Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROPUESTO POR:
Ing. Salazar Campos Orlando
<salazarcjo@gmail.com>
ELABORADO POR:
Murrugarra Llerena Joseph Hans
<perhark@gmail.com>
Contenido
INTRODUCCIN ________________________________________________________ 6
GENERALIDADES DEL PROYECTO. ___________________________________ 7
I.
1.1.
Problema _____________________________________________________________ 7
1.1.1.
Realidad Problemtica _______________________________________________________ 7
1.1.1.1. Descripcin del problema en la actualidad _____________________________________ 7
1.1.2.
Enunciado del problema ______________________________________________________ 7
1.2.
Hiptesis _____________________________________________________________ 7
1.3.
1.3.1.
1.3.2.
1.4.
Objetivos _____________________________________________________________ 8
1.4.1.
1.4.2.
1.5.
1.5.1.
1.5.2.
Acadmica _________________________________________________________________ 8
Empresarial ________________________________________________________________ 8
II.
2.1.
2.1.1.
2.1.2.
2.2.
2.2.1.
2.2.2.
2.3.
Tcnicas __________________________________________________________________ 10
Instrumentes ______________________________________________________________ 10
2.3.1.
2.4.
Poblacin __________________________________________________________________ 9
Muestra ___________________________________________________________________ 9
Fuente ___________________________________________________________________ 10
III.
3.1.
3.1.1.
3.1.2.
3.2.
Internacionales ____________________________________________________________ 11
Nacionales ________________________________________________________________ 12
3.2.1.
Modelo __________________________________________________________________ 12
3.2.2.
Modelo Computacional ______________________________________________________ 13
3.2.2.1. Definicin ______________________________________________________________ 13
3.2.2.2. Historia ________________________________________________________________ 13
3.2.2.3. Caractersticas___________________________________________________________ 14
3.2.2.4. Usos ___________________________________________________________________ 14
3.2.3.
Proceso de clasificacin de esprragos__________________________________________ 15
IV.
4.1.
4.1.1.
Paso 1: Recoleccin de la informacin _________________________________________ 35
4.1.2.
Paso 2: Anlisis de la informacin _____________________________________________ 35
4.1.2.1. Anlisis adquisicin de imgenes ____________________________________________ 35
4.1.2.2. Anlisis pre-procesamiento ________________________________________________ 36
4.1.2.3. Anlisis segmentacin ____________________________________________________ 37
4.1.2.4. Anlisis reconocimiento ___________________________________________________ 38
4.1.3.
Paso 3: Diseo del modelo ___________________________________________________ 39
V.
CONCLUSIONES _________________________________________________ 40
ndice de figuras
Figura 1. Esparrago Verde ________________________________________________________________ 16
Figura 2. Cultivo esparrago verdes. _________________________________________________________ 16
Figura 3. Esparrago Blanco _______________________________________________________________ 17
Figura 4.Proceso de clasificacin de esprragos ______________________________________________ 17
Figura 5. Recepcin de materia prima _______________________________________________________ 18
Figura 6. Almacenamiento de materia prima. _________________________________________________ 19
Figura 7. Especificaciones de clasificacin y corte de esprrago verde. ____________________________ 19
Figura 8.Seleccin y clasificacin __________________________________________________________ 20
Figura 9. Corte _________________________________________________________________________ 20
Figura 10. Ejemplo binarizacin. ___________________________________________________________ 24
Figura 11.Ejemplo mascara 3x3 ____________________________________________________________ 25
Figura 12. Filtrado espacial de imgenes. ____________________________________________________ 26
Figura 13.Mascara para filtro gaussiano. ____________________________________________________ 27
Figura 14. Filtros pasa-bajos en el dominio espacial. ___________________________________________ 27
Figura 15. Filtros paso-altos_______________________________________________________________ 28
Figura 16. Mascara de 3x3 para un filtro de paso alto __________________________________________ 28
Figura 17. Segmentacin orientada a regiones ________________________________________________ 29
Figura 18. Segmentacin orientada a regiones ________________________________________________ 30
Figura 19. Ejemplo crecimiento de regiones __________________________________________________ 30
Figura 20. Resultado ejemplo crecimiento de regiones. _________________________________________ 31
Figura 21. Divisin y Fusin de regiones ____________________________________________________ 31
Figura 22. Diagrama de bloques del proceso de reconocimiento de patrones. _______________________ 34
Figura 23. Diseo algortmico del modelo ____________________________________________________ 39
ndice de tablas
Tabla 1. Muestra piloto ____________________________________________________________________ 9
Tabla 2. Historia modelos Computacionales __________________________________________________ 14
Tabla 3. Calificaciones ___________________________________________________________________ 35
Tabla 4. Cuadro comparativo de formas de adquisicin de imgenes ______________________________ 35
Tabla 5. Cuadro comparativo de tipos de cmaras digitales _____________________________________ 36
Tabla 6. Cuadro comparativo de mtodos de umbralizacin _____________________________________ 36
Tabla 7. Cuadro comparativo mtodos de binarizacin _________________________________________ 37
Tabla 8. Cuadro comparativo mtodos de suavizamiento ________________________________________ 37
Tabla 9. Cuadro comparativo mtodos de segmentacin.________________________________________ 37
Tabla 10. Cuadro comparativos tcnicas de reconocimiento de patrones ___________________________ 38
Tabla 11. Cuadro comparativo de algunas tcnicas supervisadas _________________________________ 38
INTRODUCCIN
En el presente trabajo de investigacin, tiene como objetivo disear un modelo para mejorar la
clasificacin de esprragos, por lo cual se ha documentado en 4 captulos, conclusiones y referencias;
a fin de obtener un panorama ms amplio del tema a tratar.
La caracterstica principal de ste proyecto es que al aplicar este modelo se mejore el proceso de
clasificacin de esprragos en las empresas agroindustriales. As mismo, permitir a las empresas
agroindustriales reducir al mximo los desperdicios y optimizar los procesos de clasificacin de los
esprragos,
El presente proyecto est organizado de la siguiente manera:
En el captulo I, se abordara las generalidades del proyecto entre ellas, la descripcin del problema,
objetivos, justificacin de estudios.
En el captulo II, materiales y mtodos, se elige la poblacin y muestra en la que se probara la tcnica
diseada y los instrumentos que utilizara para probar los objetivos planteados para esta investigacin.
Tambin se incluye el diseo de contrastacin.
En el captulo III, correspondiente al marco terico se tienen los antecedentes o los trabajos previos
referentes al proyecto. As mismo, la teora correspondiente a modelos computacionales, las fases
del procesamiento digital imgenes, entre otros. Se detalla en cada fase del procesamiento digitales
de imgenes las tcnicas, algoritmos y hardware dependiendo de cada fase.
En el captulo IV, metodologa del trabajo, se detallan cada uno de los pasos que se sigue en la
metodologa usada, empezando por el paso 1: recoleccin de informacin, la cual fue realizada en el
marco terico. El pas 2: anlisis de informacin, se realizaron cuadros comparativos para elegir los
algoritmos que mejor se adapten al diseo de la tcnica. Finalmente en el paso 3: Diseo del modelo,
se muestra el diseo algortmico de los pasos que conforman el modelo.
Finalmente, se presentan las conclusiones y las referencias usadas en el desarrollo del trabajo de
investigacin.
I.
Realidad Problemtica
1.1.1.1. Descripcin del problema en la actualidad
El comercio exterior es muy importante para el crecimiento y desarrollo
sostenido a largo plazo; ms an en la actualidad tiene un peso
importante en la actividad econmica de los pases, el mismo que es
demostrado por las evidencias de los pases desarrollados y las
experiencias de los "pases exitosos" que han logrado su crecimiento y
desarrollo econmico gracias al crecimiento de las exportaciones.
La industria peruana viene conquistando nuevos mercados con los
productos de exportacin tanto como importacin por ello en la
actualidad los esquemas de control de calidad aplicados a la industria
en la cual el volumen de produccin est marcado por la alta demanda
de los productos especialmente en frutas y hortalizas como la es el
esparrago es necesario establecer estndares cada vez ms estrictos para
incrementar la calidad de los productos ya sea cuando se van a exportar
o se quedara en nuestro pas (Benites, 2012)
Pero mecnicamente esto es un arduo y delicado trabajo, sin embargo,
en fechas recientes muchas de las tecnologas y esquemas de trabajo se
han ido incorporado a las hoy llamadas agroindustrias, con el fin de
reducir al mximo los desperdicios, optimizar los procesos de
clasificacin (Trent B. y Folwell R. 2003). Entre las principales
dificultades del procesos de clasificacin tenemos la deteccin de
imperfecciones, putrefaccin, puntas rotas en el esparrago, Por ello es
necesario mejorar dicho proceso con el fin de ser realmente eficientes
contribuyendo a la industria peruana.
1.1.2.
1.2. Hiptesis
El diseo de un modelo computacional para la mejora del proceso de clasificacin
de esprragos.
Variable Independiente
Modelo computacional
7
1.3.2.
Variable Dependiente
Mejora del proceso de clasificacin de esprragos
1.4. Objetivos
1.4.1.
Objetivo general
Disear un modelo computacional para mejorar el proceso de clasificacin de
esprragos.
1.4.2.
Objetivos especficos
Comprender los procesos de clasificacin de los esprragos que cumplen los
respectivos estndares de calidad.
Investigar los algoritmos y tcnicas existentes para solucionar problemas
similares al nuestro.
Disear un modelo basado en visin computacin para poder clasificar los
esprragos
Desarrollar el prototipo del modelo para la clasificar esprragos
Analizar resultados del modelo propuesto.
Acadmica
El presente proyecto representa la oportunidad de poner en prctica los
conocimientos de la visin computacional, planteando un modelo para mejorar
el control de calidad de los esprragos.
1.5.2.
Empresarial
El control de calidad en la agroindustria es muy importante, en este caso del
esprrago pues as se determina si es apto para el consumo humano y cumple
ciertos estndares de calidad. Muy a menudo estos procesos industriales son
realizados por personas, y esta propenso a errores que sern disminuidos. As
mismo, con la ayuda de la visin computacional se piensa mejorar el control de
calidad de los esprragos proponiendo una mejora en la clasificacin segn su
calidad.
II.
MATERIALES Y METODOS
2.1. Poblacin y Muestra
2.1.1.
Poblacin
Imgenes de esprragos en formato JPG de dimensiones 300x200 pixeles.
2.1.2.
Muestra
Primero se halla la desviacin estndar de la poblacin por medio de una
muestra piloto.
Nro
Esparrago
de Xi = Percepcin Nro
calidad [0-1]
Esparrago
de Xi = Percepcin
calidad [0-1]
15
16
17
18
19
20
21
22
23
10
24
11
25
12
26
13
27
14
Total = no = 27
= Xi / no
= 17/27
= 0.62
2 2
2
donde:
n : tamao necesario de la muestra de esparragos
Z : nivel de confianza o margen de confiabilidad
(95% = 1.96 )
S: desviacion estandar(0.49)
E: error de estimacion(0.05)
El resultado correspondiente al tamao de la muestra es: 368.947264
2.2. Tcnicas e instrumentos
2.2.1.
Tcnicas
Observacin
2.2.2.
Instrumentes
Ficha observacin, cronmetro.
Fuente
Empresa Savsa.
10
X1____
X2
O1
O2
Donde:
X1: Modelo computacional
X2: Mtodo tradicional
O1: Observacin del resultado de la aplicacin de X en un grupo
O2: Observacin del resultado sin la aplicacin de X en el mismo grupo.
III.
MARCO TEORICO
3.1. Antecedentes del proyecto
3.1.1.
Internacionales
El estudio denominado Asparagus defect inspection with machine vision
cuyos autores son Rigney, M.P., Brusewitz, G.H. and Kranzler, G.A. en el
ao de 1992. Adopta como problema el Cmo detectar defectos en
esprragos? Ante lo cual plantea el uso de la visin por computador. As
mismo, se usaron algoritmos de procesamiento de imgenes los cuales se
pusieron a prueba para la deteccin de defectos de esprragos. Obteniendo
como resultados por ejemplo en la propagacin de puntas que fueron
correctamente identificadas con una tasa de error del 8%, extremidades rotas
fueron detectados con una tasa de error del 25%, y las lanzas con cicatrices
o agrietados se detectaron con una tasa de error del 42% el uso de funciones
discriminantes multivariantes.
La tesis denominada Selector de fruta y simulacin de una aplicacin real
cuya autora es Fernndez, M. en el ao 2006, en la Universidad Politcnica
de Catalunya. El objetivo principal de esta investigacin fue crear un
programa que clasificara las imgenes de frutas, en buenas o malas. Las
primeras dificultades se hacen visibles: qu fruta escoger y cmo determinar
si es o no apta para el consumo directo decidindose por melocotones ya que
estos, por su textura y coloracin, resultaban ms complicados e interesantes
que las manzanas o naranjas, de coloracin ms definida, Los resultados del
algoritmo selector estn determinados en gran medida por dos aspectos:
variedad de la fruta e iluminacin. La variedad de la fruta resulta un
problema a tener en cuenta a la hora de determinar los umbrales de
binarizacin. No es lo mismo una fruta de tonos amarillentos que una de
tonos rojizos. se estudi otros espacios de color y otras tcnicas de
procesamiento digital de imgenes que dieron respuesta ms eficaz a la
deteccin y clasificacin de fallos.
La Tesis: Sistema De Visin Artificial Para El Control De Calidad Del
Meln, cuyo autor es Fuentes R. en el ao 2001, realizada en la Universidad
de la Colina en Mxico. Cuyo objetivo de estudio fue orientado al proceso
11
Nacionales
El trabajo Mtodos alternativos para el mejoramiento automtico del
contraste de imgenes, cuyos autores son Chang, V. y Saavedra, J.
realizado en el ao 2001 en la Universidad nacional de trujillo, Cuyo
objetivo de estudio fue orientado a proponer mtodos para el mejoramiento
automtico de imgenes. Se propuso diferentes algoritmos de procesamiento
de imgenes, binarizacion, segmentacin de imgenes, eliminacin de ruido,
entre otros algoritmos con resultados ptimos.
La tesis denominada Elaboracin de un manual de buenas prcticas de
manufactura para una empresa agroindustrial de esparrago verde, cuya
autora es Benites S. en el ao 2012 en la Universidad Privada Antenor
Orrego. Este documento tcnico permitir a todo fabricante de alimentos
derivados de frutas y hortalizas, conocer y aplicar los requerimientos que
exigen la legislacin nacional e internacional en materia de la
implementacin de Buenas Prcticas de Manufactura (BPM), con el
propsito de reducir al mnimo los riesgos de contaminacin biolgica,
qumica o fsica, que pueden ocurrir durante el procesamiento de alimentos.
As mismo, est tesis brindara los conocimientos necesarios sobre el control
de calidad de los esprragos.
Modelo
Un modelo es una abstraccin terica del mundo real que tiene dos utilidades
fundamentales:
Reducir la complejidad, permitindonos ver las caractersticas
importantes que estn detrs de un proceso, ignorando detalles de menor
importancia que haran el anlisis innecesariamente laborioso; es decir,
permitindonos ver el bosque a pesar del detalle de los rboles.
Hacer predicciones concretas, que se puedan falsar mediante
experimentos u observaciones. De esta forma, los modelos dirigen los
estudios empricos en una u otra direccin, al sugerir qu informacin
es ms importante conseguir.
12
Sin embargo, es importante recordar que los modelos no nos proporcionan una
informacin directa de lo que est ocurriendo realmente en el mundo real. Las
predicciones del modelo debern ser validadas o refutadas por los resultados
empricos (Thomas, K. 2005).
3.2.2.
Modelo Computacional
3.2.2.1. Definicin
El modelado computacional es el uso de matemticas, fsica e
informtica para estudiar el comportamiento de sistemas complejos
mediante la simulacin por computadora. Un modelo computacional
contiene numerosas variables que caracterizan el sistema bajo estudio.
La simulacin se realiza ajustando estas variables y observando cmo
los cambios afectan los resultados pronosticados por el modelo. Los
resultados de las simulaciones de modelos ayudan a los investigadores
a hacer predicciones acerca de qu pasar en el sistema real que se est
estudiando en respuesta a condiciones cambiantes. El modelado puede
agilizar la investigacin ya que permite que los cientficos realicen
miles de experimentos simulados por computadora a fin de identificar
los experimentos fsicos que con mayor probabilidad ayuden al
investigador a encontrar la solucin al problema bajo estudio.( Linda et
al,2001).
3.2.2.2. Historia
La historia de la computacin es muy extensa por que a continuacin
citaremos los acontecimientos ms relevantes hasta la primera
generacin de computadores, donde surgieron los primeros modelos
computacionales:
AO
AUTOR Y DESCRIPCIN
1623
1642
1671
1777
1820
1890
1914
1936
1938
1941
1942
1943
1945
3.2.2.3. Caractersticas
Los modelos computacionales tienen las siguientes caractersticas:
Granularidad: Desde el punto de vista del modelo
computacional la granularidad se interpreta como la
complejidad de los elementos de clculo.
Typing: El concepto de la tipificacin se utiliza en un nivel
superior en relacin con los lenguajes de programacin pero
desde el punto de vista de un modelo computacional la
tipificacin de los lenguajes y la arquitectura estn
estrechamente relacionados.
3.2.2.4. Usos
El modelado computacional se usa para estudiar un amplio rango de
sistemas complejos. Algunos ejemplos incluyen:
Pronstico del clima. El pronstico del clima utiliza modelos
computacionales que analizan y hacen predicciones basadas en
numerosos factores atmosfricos. Esto es importante por
muchas razones incluyendo la proteccin de la vida,
14
Esprragos Verdes
La variedad verde, tambin llamada esprrago negro,
amargo o triguero, crece en contacto con la luz del sol, por
lo que la clorofila se desarrolla y aporta a esta variedad su
color caracterstico. Este esprrago es muy apreciado por
su sabor y suele encontrarse en el mercado entre noviembre
y marzo (Puga et al. 2002) (Figura 2).
Esprragos Blancos
El esprrago blanco ha sido considerado un manjar, sobre
todo por los europeos y cuesta alrededor del doble de
precio del esprrago verde. La razn principal de que el
esprrago blanco sea ms caro es que no existe una oferta
ilimitada, y los costes de produccin son altos.
16
17
3.2.3.3.1.
18
Seleccin y clasificacin
Se utiliza fajas para clasificar el esprrago verde ya sea
segn dimetro y calidades de punta, dependiendo de las
especificaciones de los clientes. Para esto la empresa
Agroindustrial posee 2 fajas transportadoras las cuales
estn debidamente lavadas y desinfectadas con agua
clorada para evitar contaminar el producto. (Figura 7) y
(Figura 8).
19
Corte
En el rea de corte los esprragos se trabajan de acuerdo a
la longitud del formato de envase (de acuerdo a la
programacin de la semana), para ello se cuenta con cajas
de corte de acero inoxidable, que permiten cortar al
esprrago ala longitud requerida) (Figura 9)
Figura 9. Corte
Fuente: Benites, 2012.
20
De consistencia firme.
De forma color, sabor y olor caracterstico de la variedad.
En estado fresco.
Enteros, limpios y sanos.
Cabeza compacta y bien cerrada.
Libres de pudricin.
Libres de defectos mecnicos.
Libres de manchas o indicios de heladas
Libre de tallo hundido y sin presentar floracin alguna.
Libres de daos causado por plagas, insectos vivos y
enfermedades.
Libres de cualquier material extrao (polvo, residuos
qumicos, etc.).
De tamao y calibre uniforme.
3.2.4.
21
3.2.4.2.1.
3.2.4.2.2.
Imgenes vectoriales
Los llamados grficos orientados a objetos son las
imgenes vectoriales. Su tamao es mucho ms reducido,
en comparacin con los mapas de bits, porque el modo
como organizan la informacin de una imagen es ms
simple que en aquellos. Dicha simplicidad radica en
generar los objetos que conforman una imagen a travs de
trazos geomtricos determinados por clculos y frmulas
matemticas. De manera tal que los grficos vectoriales se
visualizan a partir de las coordenadas de una lnea
guardadas como referencia, mismas que forman los objetos
a partir de la definicin matemtica de los puntos y lneas
rectas o curvas.
Adquisicin de imgenes
La captura o adquisicin es el proceso a travs del cual se
obtiene una imagen digital de un esparrago por ejemplo
utilizando un dispositivo de captura como una cmara
digital, un scanner, cmaras ips, entre otros.
A travs de la red
Obtener imgenes a travs de la red es probablemente
la forma que menos complicaciones presenta desde un
punto de vista tcnico. Bien es verdad, que poco
podemos hacer en lo referente a la calidad de la imagen
ya que no hemos intercedido en la generacin de ella.
Cmara Digital
Es un dispositivo electrnico que capta las imgenes y
las guarda en formato digital (archivos para
computadora), con una alta resolucin, tambin en la
mayora de los casos graba video pero con una
resolucin menor. Existen varios tipos de cmaras,
entre ellos:
Cmara digital rflex o DSLR: Consideradas
cmaras de alta gama o profesionales, con una alta
resolucin. Esto es debido tanto a la ptica utilizada en
22
23
3.2.4.3.1.
Pre procesamiento
El pre-procesamiento incluye tcnicas tales como la
reduccin del ruido, realce del contraste, realce de ciertos
detalles, o caractersticas de la imagen correspondiente.
A. Binarizacin
La binarizacin de imgenes es una herramienta del
procesamiento de imgenes, el cual nos permite
transformar una imagen a colores a blanco y
negro.Existen varios mtodos de binarizacin, entre
ellos:
Binarizacin por umbral:
El proceso es el siguiente, pasamos la imagen original
a escala de grises, luego se determinar un umbral
adecuado (0-255) y se aplica una funcin de
binarizacin (Fernndez, 2006), As mismo, existen
mtodos para determinar el mejor umbral, tales como:
25
C. Filtro de suavizamiento
El objetivo de los filtros de suavizamiento es eliminar
ruido o detalles pequeos que no sean de inters. Esto
corresponde a un filtro pasa-bajo en el dominio de la
frecuencia, es decir que se eliminan o reducen las altas
frecuencias. En la figura 12, 13 y 14, se muestran las
respuestas de un filtro pasa-bajo en frecuencia (en una
dimensin) y la correspondiente respuesta que debe
tener en el dominio espacial.
Existen varios tipos de filtros para suavizamiento, los
ms comunes son:
Promedio o media aritmtica: Obtiene el promedio
de los pixeles vecinos; es decir, todos los valores de la
mscara son 1.
Mediana: Substituye el valor del pixel central por el de
la mediana de los valores contenidos en el vecindario.
El filtrado de la mediana es ms efectivo cuando el
objetivo es reducir el ruido y al mismo tiempo
preservar el borde. (Garca I, 2008).
27
Segmentacin
El separar la imagen en unidades significativas es un paso
importante en visin computacional para llegar al
reconocimiento de objetos. Este proceso se conoce como
segmentacin. As mismo, existen varias tcnicas para la
segmentacin de regiones, como es la deteccin de bordes,
tcnicas basadas en el crecimiento de regiones, entre otras.
28
29
3.2.4.3.3.
Descripcin
La descripcin es el proceso que obtiene caractersticas
convenientes para diferenciar un tipo de objeto de otro.
Existen muchas formas de describir los objetos presentes
en una imagen digital. Los descriptores ms utilizados se
mencionan a continuacin:
Descriptores de forma
Posee una informacin semntica muy importante,
debido a que los humanos somos capaces de reconocer
los objetos slo viendo su forma. No obstante, esta
informacin slo puede ser extrada mediante una
segmentacin similar a la que realiza el sistema visual
humano. En la actualidad todava no est disponible,
pero si existen una serie de algoritmos que nos
permiten una buena aproximacin. Estos descriptores
describen las regiones, contornos y formas para
imgenes 2D y volmenes 3D. El conjunto de
descriptores est formado por:
Region-based Shape Descriptor (RSD)
Contour-based Shape Descriptor (CSD)
3-D Shape Descriptor (3-D SD)
Descriptores de color
El color es la cualidad ms bsica del contenido visual.
Se definen cinco descriptores para describir el color:
Reconocimiento
El reconocimiento de patrones se define como el proceso
en el cual se agrupa un conjunto de datos en una
determinada cantidad de grupos (clusters) o etiquetas
mediante un mecanismo de decisin (Jain et al. 1999). Este
mecanismo depende de la tcnica particular que se utilice
y es el que define al algoritmo de reconocimiento de
patrones. De acuerdo a la informacin que se utilice para el
ajuste o definicin de la tcnica de reconocimiento, puede
distinguirse entre (Haykin, 1999; Jain et al, 1999):
Tcnicas supervisadas
En ellas los parmetros internos del algoritmo son
ajustados de acuerdo a un conjunto de datos
previamente clasificados. La descripcin obtenida de
este proceso de ajuste es, entonces, utilizada para
clasificar un nuevo conjunto de patrones. Este tipo de
tcnicas se conoce como clasificacin supervisada o
anlisis discriminante. Existen diversas tcnicas tales
como:
Redes neuronales
Arboles de decisin
Mquinas de soporte vectorial
Naive Bayes
k-Nearest Neighbors algorithm
Tcnicas no supervisadas
En este tipo de tcnica, el problema consiste en agrupar
un conjunto de datos en grupos significativos, sin
utilizar informacin previa sobre el agrupamiento
esperado. La informacin de las clases es nicamente
obtenida a partir de los propios patrones a agrupar. Este
tipo de tcnicas se conocen como tcnicas de
clasificacin no supervisada.
En general, la seleccin de la tcnica para el
reconocimiento de patrones se realiza heursticamente
de acuerdo a la informacin disponible sobre el
problema. En todo algoritmo de reconocimiento de
33
Interpretacin
La interpretacin es el proceso que asocia un significado a
un conjunto de objetos reconocidos (esprragos) y trata de
emular la cognicin (clasificar segn su calidad).
34
IV.
DESARROLLO METODOLOGICO
4.1. Metodologa de Trabajo
4.1.1.
4.1.2.
Calificativo
Nunca cumple
(Casi nunca) cumple
Regularmente cumple
(Frecuentemente) cumple
Siempre cumple
Tabla 3. Calificaciones
Fuente: Propio
Scanner
1. Calidad
2
imagen
2. Facilidad
de 2
4
1
uso dispositivo
3. Velocidad de 2
3
1
captura
4. Resolucin
2
3
2
Tabla 4. Cuadro comparativo de formas de adquisicin de
imgenes
Fuente: Propio
Segn los resultados obtenidos en el cuadro anterior, la forma escogida
es mediante cmaras digitales.
35
1. Facilidad
de
implementacin
2. Complejidad
computacional
3. Bajo nivel de
incertidumbre
4. Requiere poca
memoria
Tabla 6.
Otsu
4
Niblack
2
Max y min
2
Media
2
36
Basado
en Basado en HSV
Umbrales
y en umbrales
(mtodo de otsu) (mtodo de otsu)
2
2
1. Complejidad
Computacional
2. Bajo nivel de 3
4
incertidumbre
3. Requiere poca 2
2
memoria
Tabla 7. Cuadro comparativo mtodos de binarizacin
Fuente: Propio
1.
2.
3.
Tabla 9.
37
1. Necesita
entrenamiento
2. Mayor Complejidad 4
2
computacional
3. Se adecua al proyecto 4
1
4. Bajo
nivel
de 4
2
incertidumbre
Tabla 10. Cuadro comparativos tcnicas de reconocimiento de
patrones
Fuente: propio
4.1.3.
39
V.
CONCLUSIONES
Se investig fundamentos tericos sobre la clasificacin de esprragos en empresas
agroindustriales. Tambin se investigaron las teoras y los conceptos de los algoritmos del
procesamiento de imgenes que fueron revisados para realizar el diseo de la tcnica.
Se analiz la informacin obtenida para elegir los algoritmos de procesamiento de imgenes
que nos permitan disear el modelo para mejorar el proceso de clasificacin de esprragos.
Se logr cumplir con cada uno de nuestros objetivos planteados para este trabajo de
graduacin, logrando disear un modelo para mejorar el proceso de clasificacin de
esprragos.
40
REFERENCIAS BIBLIOGRAFICAS.
Rigney, M.P., Brusewitz, G.H. and Kranzler, G.A.(1992). Asparagus defect inspection with
machine vision. Transactions of the ASAE. 35(6): 1873-1878.
Trent B. y Folwell R.(2003) Alternatives to manual sorting using selected electronic graders in
asparagus fresh packing sheds: a cost-benefit analysis. Encontrado el 02 de febrero del 2014,
en www.agribusiness-mgmt.wsu.edu/agbusresearch/docs/asparagus/eb1958.pdf
Chang, V. y Saavedra, J. (2001). Mtodos alternativos para el mejoramiento automtico del
contraste de imgenes. Tesis de Pregrado. Escuela Acadmico Profesional de informtica,
Universidad Nacional de Trujillo. Trujillo, Per.
Benites, S. (2012). Elaboracin de un manual de buenas prcticas de manufactura para una
empresa agroindustrial de esparrago verde. Tesis de Pregrado. Escuela Acadmico
Profesional de Ingeniera en Industrias Alimentarias, Universidad Privada Antenor Orrego,
Trujillo, Per.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms, IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, p. 62-66.
Guo, F., Cao, Q. (2004). Study on color image processing based intelligent fruit sorting system,
in proceedings of the Intelligent Control and Automation. vol 6, p. 4802 4805. China.
Carranza, F. y Murrugarra, N. (2007). Deteccin de la enfermedad "Fish Eye" en aceitunas
utilizando Procesamiento grfico. Jornada Peruana de Computacin, p. 171-179.
Universidad Privada Antenor Orrego. Trujillo. Per.
Gradwohl, D. R. (1971). Developing an orienter for mechanically harvested asparagus.
Agricultural Engineering. 52(6): 312,313.
Singh, G., Moore, M.J. and Mears, D.R. 1971. Mechanical orientation of asparagus spears and
related physical properties. Transactions of the ASAE 14(5): 985-986.
Yang, Q. 1992. The potential for applying machine vision to defect detection in fruitand
vegetable grading. Agricultural Engineer 47(3): 74-79
Gatti, I y Vanina, P. 2000. Evaluacin de siete poblaciones de esprrago, Asparagus officinalis
l, p. 1151-1157. Brasilia, Brasil.
Lpez, F. y Picarde, L. 2003. Seleccin de progenitores en esprrago. Facultad de Ciencias
Agrarias, Universidad Nacional de Rosario. Santa Fe, Argentina.
Fuentes, M. 2010. Caracterizacin de componentes bioactivos del esprrago verde: obtencin de
ingredientes funcionales a partir de los subproductos generados durante su transformacin
industrial. Tesis de Pregrado. Universidad de Crdoba. Departamento de Bromatologa y
Tecnologa de los Alimentos. Crdoba, Colombia.
Puga, M. y Bustamante G. 2002. Estudio de pre factibilidad para la produccin de esparrago
verde para la exportacin, en la pennsula de Santa Elena. Tesis de pregrado. Instituto de
ciencias humansticas y econmicas. Escuela Superior Politecnica del Litora. Guayaquil,
Ecuador.
Fernndez, M. (2006).Selector de fruta y simulacin de una aplicacin real. Tesis de Maestra.
Universidad Politcnica de Catalunya, Barcelona, Espaa.
Fuentes, R. (2001). Sistema de Visin Artificial para el control de calidad del meln. Facultad
de Ingeniera Mecnica y Elctrica. Universidad de Colima. Mxico
Richardson, R. (2003). "Digital imaging: The wave of the future". T H E Journal 31 (3).
Retrieved 28 June 2012.
Thomas K. (2005). " What is a model ? ". Darmstadt University of Technology, Darmstadt,
Germany.
41
Linda L., Scott J, Terrance R. y Michael G. (2001). A Content Standard for Computational
Models . D-Lib Magazine, Vol. 7,No. 6. ISSN 1082-9873.
Enrique S. y Giovani G. (2011). Visin computacional. Instituto Nacional de Astrofsica,
ptica y Electrnica, Puebla, Mxico.
Garca I. (2008)."Visin artificial y procesamiento digital de imgenes usando Matlab". Ibarra,
Ecuador. ISBN: 978-9942-01-790-1
Haykin S. (1999) "Neural Networks: A comprehensive foundation", Nueva Jersey, EE.UU.
Jain A.k, Murty M.N y Flynn P.J.(1999) "Data clusterings: A review" ACM Computing Surveys,
31, 264 323.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms,Transactions on
Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, p. 62-66.
La Serna N. y Roman U. (2009) "Tecnica de segmentacion en procesamiento digital de
imagenes". Facultad de ingeniera de sistemas e informtica. Universidad Nacional de Mayor
de San Marcos, Lima, Peru.
S.B. kotsiantis. (2007)"Supervised Machine Learning: A Review of Classification Techniques".
Department of Computer Science and Technology University of Peloponnese, Greece End
of Karaiskaki, 22100 , Tripolis GR.
42