesamiento de dicha imagen. El objetivo del procesamiento es mejorar la imagen de forma que el objetivo final tenga mayores posibilidades del éxito. El paso siguiente es la segmentación. Definida en sentido amplio, su objetivo es dividir la imagen en las partes que la constituyen o los objetos que la conforman. En general la segmentación autónoma es uno de los problemas más difíciles en el procesamiento de la imagen. En último lugar se encuentra el reconocimiento y la interpretación. El reconocimiento es el proceso que asigna una etiqueta a un objeto basada en la información que proporcionan los datos. La interpretación lleva asignar significada al conjunto de objetos reconocidos.
FIGURA 2. 1. Diagrama de Bloques de las Etapas se un Sistema de Visión Artificial Fuente: Diseño de un sistema de visión artificial para seleccionar limón/Rivera Cambero L. H. / Martínez Orozco G. /Jiménez Vicencio M. L. / Rodríguez Ramos J. C./Instituto Tecnológico Superior de La Huerta,
2.1.1.7. Componentes de un Sistema de Visión Artificial Los elementos de hardware mínimo necesario para un sistema de visión artificial son los siguientes:
Sensor óptico: El sensor puede ser una cámara color o monocromo que produce una imagen completa del dominio del problema. La naturaleza del sensor y la imagen que produce vienen determinada por la aplicación.
Tarjeta de adquisición de datos: Permite digitalizar la señal entregado por el subsistema anterior.
Computador: Una vez digitalizada la imagen, debe ser almacenada en la memoria de un computador para su posterior procesamiento y manipulación por programa.
Monitor de video: Permite visualizar tanto las imágenes o escenas captadas como los resultados del procesamiento de dicha imagen.
En la Figura 2.2 se puede ver el objeto observado, la iluminación, la cámara y el proceso de digitalización que permite por un lado la visualización de la imagen digital y por otro lado el proceso de extracción de parámetros y su posterior proceso de análisis y control que actúa sobre el entorno del objeto, ya sea para clasificarlo, desestimarlo, actuar sobre él, etc.
FIGURA 2.2. Diagrama de Bloques de un Sistema de Visión Artificial Fuente:http://www.etitudela.com/celula/downloads/visionartificial.pdf-Visión Artificial
2.1.1.8. Reconocimiento y Clasificación La clasificación de objetos por su tamaño y en su caso el recuento de los mismos, ver figura 12. Por ejemplo, para contar monedas en función del área de la moneda, perímetro o número de Euler tras el correspondiente proceso de binarización.
En Céspedes y col. (1998) se muestra una técnica para el reconocimiento de caras de personas mediante visión artificial utilizando perfiles de intensidad. En Intrator y col. (1996) se utilizan redes neuronales con el mismo fin, y en Kwon y Lobo (1999) se clasifican las edades a partir de imágenes de caras. Feng y Yuen (1998) reconocen ojos en caras humanas. Purnell y col. (1998) reconocen caras de entre un grupo de personas.
Figura 2.3. a) Imagen Original. b) Área de las monedas Originales. Fuente:
http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF-
Aplicaciones De La Visión Artificial
En JIVA (1991) se propone un procedimiento de lectura automática de datos del Documento Nacional de Identidad, así como reconocimiento de objetos basados en el color. El reconocimiento de huellas dactilares también es posible mediante visión, así en Capelli y col. (1999) se utiliza un conjunto de máscaras para obtener un vector numérico representando cada huella digital como un vector de atributos multidimensional, luego mediante optimización se realiza la clasificación. Los trabajos de Caru y Jain (1996) y Kawagoe y Tojo (1984) también presentan métodos de reconocimiento de huellas dactilares. (Aplicaciones de Visión Artificial-RA-MA.)
2.1.1.9. Imagen Digital Es el principal elemento de la Visión Artificial y es una representación bidimensional de una imagen a partir de una matriz numérica, frecuentemente en binario (unos y ceros). Dependiendo de si la resolución de la imagen es estática o dinámica, puede tratarse de una imagen matricial (o mapa de bits) o de un gráfico vectorial.
Las imágenes digitales se pueden guardar en distintos formatos. Cada uno se corresponde con una extensión específica del archivo que lo contiene. Los más utilizados en la actualidad son: BMP, GIF, JPG, TIF y PNG.
BMP (Bitmap = Mapa de bits)
Ha sido muy utilizado porque fue desarrollado para aplicaciones Windows.
La imagen se forma mediante una parrilla de píxeles.
El formato BMP no sufre pérdidas de calidad y por tanto resulta adecuado para guardar imágenes que se desean manipular posteriormente.
Ventaja: Guarda gran cantidad de información de la imagen.
Inconveniente: El archivo tiene un tamaño muy grande.
GIF (Graphics Interchange Format = Formato de Intercambio Gráfico).
Ha sido diseñado específicamente para comprimir imágenes digitales.
Reduce la paleta de colores a 256 colores como máximo (profundidad de color de 8 bits).
Admite gamas de menor número de colores y esto permite optimizar el tamaño del archivo que contiene la imagen.
Ventaja: Es un formato idóneo para publicar dibujos en la web.
Inconveniente: No es recomendable para fotografías de cierta calidad ni originales ya que el color real o verdadero utiliza una paleta de más de 256 colores.
JPG-JPEG (Joint Photographic Experts Group = Grupo de Expertos Fotográficos Unidos).
A diferencia del formato GIF, admite una paleta de hasta 16 millones de colores.
Es el formato más común junto con el GIF para publicar imágenes en la web.
La compresión JPEG puede suponer cierta pérdida de calidad en la imagen. En la mayoría de los casos esta pérdida se puede asumir porque permite reducir el tamaño del archivo y su visualización es aceptable. Es recomendable utilizar una calidad del 60-90 % del original.
Cada vez que se modifica y guarda un archivo JPEG, se puede perder algo de su calidad si se define cierto factor de compresión.
Las cámaras digitales suelen almacenar directamente las imágenes en formato JPEG con máxima calidad y sin compresión.
Ventaja: Es ideal para publicar fotografías en la web siempre y cuando se configuren adecuadamente dimensiones y compresión.
Inconveniente: Si se define un factor de compresión se pierde calidad. Por este motivo no es recomendable para archivar originales.
TIF-TIFF (Tagged Image File Format = Formato de Archivo de Imagen Etiquetada).
Almacena imágenes de una calidad excelente.
Utiliza cualquier profundidad de color de 1 a 32 bits.
Es el formato ideal para editar o imprimir una imagen.
Ventaja: Es ideal para archivar archivos originales.
Inconveniente: Produce archivos muy grandes.
PNG (Portable Network Graphic = Gráfico portable para la red).
Es un formato de reciente difusión alternativo al GIF.
Tiene una tasa de compresión superior al formato GIF (+10%)
Admite la posibilidad de emplear un número de colores superior a los 256 que impone el GIF.
Debido a su reciente aparición sólo es soportado en navegadores modernos como IE 4 o superior
2.1.1.10. Representación de las imágenes en los computadores digitales Aunque el sistema de visión humano tiene mayor resolución en la fóvea y menos en la periferia, se ha observado que a pesar de que la distribución de los foto receptores no es uniforme, la percepción visual si lo es. Los humanos percibimos con una única resolución.
Esta circunstancia ha conducido a la utilización de sensores con matrices de resolución uniforme. Por tanto, la organización corresponde a una matriz 2D uniforme. Las imágenes para ser procesadas en el computador han sido adquiridas a través de la cámara de vídeo y puestas en su memoria empleando las tarjetas de adquisición de vídeo. Esta señal es de carácter bidimensional y emplea variables discretas. Los elementos de la matriz se llaman píxeles. El acceso a esta elemental información se hace indicando la fila y la columna que ocupa. El origen de coordenadas de la imagen se encuentra en la esquina superior izquierda. El eje horizontal corresponde con las columnas y el eje vertical con las filas. Se emplearán índices enteros para posicionar el píxel. Se denotará el valor del píxel a través de una función, del tipo f(x, y), siendo x el índice de la fila e y de la columna. Si la imagen es acromática, sólo se presenta la luminancia, esto es, los niveles de grises. La función f(x, y) retornará el nivel de gris del píxel mencionado. En caso de que la imagen sea en color, f(x, y) devolverá un vector. Normalmente suele expresarse como una proyección del color sobre el sistema RGB (Red-Green-Blue). La imagen puede ser de tipo 3D, por ejemplo, en resonancia magnética, luz estructurada, etc. Éstas se presentan como una pila de imágenes 2D. Se les añade otro índice, denominado k o z, que indica el orden de la rodaja de imagen 2D dentro de la pila. La secuencia temporal de imágenes estáticas da lugar al vídeo. En el cine se emplea 25 fotogramas por segundo, gracias a la inercia visual del ojo humano, da sensación de continuidad en la escena.
FIGURA 2.4. Organización matricial uniforme de una imagen digital Fuente:http://www.elai.upm.es/moodle/pluginfile.php/2246/mod_resource/content/2/cap1_Intr oVA_v1.9.pdf-Introducción a la Visión Artificial
2.1.1.11. Procesamiento de Imagen Una vez preparada la escena para ser capturada por las cámaras de Visión Artificial, se deberá de tratar el aspecto tanto de la cuantificación como de la codificación que sufre la señal de vídeo al ser introducida en el computador. Depositada la información, como una matriz o conjunto de matrices de valores discretos se procederá, tal cual se vio en las etapas de visión, a un procesado de la imagen. Esta etapa, de bajo nivel, trata de obtener una nueva imagen que o bien mejore su calidad o bien destaque algún atributo primario de los objetos capturados. En el aspecto de la calidad tratará de corregir las posibles faltas de iluminación, la eliminación del ruido o de aumentar el contraste en la imagen. Mientras en el realce, su objetivo es destacar los bordes de los objetos, regularizar sus colores, acentuar sus texturas, etc. Las técnicas de procesamiento de las imágenes pueden ser clasificadas en dos grandes ramas: a) las procedentes del procesamiento de señales y b) aquellas que son de carácter heurístico y que nacieron para mejorar algún aspecto primario de la imagen.
2.1.1.12. Muestreo y Cuantificación Las imágenes digitales son obtenidas por el proceso de muestreo y cuantificación de las señales de vídeo adquirida a través de sensores especializados (bien de cámaras u otro tipo de adquisición). El muestreo consiste en la tarea de discretización del escenario en el plano sensor. La imagen es convertida en una matriz discreta de MxN píxeles. El muestreo está relacionado con la resolución espacial de la imagen.
FIGURA 2.5. Resoluciones distintas tomadas sobre un mismo escenario Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes VA/cap3ProcesadoImagv1.pdf-Procesamiento digital de imágenes
La segunda operación es la cuantificación de la señal. Consiste en representar el valor de cada píxel con un conjunto finito de bits. Los niveles de cuantificación suelen ser potencias de 2 para facilitar su almacenamiento en el computador. El número de niveles posibles
define la resolución radiométrica. Cuando las imágenes solo tienen información sobre la luminancia se habla de una imagen en niveles de grises. En este caso, la cuantificación del píxel es de tipo escalar. Si el escalar sólo tiene dos valores, se dice que la imagen es binaria. El valor del cero es negro y el uno es blanco. En general, se suele emplear un byte de cuantificación por píxel, consiguiendo 256 niveles de grises. El cero será el color negro y el valor 255 corresponderá con el blanco. Entre el cero y el valor 255 estarán los diversos valores de grises. Para el caso del color, la cuantificación se vuelve vectorial; por cada píxel se representara una terna de valores que haga reflejar la luminancia y crominancia en cada píxel. La terna dependerá del sistema de representación del color: RGB. Comúnmente, se empleará el sistema RGB con 1 byte por cada color, de forma que se obtendrá 16 millones de colores. Las aplicaciones industriales suelen emplear una resolución radiométrica de 256 niveles de grises o de 16 millones de colores. Evidentemente, si la aplicación exige más resolución, el volumen de información se incrementa exponencialmente.
FIGURA 2.6. Niveles de cuantificación Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes VA/cap3ProcesadoImagv1.pdf-Procesamiento digital de imágenes
2.1.1.13. Distancia Entre Pixeles Antes de empezar el procesamiento, se definen ciertas relaciones que se establecen entre los píxeles de una imagen y que serán aplicadas en las técnicas de procesamiento de las imágenes. En primer lugar, se mencionarán los diferentes conceptos de distancias, para una vez establecidas pasar a las relaciones de vecindad:
a) Relaciones de distancia: La distancia más usual entre dos píxeles es la distancia geométrica o distancia euclídea. La distancia euclídea entre el píxel p de coordenadas (x,y) y el píxel q de posición (s,t) será:
() √ ( ) () El problema de esta métrica está en el tiempo de cálculo que requiere. Por dicha razón también se suele emplearse, en imágenes digitales, la distancia rectangular o Manhattan, definida como:
() () Y la distancia de Tchebychev, tomada como:
() ( ) Para realizar una comparativa entre estas tres distancias, véanse en la Figura 6 el lugar geométrico de estas distancias en el entorno de vecindad de un píxel centrado en la cuadrícula.
Figura 2.7. a) Euclídea b) Rectangular c) Tchebychev Fuente:Uso de Técnicas Avanzadas de Visión Artificial aplicadoa la Industria Frutícola/Trabajo de Titulación para optar al Título de Ingeniero Civil en ComputaciónMención Informática/Universidad Tecnológica Metropolitana Escuela de Informática
b) Relaciones de conectividad: Mediante el concepto de conectividad se quiere expresar que dos píxeles adyacentes del elemento sensor puedan pertenecer al mismo objeto proyectado. Se define el conjunto de los 4-vecinos de un píxel dado p, definido como N4 (p), como el conjunto de vecinos de p formado por los píxeles de norte-sur-este-oeste a p. Desde un punto de vista más formal serán aquellos píxeles que respecto de p tengan una distancia rectangular igual a la unidad, Dm (p, q) = 1. La vecindad a 8, denotado por N8 (p), está formado por el conjunto de píxeles que estén a una distancia de Tchebychev igual a la unidad, Dt (p, q) = 1.
2.1.1.14. Procesamiento Lineal de las Imágenes La Teoría de Señales y Sistemas da un marco de trabajo para el procesamiento digital de las imágenes. Con este objetivo, se procederá a extender los conocimientos dados sobre señales unidimensionales y sistemas discretos monovariables, estudiados en anteriores asignaturas,
a las imágenes digitales. Las imágenes digitales son consideradas como señales discretas multi-dimensionales, las cuales son procesadas por sistemas discretos o filtros. Según la Teoría de la Señal, una señal discreta unidimensional que es procesada por un filtro discreto lineal (Linear Time Invariant, LTI), la secuencia de salida es explicada por el proceso de convolución discreta entre la entrada y la secuencia de ponderación del filtro:
{ } { } { } { } { }
∑ ∑
Se denomina secuencia de ponderación a la que se obtiene en la salida del sistema cuando se aplica a la entrada una secuencia tipo impulso.
{ } { } Si el sistema es causal, gk es igual a cero para k < 0.
2.1.1.15 Filtraje Espacial El filtraje espacial es una de las operaciones comunes en la visión computacional ya sea para realizar efectos de eliminación de ruido o bien detección de bordes. En ambos casos la determinación de los pixeles de la nueva imagen depende del pixel de la imagen original y sus vecinos. De esta forma es necesario configurar una matriz (mascara o ventana) que considere cuales vecinos y en qué forma influirán en la determinación del nuevo pixel.
2.1.1.16 Técnicas de Pre procesado Las técnicas de procesado pretenden mejorar o realzar las propiedades de las imágenes para facilitar las siguientes operaciones de la Visión Artificial, tales como las etapas de segmentación, extracción de las características y finalmente la interpretación automática de las imágenes. Recuerde que el fin último de la Visión Artificial es la interpretación automática de la imagen o una mejora de la calidad de la imagen.
Las técnicas de pre procesado se basan bien en técnicas derivadas del procesamiento lineal de señales o bien en un conjunto de procedimientos heurísticos que han dado resultados satisfactorios. Las técnicas heurísticas son una combinación de procedimientos basados en el procesamiento lineal de señales y en otros tipos de manipulaciones matemáticas. Estos algoritmos se pueden catalogar en función de las pretensiones de sus transformaciones en alguna de las siguientes facetas: A. Realce o manipulación del contraste: Las técnicas de realce pretenden aumentar el contraste de las imágenes. No en el sentido estricto de aumentar la calidad radiométrica, sino de mejorar algunas de sus características visuales para las siguientes etapas del análisis automático de las imágenes. Las causas de aplicar estos algoritmos se deben bien a una falta de iluminación uniforme en la escena o bien al deseo de aumentar el contraste entre los objetos presentes en la imagen. Normalmente, la escena capturada por el sistema de visión se encuentra con unas fuentes de iluminación no colimadas y variables con el tiempo y con objetos que producen reflejos y sombras no deseadas. De otro lado, las ganancias de las cámaras no son lineales. El doble de intensidad radiada en un píxel, no se traduce en el doble de cuantificación en el nivel de gris de ese píxel. Todas estas imperfecciones deben ser corregidas tanto en la formación de las imágenes como con el uso de técnicas pre procesado de realce. Ambas deben ser utilizadas. Estas técnicas de realce también se aplican cuando se pretende utilizar técnicas de segmentación. El objetivo de este procesado es facilitar las tareas de la partición de la imagen. Con este fin se aumenta el contraste entre los objetos de la imagen. Muchas de las aplicaciones de realzado se fundamentan en operaciones punto a punto. Para su estudio se requiere introducir los conceptos de histograma, brillo y contraste. Los fundamentos de estas técnicas están en la adecuación del rango dinámico de la imagen y en la ecualización del histograma. Para acabar, también se explorarán algunos procedimientos basados en el uso de filtros paso banda.
Histograma, brillo y contraste: El histograma es una función discreta que contabiliza el número de ocurrencias de cada nivel de gris presente en una imagen. Se representa en un eje de coordenadas donde en abscisa está el nivel de gris y en el de ordenadas la frecuencia de cada nivel de gris en la imagen. Si al histograma se le divide por el número de píxeles de la imagen se obtendrá la función de probabilidad muestreal de cada nivel de gris en la imagen: h(i)=número de ocurrencia del nivel de gris i en la imagen
() ()
Siendo M y N el número de filas y columnas de la imagen, h(i) es la función histograma y p(i) su probabilidad muestreal. Un histograma no dice nada sobre la disposición espacial de las distintas intensidades. Dos imágenes diferentes pueden tener igual histograma. Sin embargo, el histograma habla sobre el tipo de adquisición que ha sido realizado. El histograma proporciona información estadística de la imagen. Esta información es bastante útil para conocer cómo se ha producido el proceso de formación de la imagen. Así, se define el brillo de la imagen como el valor medio de la imagen que coincide con el valor medio del histograma:
∑ ∑ ( ) ∑() Donde f(x,y) retorna el nivel de gris del píxel situado en las coordenadas (x,y), I es el número de grises que se ha empleado en el proceso de
cuantificación de la imagen. Una imagen que presente un valor de brillo mayor que otra sobre la misma escena, indica que el nivel de radiación medio que ha llegado a la cámara es mayor en una imagen que en la otra,
bien porque se disminuyó el número F de diafragma o debido a que se varió el tiempo de integración. Este efecto se observa en el histograma como un desplazamiento neto hacia la derecha del eje de abscisa. A medida de que la imagen sea más clara, el histograma se mueve hacia valores más altos de los niveles de grises. La variación del brillo se efectúa con la operación aritmética de suma o resta a cada píxel de una cantidad determinada.
FIGURA 2.8. Imagen con dos valores distintos de brillo a) 76 b) 126 Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArt ificial/ApuntesVA/cap4Procesadov1.pdf-Técnicas de pre procesado
La varianza del histograma suele ser asociada al contraste de la imagen. El contraste indica la dispersión de los niveles de grises en la imagen. Aunque se puede encontrar otras definiciones matemáticas del contraste, todas son medidas de dispersión. En todo caso, una imagen con poco contraste indica que hay poca variabilidad de los niveles de grises en la imagen. Su efecto se muestra en un histograma muy concentrado, con un rango dinámico pequeño. El rango dinámico es la variación de niveles de grises en la imagen.
B. Técnica de Suavizado: Las técnica de suavizado de las imágenes intentan eliminar el nivel de ruido presente en la imagen. En el proceso de formación de la imagen se ha generado ruido que se ha sumado a la señal. Este ruido se explica como una variable aleatoria que sigue una función de densidad determinada. El origen del ruido es múltiple y existen tres tipos básicos: gaussiano, impulsional y multiplicativo. El ruido más común se origina en el proceso de captación al convertir los fotones en carga eléctrica, debido al carácter no determinista de esta transformación. Este tipo de ruido se explica mediante el modelo de función de densidad normal o gaussiana. El segundo tipo de perturbación se consigue como consecuencia de la saturación de la carga que recibe un píxel ya sea por exceso o por defecto. A este tipo de ruido se le denomina de ‘sal y pimienta’. Este segundo tipo de comportamiento se modela
con una función de densidad de tipo impulsional. Por último, hay ruido generado por la falta de iluminación uniforme sobre la escena capturada. Este error es como si la imagen estuviera formada por la multiplicación de dos imágenes, por un lado la imagen que refleja la intensidad de iluminación sobre los objetos y de otro en función de la textura de los cuerpos vistos en la escena. A esta categoría de ruido es relacionado con los filtros homomórficos.
FIGURA 2.9. Fuentes de error a) original b) gaussiano c) impulsional d) multiplicativo. Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArt ificial/ApuntesVA/cap4Procesadov1.pdf-Técnicas de preprocesado
C. Detección de bordes Se entiende como borde aquella región donde aparece una fuerte variación del nivel de intensidad en los píxeles adyacentes. Su causa principal es originada por la intersección de varios objetos, con diferentes niveles de reflactancia, que al ser proyectados sobre la cámara generan discontinuidades de intensidad en los píxeles correspondidos. Sin embargo, estas discontinuidades también aparecen de forma no deseada por la presencia del ruido, por el efecto de sombras sobre los propios objetos o por una iluminación no uniforme dentro la escena. El fundamento para la detección de los bordes está en la aplicación del operador derivada en un entorno de vecindad. Si se construye una imagen sintética con franjas de alto contraste y se adquiere una fila de la imagen, se observará una fuerte
variación de la intensidad en el entorno de los bordes de las franjas. Al aplicar el operador derivada, se observa que ésta toma un valor de máximo o mínimo justamente cuando en la transición se pasa de cóncavo a convexo o viceversa, esto es, en el punto de inflexión del borde. Si en vez de emplear la primera derivada se realiza con la segunda, el punto de inflexión de la primera deriva coincidirá con un paso por cero (zero-crossing). Ambos razonamiento son empleados para la detección de los bordes. Cuando se aplica el operador gradiente en la imagen se localizará valores que tengan un gran valor, normalmente, en el módulo del gradiente. Por el contrario, al emplear la laplaciana se trata de detectar píxeles en la imagen que sean pasos por cero. El problema reside en los bordes de las escenas reales, donde el modelo propuesto no está tan claramente definido y no se ajusta a la simplificación indicada. Las discrepancias entre el modelo de los bordes y lo almacenado en el computador, tras un proceso de formación de la imagen, está en:
Las imágenes digitales son de carácter discreto y no continuo.
La presencia de ruido en la imagen, la cual produce variaciones locales de intensidad, produce falsos bordes al aplicar los operadores derivadas. Por esta razón, la detección de bordes está unida a etapas de eliminación del ruido.
Los orígenes diversos de los bordes, tales como oclusiones, superficies de diferentes orientaciones, cambios de texturas o de iluminación, reflejos, sombras, etc, hace que sea difícil la determinación de los bordes.
FIGURA 2.10. Bordes Ideales Fuente: Procesamiento Digital de Imágenes/Pablo Roncagliolo B. /Nº18.
FIGURA 2.11. Bordes Reales Fuente: Procesamiento Digital de Imágenes/Pablo Roncagliolo B. /Nº18.
El desarrollo de estas técnicas se realizará con la información de luminancia de las imágenes, sólo se analizarán sobre imágenes en niveles de grises. Muchas de ellas pueden ser luego trasladadas a imágenes en color. Sin embargo, no se puede generalizar. Las técnicas de pre procesado sobre imágenes en color requieren un tratamiento diferenciado.
2.1.1.17 Segmentación En las técnicas de procesamiento de las imágenes cada píxel era transformado de un valor a otro. Estos cambios, mayoritariamente, se realizan para facilitar la partición de la imagen en áreas de píxeles con significado. En esta nueva fase se trata de agrupar los píxeles, por algún criterio de homogeneidad, para particionar la escena en regiones de interés. Estas áreas deben de tener algún significado físico. Por tanto, la segmentación de una imagen es un proceso de extracción de los objetos de interés insertados en la escena capturada. La agrupación de los píxeles se hace a razón de que sus vecinos sean similares en criterios como de luminancia, color, texturas, movimientos. Una vez que la imagen ha sido particionada, la unidad dejara de ser el píxel para ser la agrupación de píxeles que constituye el objeto. La imagen estará definida por un conjunto de objetos, habiendo pasado de un nivel bajo a otro más elaborado o nivel medio visual. La información estará preparada para el reconocimiento e interpretación de la imagen. Para la segmentación de las imágenes se usan tres conceptos básicos:
Similitud: los píxeles agrupados del objeto deben ser similares respecto algún criterio (nivel de gris, color, textura).
Conectividad: los objetos corresponden a áreas de píxeles con conectividad. Las particiones corresponden con regiones continuas de píxeles.
Discontinuidad: los objetos tienen formas geométricas que definen unos contornos. Estos bordes delimitan unos objetos de otros.
2.1.1.18 Binaración Es la conversión de una imagen en escala de grises a una imagen lógica (0=negro, 1=blanco).
Aquí se tienen cuenta el valor umbral, que es el nivel de transacción.
2.1.1.19 Espacio de Colores A. Espacio de Color RGB: Este modelo es el más utilizado para visualizar imágenes digitales en una pantalla en los formatos actuales. En el modelo, un color se describe mediante la especificación de los niveles de intensidad de los colores rojo, verde y azul. El rango típico de valores de intensidad para cada color, 0 - 255, se basa en la consideración de un número binario de 32 bits con y dividirlo en cuatro bytes de 8 bits cada uno. 8 bits puede contener un valor de 0 a 255 El cuarto byte se utiliza para especificar el "alfa", o la opacidad, del color. Opacidad entra en juego cuando se apilan capas con diferentes colores. Si el color de la capa superior es menos que completamente opaca (alfa <255), el color de las capas subyacentes "muestra a través", produciendo un color combinado. En el modelo RGB, tonos se representan mediante la especificación de un color como de intensidad completa (255), un segundo color con una intensidad variable y el tercer color con intensidad cero (0).
B. Espacio de Color HSV: El modelo HSV (del inglés Hue, Saturation, Value – Matiz, Saturación, Valor), también llamado HSB (Hue, Saturation, Brightness – Matiz, Saturación, Brillo), define un modelo de color en términos de sus componentes. Es común que deseemos elegir un color adecuado para alguna de nuestras aplicaciones, cuando es así resulta muy útil usar la ruleta de color HSV. En ella el matiz se representa por una región circular; una región triangular separada, puede ser usada para representar la saturación y el valor del color. Normalmente, el eje horizontal del triángulo denota la saturación, mientras que el eje vertical corresponde al valor del color. De este modo, un color puede ser elegido al tomar primero el matiz de una región circular, y después seleccionar la saturación y el valor del color deseados de la región triangular.
2.1.1.20 Sensor de Peso Las celdas de carga o sensores de peso son aquellos dispositivos electrónicos desarrollados con la finalidad es la de detectar los cambios eléctricos provocados por una variante en la
intensidad de un peso aplicado sobre la báscula o balanza, información que a su vez transmite hacia un indicador de peso o controlador de peso.
2.1.1.21. Fruta de Mango A. Resumen Ejecutivo1 Siendo un cultivo aparentemente originario del noroeste de la India, llegando a occidente por intermedio de los portugueses, su cultivo en el Perú se inicia con la llegada de los españoles. Las extensiones mundiales de siembra se han venido incrementando en la última década, llegando a ser en el año 2005 cercanas a las 3 870 070 hectáreas siendo el principal productor la India, seguido de otros países importantes como China, Tailandia, Pakistán, México, Indonesia, entre otros. En la actualidad, los valles Piura (77.42 % de la producción nacional total pertenecen a este departamento) y Lambayeque son los que poseen el mayor porcentaje de producción de mangos en el Perú. Esto se debe a las condiciones favorables en cuanto a la naturaleza, la tecnología y la mayor capacidad empresarial. El principal productor mundial de mango es India quien junto a Cabo Verde son los países que poseen los mayores rendimientos de este cultivo a nivel mundial (45 TN /HA). Las exportaciones peruanas de este cultivo se han convertido en la principal fruta fresca de exportación (fue valorizada en 63 millones de dólares FOB. Durante el año 2006), siendo sus principales competidores los países de Sudáfrica, Brasil y Ecuador. La principal forma de exportación de mango se da como fresco, representando el 82% del total de exportaciones y el principal destino es EE.UU seguido de Holanda.
1. Resumen Ejecutivo: http://www.agrobanco.com.pe/pdfs/publicacionagroinforma/3_cultivo_del_mango.pdf
B. Descripción del Producto Llamado en el hemisferio norte como “manzana de los trópicos” se considera
actualmente como una de las frutas más finas en el mundo, existiendo una gran variedad de este, entre las cuales se destacan las siguientes:
a. Variedad Roja: Edward, Haden, Kent, Tommy Atkins, Zill. a.1. Kent: Esta variedad es de tamaño grande, pesando aproximadamente de 500 a 800 gr. , posee un color amarillo anaranjado adquiriendo en la madurez una chapa rojiza, es de forma ovalada orbicular, de agradable sabor, jugoso de poca fibrosidad y de alto contenido de azúcares (variedad semi- tardía).
a.2. Haden: Es de tamaño medio grande, pesando aproximadamente de 380 a 700 gramos, adquiriendo en la madurez un color rojo – amarillo también con capa rojiza. Posee forma ovalada, de pulpa firme y de color y sabor agradable (variedad de media estación).
a.3. Tommy Atkins: Posee un tamaño grande, pesando aproximadamente 600gr. posee una forma oblonga, oval, resistente a daños mecánicos y con mayor periodo de conservación pero no posee las mejores características en cuanto a sabor y aroma (variedad tardía).
b. Variedad Verde: Keitt, Amelia, Julie, Alphonse b.1. Keitt: Posee un tamaño mediano grande, pesando aproximadamente 600 gr. es de forma ovalada y posee una pulpa de poca fibrosidad, jugosa y muy firme.
b.2. Amelia: Posee poco contenido de fibra. c. Variedad Amarilla: Ataulfo, Manila súper, Nam Doc Mai. c.1. Ataulfo: Posee un tamaño de pequeño a mediano, siendo bajo en fibra y principalmente desarrollado en México.
c.2. Manila Súper: Posee un tamaño pequeño pesando aproximadamente 10gr. una forma aplanada y alargada, con un sabor fuerte, esta se produce principalmente en Filipinas.
c.3. Nam Doc Mai.- Es poco fibrosa y de semilla pequeña C. Calibre del mango2 El mango según su peso se puede clasificar en los siguientes calibres según la tabla 2.1. Tabla2.1. Calibres Comerciales del mango.
Calibre
Peso (gr)
6
630-720
7
555-620
8
488-555
9
425-488
10
380-425
12
320-379
14
280-319
16
225-279
18
200-224
20
180-199
26
155-179
34
120-154
Fuente: https://www.jetro.go.jp/peru/topics/20100212080-topics/ficha.pdf-FICHA TECNICA DEL MANGO PERUANO *Del calibre 14 al 34 son los calibres del mango criollo
2. Calibre del mango: Parámetros de calidad y estándares de clasificación en mango//revisión de información disponible y futuras necesidades de investigación 2008-adel a. Kader consultor manejo post-cosecha de frutas y vegetales, KaderConsultingServices, //P.O. Box 600, Davis, ca 95617-0600, Usa
Otra manera de clasificar el mango se muestra en la tabla 2.2
Tabla 2.2. Clasificación según tamaño en categoría
Código de tamaño
Rango de peso (gr)
A
200-350
B
351-550
C
551-800
Fuente:https://www.jetro.go.jp/peru/topics/20100212080-topics/ficha.pdf-FICHA TECNICA DEL MANGO PERUANO
2.1.1.22. Inspección y Control de Calidad. La inspección de un objeto manufacturado puede tomar muchas formas, que podría involucrar las siguientes tareas: a) verificar la presencia de cada característica esperada b) verificar las dimensiones de esas características (por ejemplo radio y longitud ) c) verificar las interrelaciones entre características (por ejemplo distancias entre centros de gravedad y ángulos entre planos). La inspección en el sentido más amplio se refiere a la verificación de si un objeto cumple con determinados criterios. Esto implica comparar el objeto con algún objeto modelo que describe las características relevantes del objeto. Para muchos tipos de datos existen tolerancias definidas dentro de las cuales las medidas realizadas pueden considerarse como aceptables. Abordaremos en primer lugar el problema de la inspección geométrica para posteriormente tratar otros tipos de inspección. Marshall y Martin (1992), Davies (1997), Demant y col. (1999) o Soloman (2000). Marshall y Martin (1992) constituye una buena
referencia para procesos de inspección visual automatizada con abundantes detalles en cuanto a métodos y procedimientos, que en Una de las finalidades de los controles de calidad consiste en detener la producción de algún producto si el sistema de producción comienza a generar productos que no cumplen con las normas estándares generales. Imaginemos que para la fabricación de galletas se exige que las mismas tengan un tamaño con unos márgenes de confianza, mediante la segmentación de la misma se determina el área
2.1.2 Marco Conceptual La Visión Artificial, también conocida como visión por computador (del inglés computer vision) o visión técnica, es un subcampo de la inteligencia artificial. El propósito de la
visión artificial es programar un computador para que "entienda" una escena o las características de una imagen.. según: Vision Artificial – Fundamentos Practica y Aplicaciones de Antonio García Serrano- 1era Edición Año 2012.
Sistema Automatizado, es un sistema donde se trasfieren tareas de producción, realizadas habitualmente por operadores humanos a un conjunto de elementos tecnológicos. Según: Sistemas de Control Automático- Benjamín C. Kuo 7tma Editorial. Personal Education Año 1996
2.2. ANTECEDENTES. 2.2.1. Antecedente Regional Tesis: “Sistema de Visión Artificial para la Clasificación De mango”
En la Universidad Nacional de Piura-Piura-Perú, los Señores Rueda Villegas y Carrasco Talledo (2013), realizaron el estudio sobre la clasificación del mango mediante un sistema de visión artificial para hallar su peso, tamaño y color del mango. Teniendo como objetivos analizar técnicas de visión por computadora para el reconocimiento de la fruta y describir la fiabilidad, robustez y aplicación de la técnica desarrolladas, teniendo como conclusión que en un sistema de visión artificial, la adquisición determina la sencillez o complejidad de las etapas, y que durante la adquisición de dichas imágenes se deben evitar los efectos del brillo y sombras.
2.2.2. Antecedente Nacional Tesis: “Redes neuronales para el reconocimiento de la calidad morfológica de mangos exportables para la empresa Biofruit del Perú S.A.C.”
En la Universidad Federico Villareal el Señor – Lima-Perú, el Señor Vega Huerta (2011), presento un estudio de un Sistema Experto que le permitía reconocer los mangos cuyas formas cumplían con los estándares de calidad. Usando un software basado en el proceso de imágenes digitales de mango mediante redes neuronales artificiales, utilizando como patrones muestras de mango de buena calidad para que software reconozca otros mangos y le dé como respuesta si el mango cumple con los estándares de calidad o no, teniendo como objetivo entrenar una Red Neuronal para ser capaz de reconocer la calidad del mando con el mínimo margen de error.
2.2.3. Antecedente Internacional Tesis: “Clasificación por calidades del mango Manila mediante procesamiento de
imágenes y según la norma NMX-FF-058-SCFI-2006” En el Instituto Politécnico Nacional-México, el Señor Bocanegra Rodríguez (2013), realizó una metodología para la clasificación del mango Manila según su calidad, a partir de la adquisición de dos imágenes que representa ambas caras del mango a tratar, donde estimaba el área dañada en la superficie de la fruta, donde le permitía clasificar el mango por su calidad, utilizando operadores morfológicos sobre las imágenes del mismo, desarrollando un sistema de visión computacional donde aplicaba su metodología propuesta de manera automática y con las adecuaciones necesarias para poder ser útil en la calidad de la fruta en la industria.
CAPÍTULO III 3. METODOLOGÍA El tipo de orientación es orientada y aplicada: orientada porque se busca mediante el diseño dar solución a la problemática identificada, y aplicada porque se enfoca a la utilización de criterios precisos de los principios y requisitos establecidos en normativas estándares de calidad. El nivel de investigación es exploratoria: es exploratoria porque permite un acercamiento a la problemática y a la vez posibilita familiarizarnos con el tema. El método de investigación es inductivo, puesto que parte del análisis de una zona en particular, cuyos resultados servirá para aplicar en otras zonas agroindustriales. La presente investigación es de clase experimental y transversal. Dado que se hará una simulación y porque la obtención de los datos será en un periodo de tiempo definido.
3.1. DESCRIPCIÓN DE LA POBLACIÓN Y MUESTRA. 3.1.1. Población. La población está constituida los mangos que han sido seleccionados como exportables por la inspección ocular hecha por los trabajadores de la empresa exportadora SUNSHINE EXPORT S.A.C., que exporta mangos de tipo Kent en un día de 12 horas laborales, que son aproximadamente 4000 cajas diarias de diferente calibre de mango.
3.1.2. Muestra para el Proceso de Visión Artificial. Según la Tabla 1, la exportación por tipos de calibres de mangos se clasifican por lo tanto, estadísticamente deberíamos seleccionar una muestra que contenga los tres tipos de mangos en cifras proporcionales. Pero, para el proceso de Visión Artificial debemos contar con ciertos patrones, se debe tener una muestra especialmente seleccionada, por cada de patrón que se desea reconocer,
considerando que todos los elementos de cada muestra tengan diferencias considerables entre sí y al mismo tiempo representen toda la variedad posible de su población. Por lo tanto, para resolver problemas mediante el proceso de reconocimiento de patrones el tamaño de la muestra no depende del tamaño de la población sino de cuan diferentes son entre sí los elementos que conforman dicha población. Como el objetivo de la presente investigación es reconocer los siete diferentes tipos de calibre y además su estado de maduración que en este caso lo hemos clasificado en cuatro tipos de estado de maduración de los mangos exportables, entonces, debemos tomar en total diez muestras independientes entre sí, una por cada tipo de mango. Analizando las diferencias morfológicas existentes entre mangos por cada tipo de mango exportable, determinamos que 6 unidades por cada tipo serían suficientes para conformar cada muestra que represente la variedad de formas existentes de su respectiva población.
3.2. DESCRIPCIÓN DEL INSTRUMENTO DE INVESTIGACIÓN. 3.2.1 Técnica de Recolección de Datos 3.2.1.1 Observación Técnica que permitió entrar en contacto en el proceso de selección de mango y además ver como los trabajadores seleccionaban el mango en forma manual, y se vio que criterio ellos tomaban para dicha selección, la cuan variaban según la capacidad y habilidad de cada persona.
3.2.1.2. Entrevista Técnica que se le realizo al encargado de calidad del producto exportado, lo cual nos permitió obtener datos sobre los diferentes calibres y estándares de calidad que debe pasar cada mango para ser seleccionado como mango de exportación.
3.2.1.3. Análisis Documental Técnica que permitió recopilar información sobre la aplicación de Visión Artificial
3.2.2 Instrumentos de Recolección de Datos 3.2.2.1. Guía de Observación Instrumento que permitió recoger datos a través de la observación simple.
3.2.2.2. Guía de Entrevista Instrumento que permitió recoger datos a través del diálogo directo.
3.2.2.3 Fichas de Resumen Instrumento que permitió recoger información sobre conceptos básicos de Visión Artificial.
3.3. MATERIALES Y MÉTODOS. La presente investigación tiene dos etapas bien diferenciadas, en la primera etapa se ha empleado un diseño no experimental y en la segunda etapa un diseño experimental. La etapa no experimental corresponde al manejo de los valores de las formas de los mangos y su calidad exportable de los mismos, estos son tomados de la naturaleza como tales y no pueden ser manipuladas por el investigador, son datos adquiridos en la recolección de datos que se hizo previamente. En esta etapa se elabora un modelo matemático para la captura del patrón morfológico de los mangos basado las imágenes de los mismos capturados mediante una cámara digital. Para la segunda etapa, el modelo el diseño experimental utilizando los patrones para la selección de los diferentes mangos.
3.3.1. Etapas de la metodología propuesta El proceso de selección de mango según su calidad consiste en examinar y medir características de un producto, para determinar si cumple o no los estándares para que el producto sea considerado como mango de exportación. En el sector de la agroindustria es una industria donde la automatización ha tardado más en introducirse muchas veces debido a la diversidad de formas que presentan los productos naturales; tal es el caso del mango, Con los sistemas de Visión Artificial se pueden mejorar los procesos productivos en la
agroindustria. En particular nos interesa el proceso de inspección de calidad, en donde la Visión Artificial es una herramienta muy útil y confiable, que ha tenido casos de éxitos en la inspección de la producción. En el presente capitulo se muestra con detalles la metodología propuesta en este trabajo para llevar a cabo el proceso de selección de mango según su calidad. Se muestran las condiciones para la toma de imágenes, la segmentación de las mismas y como se realiza la clasificación según la calidad del fruto. En general la metodología propuesta se puede resumir en tres bloques como se muestra en la Figura 12.
Figura 3.1. Diagrama de Bloques de la Metodología Propuesta. Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes VA/cap4Procesadov1.pdf
3.3.1.1. Repositorio de Imágenes Las imágenes fueron tomadas bajo un ambiente controlado, es decir, controlando la iluminación evitando sombras y ruido en la imagen, distancia del fruto a la cámara y el fondo. Así que, como parte del desarrollo de este trabajo se construyó un módulo de toma de imágenes. El módulo nos permite que las condiciones para tomar la imagen sean las mismas para todas las muestras adquiridas. En dicho Repositorio previamente se encuentra un sensor de peso que pesara el mango y lo enviará a la PC para el seleccionar el calibre del mango. El propósito de utilizar el módulo, para la toma de imágenes es el de garantizar las mismas condiciones de iluminación, así como para mantener estática la cámara, en distancia y posición con respecto al objetivo para todas las imágenes capturadas. El modulo cuenta con iluminación constante, se evita que entre luz ajena a la del sistema y posee un compartimiento para fijar la cámara a una plataforma que puede moverse en cualquier posición según como se requiera.
3.3.1.2. Procesamiento de Imágenes Después de acondicionar el repositorio de imágenes, el siguiente paso, es capturar la imagen de la fruta del mango, la delimitación de este problema se reduce a la adquisición de una sola fruta del mango a la vez. Es decir no se tratará imágenes con varios mangos al mismo tiempo, ya que surgen problemas de separación en el procesamiento de imagen. La imagen es capturada en el modelo RGB (Rojo-Verde-Azul), es decir cada pixel de la imagen está representado por 3 canales. Luego de tener la imagen digital esta será pasada a una imagen binaria, luego será segmentada para el cálculo de sus dimensiones, diámetro, largo y el área del mango. Para determinar el color hacemos uso del modelo de espacio de color llamado HSV (Tinte, Saturación y Valor)
3.3.1.3 Cálculo de reconocimiento de patrones Después de haberse hecho el tratamiento o procesamiento de imagen esta será comparada con los patrones iniciales, como porcentaje de color para ver su estado de maduración y que calibre es.
3.3.1.3. Selección del Mango Kent Después de haber comparado la imagen con patrones iniciales de los estándares de calidad este me indicara que calibre, tamaño y en qué estado de maduración se encuentra, me seleccionara un mango correcto para la exportación.
3.4. PROCEDIMIENTO. Es una secuencia lógica de pasos que sigue el diseñador a partir de ciertos datos de entrada, para obtener la solución de ingeniería más práctica y funcional que satisfaga un problema particular. El proceso es un ejercicio de creatividad y aplicación de conocimientos, pero requiere de un método estricto y organizado que facilita, pero no garantiza, la obtención de resultados. En general, el proceso de diseño puede verse como un conjunto de bloques operacionales que requieren datos de entrada tanto al inicio como durante el proceso, y generan resultados, que son a su vez entradas del siguiente paso. Los pasos a seguir en esta investigación fueron los siguientes:
a) Diseño Preliminar Planteamiento inicial de la necesidad, Revisión del estado del arte del problema y Recolección de datos cuantitativos y cualitativos y Definición del problema.
b) Diseño Básico División en subsistemas, Planteamiento de alternativas de solución de subsistemas, Selección de alternativas de solución.
c) Diseño De Detalle Selección de elementos comerciales, Síntesis y el programa en que estará basada la Visión Artificial.
d) Prototipos & Pruebas Prototipos: Reales y pruebas estáticas y dinámicas y Retroalimentación.
3.5. ANÁLISIS ESTADÍSTICOS. No se empleara ninguna técnica de procesamiento de datos, debido a que no se realizara ningún análisis estadístico. Pero si se utilizara computadora y calculadora como herramientas para el cálculo de los datos de diseño. El estudio por ser del tipo descriptivo, no se ha hecho un método estadístico.
CAPÍTULO IV 4. PRESENTACIÓN DE LOS RESULTADOS
El Entorno de Trabajo Se tuvo que hacer una cabina para la toma de imágenes, la cual nos proporciona un ambiente controlado con iluminación constante. Con un fondo blanco para evitar reflejos y sombras. Eso hace que el procesamiento de imágenes sea menos costoso. Por cada muestra se tomó una captura de imagen.
Hardware Cabina para toma de fotografías Laptop Samsung NV4 Cámara Web Cybertel
Software Sistema Operativo Windows 7 Mat Lab R2012A
Resultados Obtenidos La metodología fue aplicada a 40 muestras de 2 tipos de mango diferentes. Al aplicar la metodología a todas las muestras se obtuvieron los resultados mostrados en el cuadro 4.1.
Cuadro 4.1. Pruebas de Selección de Calibres del Mango Kent. Mango
Kent
Calibre
Calibre
Calibre
Calibre
Calibre
Muy
No
12
9
8
7
6
Grande
Apto
0
4
6
5
4
1
0
En el cuadro 4.3 se muestra a detalle los resultados obtenidos por el sistema de visión artificial que se propone en este trabajo contra la clasificación realizada tradicionalmente. Como resultado tenemos una coincidencia en la clasificación automática contra la humana.
Cuadro 4.2. Pruebas de Selección de Calibres del Mango Criollo. Mango
Calibre
Calibre
Calibre
Calibre
Calibre
Calibre
No
34
26
29
18
16
14
Apto
4
6
3
6
0
0
1
Criollo
Cuadro 4.3. Pruebas de acuerdo al Estado de Maduración (Mango Kent) Calibre
Calibre
Calibre
Calibre
12
9
8
7
2
1
Maduro
0
2
4
1
Maduro
1
3
1
0
Maduración
Verde
Calibre 6
2
Muy
No
Grande
Apto
1
Semi-
SobreMaduro
1
1
Total Peso (Gr)
1900
3135
3423
2998
786
Cuadro 4.3. Pruebas de acuerdo al Estado de Maduración (Mango Kent) Maduración
Verde
Calibre
Calibre
Calibre
Calibre
Calibre
Calibre
No
34
26
20
18
16
14
Apto
2
3
2
2
2
1
1
SemiMaduro Maduro
1
1
SobreMaduro
2
2
Total Peso (Gr)
556
949
567
1312
1
CAPÍTULO V 5. DISCUSIÓN DE LOS RESULTADOS Los resultados obtenidos con respecto a la clasificación del mango según su maduración son similares a los obtenidos en la Tesis: “Sistema de Visión Artificial para la Clasificación De mango” realizada
en la Universidad Nacional de Piura-Piura-Perú, por
los Señores Rueda Villegas y Carrasco Talledo (2013), que lograron clasificar el mango según su color: amarillo, rojo y verde, a diferencia de esta investigación que logro clasificar el mango en cuatro estado de maduración: verde, semi-maduro, maduro y sobre maduro, que para clasificarlo de tal modo tuvo en cuenta la combinaciones de colores de dicha fruta aplicando el espacio de color HSV. Para la selección del mango según su calibre se utilizó un sensor para pesar el mango el cuan nos indicara en que rango de calibre pertenece y que tipo de mango es el cual se diferencia de la Tesis: “Redes neuronales para el reconocimiento de la calidad morfol ógica de mangos exportables para l a empresa Biof rui t del Perú S.A.C.” realizada
en la Universidad Federico Villareal el Señor – Lima-Perú, por Señor Vega Huerta (2011), que clasifico varios tipos de mango teniendo como base patrones de datos de tamaño de los diferentes tipos de mangos, Y con respecto a las anomalías que puede presentar un mango se realizó un tratamiento de imágenes similar utilizado en la Tesis: “Clasificación por calidades del mango Manila mediante procesamiento de imágenes y según l a nor ma NM X-F F -058-SCF I - 2006”
realizada en el Instituto Politécnico Nacional-México, por Señor Bocanegra Rodríguez (2013), el cual utilizo un proceso de segmentación de las imágenes obtenidas. Según los resultados obtenidos se logró cumplir con el objetivo.
CAPÍTULO VI 6. CONCLUSIONES Y RECOMENDACIONES 6.1. CONCLUSIONES.
Al finalizar la presente investigación, podemos concluir que con un Sistema basado en Visón Artificial, se puede realizar la clasificación de mangos exportables según su maduración y calibre.
Se implementó un prototipo de Visión Artificial, basándonos en imágenes digitales de fotografías reales de mango, para la realización de las pruebas de simulación correspondientes al jurado.
Se logró analizar las técnicas de Visión Artificial Teniendo donde se tuvo como principales inconvenientes el ruido, sombras y el brillo en la imagen, el cual se logró controlar mediante un buen procesado de imagen, con este control se pudo evitar que al momento de ejecutar el tratamiento aparezcan agentes externos al área de interés.
Se determinó los elementos del Sistema de Visión Artificial, basándonos en el Diagrama de Bloques propuesto.
6.2. RECOMENDACIONES.
Hacer la selección del mango cuando se tenga más de un mango en la escena donde se toma la imagen.
Implementar un sistema con una faja transportadora, para el transporte del mango.
Implementar un sistema electrónico basado en sensores para la detección del mango al ingresar a la cabina para que envié una señal para la captura de imagen y procesado automático,
Realizar la clasificación del mango considerando información obtenida de otro tipo de hardware, como puede ser la acidez, etc.
