INDICE

PLANTEAMIENTO DE LA INVESTIGACIÓN................................................................................3
1.1 DESCRIPCIÓN DEL PROBLEMA.........................................................................................3
1.2 JUSTIFICACIÓN.....................................................................................................................9
1.3 FORMULACIÓN DEL PROBLEMA....................................................................................10
1.3.1 PREGUNTA GENERAL.....................................................................................................10
1.3.2 PREGUNTAS ESPECIFICAS.............................................................................................10
1.4 OBJETIVOS...........................................................................................................................11
1.4.1 OBJETIVO GENERAL..................................................................................................11
1.4.2 OBJETIVOS ESPECÍFICOS..........................................................................................11
1.5 ANTECEDENTES..................................................................................................................11
MARCO TEÓRICO...........................................................................................................................13
2 VISIÓN POR COMPUTADORA..............................................................................................13
2.1.1 ETAPAS QUE CONFORMAN UN SISTEMA DE VISIÓN POR COMPUTADORA.14
2.1.2 APLICACIONES DE LOS SISTEMAS DE VISIÓN POR COMPUTADORA............14
2.1.3 SISTEMA DE PROCESAMIENTO O MÓDULO DE PROCESO...............................16
2.2 ILUMINACIÓN DE LA INFRAESTRUCTURA..................................................................17
2.3 CALIBRACIÓN DE LAS CÁMARAS.................................................................................17
2.3.1 CALIBRACIONES FOTOGRAMÉTRICAS.................................................................18
2.3.2 AUTOCALIBRACIÓN...................................................................................................18
2.3.3 CÁMARAS MÉTRICAS................................................................................................18
2.3.4 CÁMARAS NO MÉTRICAS O “AMATEUR”.............................................................19
2.3.5 CÁMARAS SEMI-MÉTRICAS.....................................................................................19
2.4 PROCESAMIENTO DIGITAL DE IMÁGENES..................................................................20
2.4.1 ADQUISICIÓN DE IMÁGENES...................................................................................21
2.4.2 FILTRADO.....................................................................................................................25
2.4.3 OPERADORES QUE MODIFICAN EL HISTOGRAMA............................................25
2.4.4 OPERADORES MORFOLÓGICOS..............................................................................26
2.4.5 OPERADORES ESTADÍSTICOS..................................................................................26
2.4.6 TRANSFORMACIONES GEOMÉTRICAS..................................................................26
2.4.7 EXTRACCIÓN Y SELECCIÓN DE CARACTERÍSTICAS.........................................27
2.5 SEGMENTACIÓN.................................................................................................................28
2.5.1 SEGMENTACIÓN BASADA EN PIXELES.................................................................28
2.5.2 FILTRO DE TAMAÑO...................................................................................................30
2.6 RECONOCIMIENTO............................................................................................................31
2.6.1 RECONOCIMIENTO E INTERPRETACIÓN DE FORMAS.......................................31
2.7 HIPÓTESIS Y VARIABLES..................................................................................................31
2.7.1 HIPÓTESIS GENERAL.................................................................................................31
2.7.2 HIPÓTESIS ESPECIFICAS...........................................................................................32
2.7.3 OPERACIONALIZACION DE VARIABLES...............................................................32
2.8 DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN...................................................33
2.8.1 MÉTODOS DE INVESTIGACIÓN....................................................................................33
2.8.1.1 MATERIALES Y MÉTODOS..........................................................................................33
2.8.1.2 POBLACIÓN Y MUESTRA............................................................................................33
2.8.1.2.1 UBICACIÓN.................................................................................................................33
2.8.1.2.1.1 UBICACIÓN GEOGRÁFICA...................................................................................33
2.8.1.2.1.2 UBICACIÓN POLÍTICA..........................................................................................33
2.8.1.2.2 POBLACIÓN.................................................................................................................33
2.8.1.2.3 MUESTRA....................................................................................................................34

1
2.8.1.3 INSTRUMENTO..............................................................................................................36
2.9 CRONOGRAMA....................................................................................................................37
3 BIBLIOGRAFÍA.......................................................................................................................38
4 ANEXOS...................................................................................................................................40

2
 CAPÍTULO I

PLANTEAMIENTO DE LA INVESTIGACIÓN

1.1 DESCRIPCIÓN DEL PROBLEMA

A nivel mundial la FAO indica; Que “La producción acuícola alcanzó otro

máximo histórico de 90,4 millones de toneladas (equivalente en peso vivo) en el 2012

(144 400 millones de USD), de los que 66,6 millones de toneladas correspondieron a

peces comestibles, con unas estimaciones para 2013 de 70,5 millones de toneladas.” 1,

como se observa en las figuras (1-2)

Figura 1 Estado mundial de pesca y acuicultura.

Fuente: FAO(2014)

1 Food and Agriculture Organization (FAO) declaro en su informe “El estado mundial de la pesca y la acuicultura”.

3
Figura 2 Estado mundial de pesca y acuicultura.

Fuente: FAO(2014)

El Ingeniero en Acuicultura Nicolas Hurtado en un aporte a la acuicultura

peruana menciona: “En cuanto a la acuicultura peruana si bien se ha desarrollado

enormemente a más de 26.25 % en promedio en los últimos 15 años, registrando más de

106 mil toneladas en el 2014, esta es aún muy poca en comparación con nuestra

pesquería representando solo el 2%.”.

Según los datos proporcionados por la DIREPRO, en el Perú la producción de

trucha bordeó las 20 mil toneladas en 2011, las cuales se destinaron al mercado interno y

en segundo lugar a la exportación, alcanzando esta última un valor de casi 9 millones de

dólares, produciendo cerca de 40.000 toneladas de trucha al año.

Solo en Puno se producen 29.000 toneladas, que pertenece cerca a 0.75% de la

producción de pescado del año 2012, es por ello que se debe considerar aumentar la

producción de truchas debido a su importancia en el Perú, sobretodo en el mayor

productor nacional que es Puno.

4
 Es considerable la cantidad de toneladas que produce Puno, esta producción de

pescado es puesta en venta para el consumo, no sin antes haber pasado por un proceso de

clasificación, en donde se selecciona por tamaño, peso, estado físico, etc.

Es por ello que la clasificación del un cultivo es de gran importancia y una

practica muy común en la acuicultura, realizando este proceso cada vez que es necesario,

los acuicultores realizan este proceso para distintas etapas del cultivo, la FAO menciona

como necesarios a los siguientes puntos:

• Cuando se cosechan juveniles, antes de colocarlos en estanques de engorde.

• Al inicio del ciclo de vida de peces predadores, cuando la diferencia de tamaño

es muy grande.

• Cuando se separan peces de crecimiento rápido de otros de crecimiento más

lento.

• Para seleccionar peces predadores de una talla adecuada para controlar las

poblaciones de alevines.

• Para seleccionar peces de un tamaño adecuado para policultivo.

• Para cosechar en un estanque en el que hay peces de varias edades y tamaños.

• Durante una cosecha parcial, para seleccionar peces que han alcanzado el tamaño

comercial.

En la actualidad aun se utilizan los métodos para la clasificación de cultivo de

5
 peces de granjas acuicolas que sugiere la FAO, los menciona como “Métodos simples

para la clasificación de peces ”, sin embargo cada uno esta limitado a no mas de dos

tipos de medidas y con un riesgo a que mueran en el proceso de clasificación como lo

indica el siguiente cuadro.

Figura 3: Métodos sencillos propuestos por la FAO.

Fuente: FAO

Estos clasificadores en su mayoría son elaborados artesanalmente, utilizando

materiales que pueden comprometer el bienestar del cultivo al igual que su

manipulación, los operarios que son capacitados para llevar acabo la clasificación, deben

de ser sumamente cuidadosos evitando dañar al cultivo por estrés, asfixia,

contaminación cruzada, etc.2 Para la clasificación también se debe considerar con mayor

importancia los factores externos al cultivo, ya que estos afectan con mas importancia al

cultivo, que los factores internos debido al riesgo que supone para el cultivo.

(FONDEPES,2004)

2 Se puede comprobar esta información en la siguiente dirección

ftp://ftp.fao.org/fi/CDrom/FAO_training/FAO_training/general/x6709s/x6709s12.htm
6
 Estos métodos han influido en la mayoría de los manuales de crianza de cultivo

(trucha, tilapias y carpas), siendo los mas recurrentes para clasificar el cultivo para las

necesidades ya mencionadas. En los manuales que proporcionan (FONDEPES,

FONDOEMPLEO, Lazlo Horvath; G. Tamás y Chris Seagrave) tiene una sección donde

se desarrolla el proceso de clasificación, los materiales y consideraciones que toman

para efectuar dicho proceso están relacionados al los propuestos por la FAO, a demás de

mencionar las razones de su importancia de esta clasificación si no es realizada, estas

son las siguientes:

• Competencia desleal por el alimento.

• Elevación del Factor de Conversión Alimenticia del lote cultivado.

• Aumenta la diferencia de tallas en la unidad productiva.

• Reduce el rendimiento del alimento.

• Aumenta la mortalidad de los peces menores.

• Genera una producción irregular en talla y calidad.

• Incremento del costo de producción.

• Reduce las utilidades del negocio.

El manual de carpas (Lazlo Horvath; G. Tamás y Chris Seagrave) menciona lo

siguiente “El sustrato en que los peces viven es el agua, que es un ambiente desconocido

para los productores que, como consecuencia, deberán encontrar otros signos

secundarios para proveerse de información acerca de lo que está sucediendo debajo de la

superficie del agua.” esto suponé que el número de peces en sus poblaciones no podrá

ser contado exactamente y solo podrá ser determinado en forma “estimada”. De acuerdo

7
a estos manuales, efectúan su clasificación utilizando estos métodos con tecnologías

precarias y basándose en aproximaciones, esto pone en desventaja la producción y por lo

tanto sus ingresos.

También es necesario mencionar el error humano, la confiabilidad de sus actos,

es un tema de gran complejidad, en el que conviene tener presente que el ser humano

actúa siempre por y desde un gran número de variables personales, organizacionales,

situacionales y/o ambientales, que a menudo imposibilitan determinación definitiva de

las causas (Sebastián, 2002). Es por ello que existen muchos problemas de inspección

visual, que son susceptibles de ser automatizados, y permiten liberar a los trabajadores

de tareas monótonas y repetitivas (Ríos, 2007).

El tiempo en la clasificación de peces como se menciona en los manuales de

clasificación debe de ser rápido y con las medidas de seguridad, ademas que

recomiendan dejar un tiempo sin comer a los peces para clasificarlos. Tomando en

cuenta que manejan grandes cantidades de cultivo, el tiempo de clasificación puede

durar todo un día e incluso días para realizar dicho proceso en una población de cultivo,

suponiendo que cuenta con varias poblaciones de peces de distintas etapas; de acuerdo a

estos manuales puede llegar a manejar mas de 40.000 peces, teniendo en cuenta la

mortalidad que se presenta en la incubación y otros factores externos de estos, a la par se

pesa y se calcula la cantidad total de biomasa presente en los estanques de cultivos.

8
 1.2 JUSTIFICACIÓN

La acuicultura a nivel mundial es muy importante, todos los informes de la

FAO, coinciden en que la acuicultura es el sector de la producción de alimentos con

mayor crecimiento, tema importante dados los problemas en seguridad alimentaria que

el mundo atraviesa.

En el caso del Perú, estos últimos años, nuestro país ha venido desarrollando un

crecimiento significativo en la acuicultura, tanto en la producción como exportación de

productos acuícolas.

El desarrollo tecnológico en el Perú de acuerdo al “PROGRAMA NACIONAL

DE CIENCIA, DESARROLLO TECNOLÓGICO E INNOVACIÓN EN

ACUICULTURA (C+DT+i)” menciona que “La ciencia, el desarrollo tecnológico y la

innovación aplicados a la acuicultura han alcanzado un escaso desarrollo debido, entre

otras causas, a una falta de priorización para la realización de investigación en esta

actividad.”

Los deficientes métodos de clasificación que son utilizados para obtener datos

estimados y/o aproximaciones de las poblaciones de peces, datos como: peso, tamaño,

cantidad de población, estado físico, etc; demandan mucho tiempo, teniendo en cuenta

que el desarrollo de la tecnología aplicada en la acuicultura en el Perú es escaso.

En la actualidad el alto coste de la inspección humana ha hecho promover y

desarrollar sistemas capaces de resolver las tareas de forma automática. Los sistemas de

visión industrial, permiten una alta fiabilidad en la inspección, reduciendo las

reclamaciones, así como también, el costo que representa una entrega de producto en

malas condiciones (Giró, 2008). Es por ello que se considera necesario desarrollar

sistemas de visión industrial para que se automaticen este tipo de procesos de

clasificación de peces.

9
 Es por ello que merece ser investigado el desarrollo de un sistema de Visión

Artificial para mejorar la clasificación de los peces, esta investigación ayudara crear un

modelo de clasificación eficiente para estimar con mayor exactitud la cantidad de

población y biomasa existente, tomando en cuenta el tamaño de los peces, dado una

solución tecnológica aplicada en la acuicultura peruana .

1.3 FORMULACIÓN DEL PROBLEMA

1.3.1 PREGUNTA GENERAL

• ¿En que medida el desarrollo de un Sistema de Visión Artificial mejorara la clasificación

de peces en la ciudad de Puno 2016?

1.3.2 PREGUNTAS ESPECIFICAS

• ¿En que medida la implementación de un algoritmo que estime el tamaño de los peces

mejorara la estimación actual?

• ¿En que medida la implementación de un algoritmo que estime la biomasa de la

población mejorara la estimación actual?

• ¿En que medida la implementación de un algoritmo que estime la cantidad de la

población total de peces mejorara la estimación actual?

• ¿En que medida el desarrollo de un Sistema de Visión Artificial disminuye el tiempo de

clasificación de peces?

10
 1.4 OBJETIVOS

1.4.1 OBJETIVO GENERAL

• Desarrollar un Sistema de Visión Artificial para mejorar la clasificación de peces en

la ciudad de Puno 2016.

1.4.2 OBJETIVOS ESPECÍFICOS

• Diseñar los módulos del sistema de visión artificial.

• Implementar el algoritmo de estimación del tamaño de peces.

• Implementar el algoritmo de estimación la biomasa de los peces.

• Implementar el algoritmo de estimación de la cantidad total de población.

• Evaluar la mejora que se produce en la clasificación de peces en función del tiempo.

1.5 ANTECEDENTES

1. El trabajo de Henry Orellana Lizana(2008) habla sobre diseñar y desarrollar un

algoritmo para la estimación del tamaño de las truchas basado en visión por

computador, en estos estudios se demostró que el proceso de selección de peces

realizada por los acuicultores podía ser mejorada con su propuesta. Utilizando el

método de umbralización con el método de Otsu en conjunto con procesamiento

de la imagen, la eliminación de ruido en la imagen, filtrados de imagen y

detección de bordes, logro estimar el tamaño de un pez. Al realizar las pruebas

con imágenes ideales, en 3 tipos de pruebas distintas, para probar su algoritmo de

estimación, en la prueba N.º1se obtuvo resultados con rango de error menor al

11
 15%, en su prueba N.º2 un rango de error menor del 10% y en su prueba N.°3

rango menor o igual a 54%, lo cual indica que la aproximación realizada en la

N.º2 es la mejor para estimar el tamaño de un pez.

2. Jaime Cesar Reátegui Woll (2011) implemento y desarrollo un algoritmo para la

estimación automática de la varianza y discriminación de distribuciones de ruido

presente en una imagen digital, determino que en general, en situaciones reales,

al adquirir una imagen no es posible determinar con claridad la distribución de

ruido presente, por lo que es difícil seleccionar el mejor método de eliminación

de ruido o al menos el más eficiente.

3. Víctor Vargas Baeza (2010) su trabajo de un Sistema de Visión Artificial para el

Control De Calidad en Piezas Cromadas, se justifica en la constante

automatización de las industrias y la predominancia de la cálida, a fin de

desarrollar nuevas estrategias de inspección, las cuales cuenten con una mayor

sofisticación, y que puedan procesar métodos más robustos en el tiempo

requerido, es recomendable desarrollar un sistema de visión basado en hardware

de arquitectura reconfigurable.

4. Hernán Benítez,Humberto Loaiza,Bladimir Vacca y Javier Acevedo (2005) en su

trabajo presentan el diseño, implementación y aplicación de un sistema de visión

artificial imagen de infrarrojos que permite el procesamiento y análisis de esas

imágenes a través de una interfaz gráfica, capaz de generar informes de

inspección y almacenamiento de los resultados en una base de datos, fue

diseñado teniendo en cuenta criterios de modularidad, flexibilidad y portabilidad.

Con el fin de presentar el rendimiento de la herramienta, se discuten los

resultados obtenidos de la inspección termografía pasiva. El sistema de visión

artificial para el procesamiento y análisis de imágenes infrarrojas permite realizar

12
 inspección termográfica pasiva y activa y se constituye en un aporte a puedan

aprender a diseñar y probar más fácilmente nuevos programas para la inspección

termográfica. Además, este sistema permite la integración de algunos métodos

usados en (ETND) con las etapas de adquisición, tratamiento y análisis de

imágenes y de elaboración y almacenamiento de reportes.

5. Sakir Tasdemir, Abdullah Urkmez, Seref Inal (2010) en este estudio, las medidas

del cuerpo de vacas Holstein se determinaron usando análisis de imagen digital y

estos fueron utilizados para estimar el peso en vivo de cada vaca. Para este

propósito, un arreglo de captura de imagen se estableció en una granja de ganado

lechero. Incluyendo evacuaciones altura de la cruz, altura de la cadera, la

longitud del cuerpo, anchura de la cadera. Después de comparar las evacuaciones

intestinales obtenidos por análisis de la imagen con las mediciones manuales, la

exactitud se determinó como el 97,72% de peso vivo, 98.00% para altura de

cadera, 97,89% para longitud del cuerpo y 95,25% para altura del cuerpo.

13
 CAPÍTULO II

MARCO TEÓRICO

2 VISIÓN POR COMPUTADORA

• La visión artificial es una disciplina que engloba todos los procesos y

elementos que proporcionan ojos a una máquina y se podría decir que: la

visión artificial o comprensión de imágenes describe la deducción

automática de la estructura y propiedades de un mundo tridimensional,

posiblemente dinámico, bien a partir de una o varias imágenes

bidimensionales de ese mundo (V.S. Nalwa., 1993). Las estructuras y

propiedades del mundo tridimensional que se quieren deducir en visión

artificial incluyen no sólo sus propiedades geométricas, sino también sus

propiedades materiales. Ejemplos de propiedades geométricas son la forma,

tamaño y localización de los objetos. Ejemplos de propiedades de los

materiales son su color, iluminación, textura y composición. Si el mundo se

modifica en el proceso de formación de la imagen, se necesitará inferir

también la naturaleza del cambio, e incluso predecir el futuro.

14
2.1.1 ETAPAS QUE CONFORMAN UN SISTEMA DE VISIÓN POR

COMPUTADORA

• El proceso de visión por computadora puede subdividirse en seis áreas

principales según (Integrantes del Grupo de Investigación EDMANS,2006):

◦ Adquisición de imágenes: Es el proceso con el cual se obtiene una

imagen visual.

◦ Preprocesamiento: Trata de las técnicas de reducción de ruido y

enriquecimiento de detalles en la imagen.

◦ Segmentación: Es el proceso que divide una imagen en objetos de nuestro

interés.

◦ Análisis: Es el proceso mediante el cual se obtienen características

convenientes para diferenciar un tipo de objeto de otro, por ejemplo:

tamaño y forma.

2.1.2 APLICACIONES DE LOS SISTEMAS DE VISIÓN POR

COMPUTADORA

• El amplio espectro de aplicaciones cubierto por la VA, se debe a que permite

extraer y analizar información espectral, espacial y temporal de los distintos

objetos.

• La información espectral incluye frecuencia (color) e intensidad (tonos de

gris). La información espacial se refiere a aspectos como forma y posición

(una, dos y tres dimensiones). La información temporal comprende aspectos

15
 estacionarios (presencia y/o ausencia) y dependientes del tiempo (eventos,

movimientos, procesos). La mayoría de las aplicaciones de la visión artificial

podemos clasificarlas por el tipo de tarea, entre las que mencionaremos a

continuación.

• La medición o calibración se refiere a la correlación cuantitativa con los

datos del diseño, asegurando que las mediciones cumplan con las

especificaciones del diseño. Por ejemplo, el comprobar que un cable tenga el

espesor recomendado.

• La detección de fallas es un análisis cualitativo que involucra la detección de

defectos o artefactos no deseados, con forma desconocida en una posición

desconocida. Por ejemplo, encontrar defectos en la pintura de un auto nuevo,

o agujeros en hojas de papel.

• La verificación es el chequeo cualitativo de que una operación de ensamblaje

ha sido llevada a cabo correctamente. Por ejemplo, que no falte ninguna tecla

en un teclado, o que no falten componentes en un circuito impreso.

• El reconocimiento involucra la identificación de un objeto con base en

descriptores asociados con el objeto. Por ejemplo, la clasificación de cítricos

(limones, naranjas, mandarinas, etc.) por color y tamaño.

• La identificación es el proceso de identificar un objeto por el uso de símbolos

en el mismo. Por ejemplo, el código de barras, o códigos de perforaciones

empleados para distinguir hule de espuma de asientos automotrices.

16
• El análisis de localización es la evaluación de la posición de un objeto. Por

ejemplo, determinar la posición donde debe insertarse un circuito integrado.

• La Guía significa proporcionar adaptativamente información posicional de

retroalimentación para dirigir una actividad. El ejemplo típico es el uso de

un Sistema de Visión para guiar un brazo Robótico mientras suelda o

manipula partes. Otro ejemplo sería la navegación en vehículos autónomos.

2.1.3 SISTEMA DE PROCESAMIENTO O MÓDULO DE PROCESO

• El sistema de procesamiento suele ser una computadora o un clúster de

computadoras, dependiendo de las necesidades de los algoritmos de visión a

utilizar; y con las cuales se aplican las herramientas de visión adecuadas, a

imágenes provenientes del sensor de visión, Se trata del sistema encargado de

recibir y analizar las imágenes de los objetos a inspeccionar, a una velocidad

necesaria para poder interactuar con otros dispositivos en tiempo real.

• Partiendo de una representación digital de las imágenes, el módulo de

proceso, procesa la información digital, hasta alcanzar información de más

alto nivel (decisión binaria), ayudando a la interacción con las aplicaciones o

actuadores externos del proceso.

• Es por tanto, la parte del sistema de visión, encargada de implementar las

funciones de tratamiento de la imagen en función del tipo de análisis a

realizar, permitiendo la ejecución de la tarea para el que se ha diseñado el

17
 sistema automático.

2.2 ILUMINACIÓN DE LA INFRAESTRUCTURA

• La iluminación, según el diccionario de la lengua española, se define como la

cantidad de luz que entra o existe en un determinado lugar. Para una buena

adquisición de imágenes es necesario tener una infraestructura correctamente

iluminada; entonces, es necesario tener en cuenta los siguientes conceptos.

2.3 CALIBRACIÓN DE LAS CÁMARAS

• Las cámaras de vídeo usadas para aplicaciones de corto alcance o para

objetos cercanos (close-range) son típicamente no-métricas o semi-métricas.

Esto significa generalmente que estas cámaras fotográficas tienen salidas

significativas de una proyección central perfecta. Las salidas se deben

modelar en un proceso de calibración y así compensar el error en el modelo

central de la proyección. El procedimiento de la calibración trata las

características internas de las cámaras fotográficas (puntos principales,

longitudes focales, distorsiones radiales en las lentes y términos como la

ortogonalidad y la afinidad) además implica la orientación relativa de las dos

cámaras una respecto a la otra (distancia entre las dos cámaras, ángulos de

convergencia y la inclinación de las cámaras) (Harvey et al., 2003). Existen

diversas técnicas de calibración de cámaras, los cuales pueden ser

clasificados en dos grandes categorías: Calibraciones fotogramétricas y la

auto calibración; además desde el punto de vista de la calibración es

18
 necesario clasificar las cámaras: cámaras métricas, cámaras no métricas o

“amateur”, cámaras semimétricas.

2.3.1 CALIBRACIONES FOTOGRAMÉTRICAS

• Se realiza mediante la observación de patrones cuya geometría en el espacio

3D es conocida con un buen nivel de precisión. Los patrones de calibración

normalmente están posicionados en dos o tres planos ortogonales entre ellos.

En algunos casos, basta con un único plano, cuya traslación es perfectamente

conocido (Aracena 2005). Este tipo de calibración, por lo tanto, requiere una

configuración elaborada a cambio de obtener resultados muy eficientes.

2.3.2 AUTOCALIBRACIÓN

• Éste método se basa en el movimiento de la cámara observando una escena

estática a partir de sus desplazamientos y usando únicamente la información

de la imagen. La rigidez de la escena impone en general restricciones sobre

los parámetros de la cámara. Tres imágenes tomadas por una misma cámara

con parámetros intrínsecos fijos son suficientes para obtener tanto los

parámetros extrínsecos como intrínsecos. Aunque esta técnica es muy

flexible, aun no se encuentra madura (Domaika 2001).

2.3.3 CÁMARAS MÉTRICAS

• Aquellas en las que el fabricante realiza una calibración de precisión en

laboratorio (normalmente por el método del multicolimador), y ofrece un

19
 certificado de los valores de la distorsión para unos ciertos valores de focal.

Ello conlleva, además, la estabilidad de los elementos ópticos de la cámara.

Ninguna cámara “autofoco” es una cámara métrica (Sánchez 2004).

2.3.4 CÁMARAS NO MÉTRICAS O “AMATEUR”

• No están calibradas, por lo que si se quiere utilizar para fine métricos se debe

recurrir a algún procedimiento de autocalibración o calibración “in situ”,

según las precisiones y recursos que se dispongan. El gran problema con

estas cámaras es la falta de estabilidad del sistema objetivo (y por tanto la

variabilidad de la focal), por lo que es conveniente realizar la calibración

cada vez que se use y cambien las condiciones de la toma (Sánchez 2004).

2.3.5 CÁMARAS SEMI-MÉTRICAS

• Se sitúan entre las dos anteriores. Son cámaras más estables que las

anteriores, a las que se le añade, entre las lentes y el plano de la película una

retícula (réseau). De manera que cada vez que se use la cámara se pueden

utilizar estas marcas impresas en la película para determinar la posición del

punto principal y la deformación del plano de la película a la vez que se

realiza el resto del proceso fotogramétrico. En el caso de cámaras digitales, la

placa del sensor, si tiene la suficiente garantía de fabricación, puede

interpretarse como una retícula formada por la matriz de píxeles de

coordenadas imagen dadas por la fila y la columna de cada píxel (Sánchez

2004).

20
2.4 PROCESAMIENTO DIGITAL DE IMÁGENES

• Procesamiento de imágenes es el término usado para denominar las

operaciones desarrolladas sobre un conjunto de datos de imagen para

mejorarlas de alguna forma, para ayudar a su interpretación o para extraer

algún tipo de información útil de ella (Yuras 1998).

• Además se contemplan todos aquellos procesos tendientes a mejorar la

calidad de las imágenes disponibles o a enfatizar algunas de las

características que serán utilizadas en los procesos de análisis y de

comprensión de imágenes. La gran variedad de operadores utilizados en el

procesamiento digital de imágenes se pueden agrupar en las clases siguientes:

operadores aritméticos y lógicos, operadores que modifican el histograma,

operadores basados en la convolución, operadores estadísticos, operadores

morfológicos, filtros frecuenciales, transformaciones geométricas y

operadores temporales (Ibarra 2005).

• Las imágenes digitales no siempre suelen ser adquiridas al interior de un

sistema de Visión Artificial en las condiciones más apropiadas para su

análisis e interpretación. Los efectos de los ruidos de cuantización, de las

variaciones en la iluminación, de las limitaciones en la profundidad de campo

que se traducen en zonas fuera de foco o de la presencia de distorsiones y

aberraciones introducidas por la óptica producen imágenes defectuosas que

deben ser mejoradas. Por otro lado, aún en el caso de imágenes provenientes

de escenas bien iluminadas, libres de ruido y distorsiones, es necesario

realzar algunas características de interés en las fases de modelado. De ahí que

21
 uno de los aspectos más importantes de la Visión Artificial sea el

Procesamiento de Imágenes (PDI), es decir, la transformación de la imagen

original en otra imagen en la que hayan sido eliminados los ruidos,

corregidas las distorsiones, compensados los efectos de la mala iluminación o

bien, en las que hayan sido realzados algunos parámetros intrínsecos de la

imagen tales como discontinuidades superficiales (bordes), la orientación de

ciertas superficies, el movimiento, etc. La utilización de las técnicas de PDI

permite el mejoramiento de las imágenes digitales adquiridas de acuerdo a

los objetivos planteados en el sistema de Visión Artificial.

2.4.1 ADQUISICIÓN DE IMÁGENES

• Este proceso comporta dos etapas, la formación de imágenes sobre una

superficie sensible y la conversión de dicha imagen en una señal eléctrica

susceptible de ser almacenada digitalmente en la memoria de una

computadora. La formación de imágenes sigue los principios de la óptica

basados en las aproximaciones de las lentes delgadas y de la cámara tipo pin-

hole. De entre la diversidad de modelos existentes, la proyección en

perspectiva es el más utilizado para representar el fenómeno de formación de

imágenes. El modelo de perspectiva es un modelo geométrico que permite

calcular la posición de los objetos dentro de la escena a partir de la posición

de su proyección dentro de la imagen, a condición de conocer los parámetros

intrínsecos y extrínsecos de la cámara (Ibarra 2005)

22
• Los primeros son básicamente el tamaño del píxel, la posición del sensor

dentro de la cámara y la distancia focal de la óptica utilizada; mientras que

los parámetros extrínsecos consisten en la posición y la orientación de la

cámara dentro de la escena.

• Generalmente, la medición de estos parámetros es muy complicada y a

menudo imposible de realizar, por lo que debe recurrirse a un proceso de

identificación denominado calibración. La calibración necesita la captura de

imágenes de objetos de dimensiones conocidas cuya ubicación es igualmente

conocida, sobre las cuales se realizan ciertas mediciones, con todos estos

datos y utilizando el modelo de perspectiva es posible obtener una estimación

de los parámetros intrínsecos y extrínsecos del sistema de adquisición de

imágenes. Es claro que el proceso de calibración requiere que el sistema de

visión sea capaz de captar datos provenientes del exterior. Por su parte, el

elemento sensible sobre el cual se forma la imagen deberá transformar la

información visual sobre el entorno, transportada por la luz, en señales

eléctricas adecuadas para su posterior tratamiento (Vega 1998).

• Los sensores de visión más utilizados en Robótica son las cámaras de

televisión basadas en matrices de dispositivos semiconductores tipo CCD,

CMOS o CID, los cuales realizan una digitalización espacial completa en dos

dimensiones (líneas y columnas), pues descomponen la imagen en una matriz

de puntos o píxeles (del inglés picture element), cuyo valor es continuo y

proporcional a la cantidad de luz proveniente de la escena que incide en el

punto correspondiente (Vega 1998).

23
• De estos tres tipos de dispositivos de estado sólido, los más utilizados son los

dispositivos acoplados por carga, denotados como CCD (Charge Coupled

Devices). Los dispositivos semiconductores tipo CCD funcionan como

registros de corrimiento analógicos (bucket brigade) lo cual permite transferir

la imagen digital fila por fila, aunque existen varios métodos de transferencia

de los píxeles que constituyen la imagen digitalmente capturada por el

dispositivo: transferencia incremental de líneas, transferencia interlínea y

muestreo progresivo (Ibarra 2005).

• La principal característica de los dispositivos tipo CMOS (Complementary

Metal - Oxide Semiconductor) Semiconductores Metal-Óxido

Complementarios, es que solamente utilizan energía cuando sus transistores

están conmutando entre los estados lógicos encendido y apagado. De tal

modo, los dispositivos CMOS utilizan menos energía y disipan mucho menos

calor que otras clases de circuitos semiconductores; además, permite una

mayor densidad de integración dentro de un chip. El término

“complementarios” se refiere al hecho de que los circuitos CMOS utilizan

pares de transistores de polaridad opuesta (positivos y negativos) de los

cuales sólo uno se conmuta a la vez. Por otro lado, los sensores de visión tipo

CMOS pueden utilizar píxeles pasivos o activos. Los otros dispositivos

semiconductores utilizados como sensores de visión son los CID (Charge

Injection Devices) o dispositivos por inyección de cargas. Estos dispositivos

tienen píxeles direccionables de manera individual, lo cual incrementa su

versatilidad de acceso a la información visual y son de lectura no destructiva.

24
• La resolución de la discretización espacial de la imagen obtenida con un

dispositivo de estado sólido (CCD, CMOS o CID) puede ser de 126×126

píxeles, de 256×256, de 512×512 o hasta de 1024×1024 píxeles. Es evidente

que entre mayor sea la resolución de la digitalización espacial más

información estaría contenida en la imagen numérica. El teorema de Shannon

– Kolmogorov permite obtener la discretización de una señal continua sin

pérdida de información, muestreando ésta última a dos veces la máxima

frecuencia contenida en su espectro. En la señal de televisión la duración de

una línea horizontal es de 63.5 μs, lo cual implica que el ancho de banda de la

señal de vídeo es de 4 MHz., por tanto, la aplicación del teorema de Shannon

– Kolmogorov impone una frecuencia de muestreo de 8 MHz. Esto

representa una muestra cada 125 ns. a lo largo de los 63.5 μs que dura una

línea, lo que significa que la imagen digital correspondiente debe tener 512

columnas (aproximando a la potencia de 2 más cercana), mientras que las

526 líneas que genera la norma NTSC hace que la imagen digital cuente con

512 líneas (aproximando, aquí también, a la potencia de 2 más cercana). De

este modo se obtiene una imagen digital con 512×512 píxeles.

• En una imagen industrial de las que utiliza el robot generalmente existe una

alta correlación espacial, lo cual permite un submuestreo sin pérdida sensible

de información.

25
2.4.2 FILTRADO

• Este es el nombre genérico para la gran cantidad de técnicas que permiten

cambiar los niveles de gris en una imagen con objeto de realzar ciertas

características geométricas y topológicas de los objetos en dichas imágenes.

El filtrado elimina ruidos, compensa defectos de iluminación y de enfoque

además de realzar discontinuidades entre regiones, cuando éstas son

importantes. Las principales técnicas de filtrado utilizadas en el PDI son

aquellas basadas en la convolución espacial así como los filtros frecuenciales

(Ibarra 2005).

2.4.3 OPERADORES QUE MODIFICAN EL HISTOGRAMA

• Estas transformaciones modifican el nivel de gris de un píxel únicamente en

función de las propiedades que tenga dicho píxel y no dependen de la

posición de los píxeles dentro de la imagen. Sin embargo, los operadores que

realizan el escalado de los niveles de gris de la imagen suelen ser dependiente

de las características globales de la imagen como su brillo o su contraste. Tal

es el caso de la umbralización (binarización) y de la ecualización del

histograma. Estas operaciones se utilizan sobre todo para acondicionar las

imágenes para su visualización por parte de un operador humano y para

segmentar imágenes multinivel (Ibarra 2005).

26
2.4.4 OPERADORES MORFOLÓGICOS

• Las operaciones morfológicas son métodos para procesar imágenes binarias

basado sobre formas. Estas operaciones toman una imagen binaria como

entrada y dan como resultado una imagen binaria como salida. El valor de

cada pixel en la imagen de salida esta basado sobre el correspondiente pixel

de entrada y sus vecinos. Dentro de las operaciones morfológicas tenemos la

dilatación y erosión. La dilatación adiciona pixeles a los limites del objeto (es

decir los cambia de off a on ), y la erosión remueve pixeles sobre los limites

del objeto (los cambia de on a off ).

2.4.5 OPERADORES ESTADÍSTICOS

• Se denominan de esta manera a los algoritmos de procesamiento de imágenes

basados en operadores locales que permiten calcular el nivel de gris de un

cierto píxel en la imagen de salida mediante la manipulación estadística de

los niveles de gris de los píxeles contenidos en una vecindad de n×n píxeles

centrada en el píxel de mismas coordenada pero en la imagen de entrada. En

general se trata de filtros suavizadores de imágenes debido a su fuerte

característica pasa bajas (INAOE 2004).

2.4.6 TRANSFORMACIONES GEOMÉTRICAS

• Muy utilizadas para la corrección de distorsiones, las transformaciones

geométricas, siguiendo un orden creciente de complejidad, se clasifican en

Isometrías, Semejanzas, Afinidades, Proyecciones y Transformaciones

27
 curvilíneas (no lineales). Estos modelos se aplican de acuerdo con la

complejidad de la distorsión a compensar (Vega 1998).

2.4.7 EXTRACCIÓN Y SELECCIÓN DE CARACTERÍSTICAS

• Con los objetos a estudiar ya definidos, es necesario extraer una serie de

características que los representen adecuadamente en forma de vector de

características. La descripción y representación, llamadas también selección

de características, tienen como objetivo resolver el problema del

reconocimiento. Tratan con la extracción de los rasgos que representen

alguna información cuantitativa de interés o características que sean básicas

para diferenciar una clase de objetos de otra. Los rasgos usados por el sistema

dependen del tipo de objetos a ser reconocidos. Los rasgos o características

pueden clasificarse en geométricos y topológicos. Un rasgo geométrico

permite, describir una propiedad geométrica del objeto; el área y el perímetro

de un objeto son dos rasgos de este tipo. Un rasgo topológico permite

describir una propiedad que tiene que ver con la estructura del objeto; el

número de hoyos, descriptores de Fourier, el número de Euler son ejemplos

de estos rasgos.

• Como norma general, para la elección de características o rasgos se intenta

que:

◦ Sean discriminantes: tengan valores numéricos diferentes para clases

diferentes.

◦ Sean fiables: tengan valores parecidos dentro de una misma clase,

permitiendo diferenciar objetos similares sin ser iguales.

28
2.5 SEGMENTACIÓN

• La segmentación es el proceso mediante el cual una imagen se descompone

en regiones o elementos que pueden corresponder a objetos o parte de

objetos. El proceso de segmentación se encarga de evaluar si cada pixel de la

imagen pertenece o no al objeto de interés. Este técnica de procesamiento de

imágenes idealmente genera una imagen binaria, donde los pixeles que

pertenecen al objeto se representa con un 1, mientras que los que no

pertenecen al mismo se representan con un 0. Este tipo de particionamiento

esta basado en el análisis de alguna característica de la imagen, tal como los

niveles de gris o la textura. A continuación describiremos el método de

segmentación basado en la umbralización.

2.5.1 SEGMENTACIÓN BASADA EN PIXELES

• Este método de segmentación toma en cuenta sólo el valor de gris de un

pixel, para decidir si el mismo pertenece o no al objeto de interés. Para ello,

se debe encontrar el rango de valores de gris que caracterizan dicho objeto, lo

que requiere entonces la búsqueda y el análisis del histograma de la imagen.

El objetivo de este método, es el de encontrar de una manera óptima los

valores característicos de la imagen que establecen la separación del objeto

de interés, con respecto a las regiones que no pertenecen al mismo; debido a

esta característica y si los valores de gris del objeto y del resto de la imagen

difieren claramente, entonces el histograma mostrará una distribución

bimodal, con dos máximos distintos, lo que debiera generar, la existencia de

29
 una zona del histograma ubicada entre los dos máximos, que no presenten los

valores característicos, y que idealmente fuera igual a cero, con lo cual se

logrará una separación perfecta entre el objeto y la región de la imagen que lo

circunda, al establecer un valor umbral ubicado en esta región del

histograma. Por lo tanto cada pixel de la imagen, es asignado a una de dos

categorías, dependiendo si el valor umbral es excedido o no. Si el valor del

histograma ubicado entre los dos máximos, es distinto de cero, las funciones

de probabilidad de los valores de gris del objeto y de la región restante, se

solaparán, de tal manera que algunos pixeles del objeto deberán ser tomados

como pertenecientes a la región circundante y viceversa. Conocida la

distribución de la función de probabilidad de los pixeles del objeto y de la

región circundante, es posible aplicar análisis estadístico en el proceso de

buscar un umbral óptimo, con el número mínimo de correspondencias

erróneas. Estas distribuciones pueden ser estimadas por histogramas locales,

los cuales solamente incluyen las regiones correspondientes de la imagen.

• En la práctica llegar a la imagen binaria no suele ser suficiente para realizar

una descripción adecuada, por lo que el proceso de segmentación se prolonga

aplicando diversas técnicas sobre este tipo de imágenes. Existe una gran

cantidad de técnicas de análisis para imágenes binarias, con propósitos tan

variados, entre estas técnicas está el contar, etiquetar objetos y filtrado de

objetos según su tamaño.

30
2.5.2 FILTRO DE TAMAÑO

• El filtrado de tamaño en imágenes binarias esta orientado, principalmente con

dos objetivos:

◦ Eliminación de ruido: debido al proceso de umbralización pueden

aparecer regiones en la imagen binaria que son consecuencia del ruido.

Tales regiones son normalmente pequeñas.

◦ Reducir el número de objetos de la imagen (hay objetos de un

determinado tamaño que no interesan para la aplicación): En algunas

ocasiones resulta interesante eliminar de una imagen binaria aquellos

objetos que no superen un tamaño determinado, o por el contrario,

eliminar los objetos que si superen este tamaño .

• Los objetos son filtrados teniendo en cuenta su tamaño o área o utilizando las

operaciones de erosión y dilatación (o expansión) como se analizó

anteriormente. Sin embargo, en muchas aplicaciones es conocido que los

objetos de interés son de un tamaño mayor que T pixeles (área). Todas las

componentes de la imagen que tienen un tamaño igual o menor que T pixeles

se eliminan; para ello se cambian los correspondientes pixeles al valor del

fondo (0).

31
2.6 RECONOCIMIENTO

2.6.1 RECONOCIMIENTO E INTERPRETACIÓN DE FORMAS

• La última etapa en el procesamiento digital de imágenes, es la que

comprende al reconocimiento e interpretación de formas, también

denominado en conjunto como reconocimiento de patrones. El

reconocimiento es el proceso que etiqueta o asigna un nombre, a un objeto

basándose en la información que proveen sus descriptores o patrones. La

interpretación involucra la asignación de significado a un conjunto de objetos

reconocido En esta etapa del procesamiento digital de imágenes, se

desarrollan algoritmos computacionales orientados a la emulación del

proceso de visión humana, que permiten reconocer objetos y tomar

decisiones o efectuar tareas. Para lo cual se utilizan técnicas de

reconocimiento geométrico de formas, como el aprendizaje supervisado en

condiciones estadísticas; algoritmos de clasificación no supervisados o

clustering, redes neuronales, pattern matching, solo por mencionar algunas.

Por lo que el reconocimiento de patrones, está íntimamente relacionado con

otras áreas tales como: sistemas de procesamiento de señales, inteligencia

artificial, modelado neuronal, teoría de la optimización y estimación, teoría

de autómatas, lógica difusa, lenguajes formales, etc.

2.7 HIPÓTESIS Y VARIABLES

2.7.1 HIPÓTESIS GENERAL

• El Sistema de Visión Artificial mejora la clasificación de peces en la

ciudad de Puno.
32
 2.7.2 HIPÓTESIS ESPECIFICAS

• El Sistema de Visión Artificial mejora la estimación del tamaño de los peces.

• El Sistema de Visión Artificial mejora la estimación de la biomasa total de

una población total.

• El Sistema de Visión Artificial mejora la estimación de la cantidad de

población total.

• El Sistema de Visión Artificial disminuye el tiempo de clasificación de peces

2.7.3 OPERACIONALIZACION DE VARIABLES

Variable Dimensiones Indicadores Escala

VI Situación actual Con el Sistema 0

Sistema de Visión Sin el Sistema 1

Artificial
VD Cantidad de población Unidad 1000 und. A 1000000

Clasificación de peces total Peso(Kilogramo) unidades

Biomasa total de la Longitud(Centimetros) 2500kg a 2500000 kg

población Tiempo(Horas) 50 cm a 250 cm

Tamaños de los peces 5 horas a 17 horas

Tiempo de clasificación
Tabla 1: Operacionalización de variables

Fuente: Propia.

33
2.8 DISEÑO Y METODOLOGÍA DE LA INVESTIGACIÓN

2.8.1 MÉTODOS DE INVESTIGACIÓN

2.8.1.1 MATERIALES Y MÉTODOS

• Debido a la naturaleza de este proyecto de investigación, donde se evaluara dos

situaciones controladas y el impacto que tiene una sobre la otra, su diseño de

investigación es experimental, en esta se evaluara como el Sistema de Visión

Artificial mejora la clasificación de peces en comparación con el sistema de

clasificación manual que actualmente ocupan los acuicultores.

2.8.1.2 POBLACIÓN Y MUESTRA

2.8.1.2.1 UBICACIÓN

2.8.1.2.1.1 UBICACIÓN GEOGRÁFICA

Latitud Sur : 15º52’ 16.154''

Latitud Oeste : 70º0’0.49''
Altitud : 3829 m.s.n.m.

2.8.1.2.1.2 UBICACIÓN POLÍTICA

Departamento : Puno
Provincia : Puno
Distrito : Puno

2.8.1.2.2 POBLACIÓN

• Los truchicultores cultivan un promedio de 20000 truchas de cada fase de

crecimiento, con un promedio de crecimiento de cuatro meses hasta llegar a

juvenil y otros dos meses mas para llegar a estadio de engorde.

• Este proyecto tendrá pruebas piloto, Malhotra (2004) define la prueba piloto

como la aplicación de un cuestionario a una pequeña muestra de encuestados

34
 para identificar y eliminar los posibles problemas de la elaboración de un

cuestionario, con el fin de obtener mejores resultados de las variables.

2.8.1.2.3 MUESTRA

• La población es el conjunto de estanques de la empresa Piscifactoria “Los

Andes” los cuales cuentan con infraestructuras diferentes y con truchas de

diversos tamaños de acuerdo a las etapas de desarrollo. La muestra son cultivos

en distintas etapas (Avelinos, Juveniles y Adultos) en el cual se puedan

desarrollar experiencias y obtener los datos necesarios para ver el

comportamiento del sistema así como también obtener parámetros no

considerados y solucionarlos.

• Teniendo en cuenta también los siguientes puntos de selección :

• Cuando se cosechan juveniles, antes de colocarlos en estanques de

engorde.

• Al inicio del ciclo de vida de peces predadores, cuando la diferencia

de tamaño es muy grande.

• Cuando se separan peces de crecimiento rápido de otros de

crecimiento más lento.

• Para seleccionar peces predadores de una talla adecuada para

controlar las poblaciones de alevines.

• Para seleccionar peces de un tamaño adecuado para policultivo.

• Para cosechar en un estanque en el que hay peces de varias edades y

tamaños.

• Durante una cosecha parcial, para seleccionar peces que han

alcanzado el tamaño comercial.

• Tenemos en cuenta que los truchicultores cultivan un promedio de 20000 truchas

35
 de cada fase de crecimiento, con un promedio de crecimiento de cuatro meses

hasta llegar a juvenil y otros dos meses mas para llegar a estadio de engorde, se

agrupara en estos tres estadios, aplicando la formula para calcular la muestra:

Nσ²Z²
N= (N-1)e²σ²Z²
n = el tamaño de la muestra.

N = tamaño de la población.

σ =Desviación estándar de la población que, generalmente cuando no se tiene su

valor, suele utilizarse un valor constante de 0,5.

Z = Valor obtenido mediante niveles de confianza. Es un valor constante que, si no se

tiene su valor, se lo toma en relación al 95% de confianza equivale a 1,96 (como

más usual) o en relación al 99% de confianza equivale 2,58, valor que queda a

criterio del investigador.

e = Límite aceptable de error muestral que, generalmente cuando no se tiene su valor,

suele utilizarse un valor que varía entre el 1% (0,01) y 9% (0,09), valor que

queda a criterio del encuestador.

Remplazando en la formula con un 95% de confiaza:

20000(0.5)²(1.96)²
N= (20000-1)0.05²+(0.5)²(1.96)²

N= 377

36
 • La muestra sera un total de 377 por cada etapa de trucha, se tomara una cantidad

de77 truchas para las pruebas pilotos, dentro de estas 77

2.8.1.3 INSTRUMENTO

PREGUNTAS VALOR
1) ¿Cuánto es tiempo de estimación del tamaño de las truchas sin el
sistema?
2) ¿Cuánto es tiempo de estimación del tamaño de las truchas con el
sistema?
3) ¿Cuánto es tiempo de estimación de la cantidad total del cultivo sin
el sistema?
Minutos/Horas
4) ¿Cuánto es tiempo de estimación de la cantidad total del cultivo con
el sistema?
5) ¿Cuánto es tiempo de estimación del peso de las truchas sin el
sistema?
6) ¿Cuánto es tiempo de estimación del peso de las truchas con el
sistema?
7) ¿Cuál es el peso estimado con balanza?
Kilogramos
8) ¿Cuál es el peso estimado con el sistema?
9) ¿Cuál es el tamaño estimado con el clasificador manual?
Centímetros
10) ¿Cuál es el tamaño estimado con el sistema?
11) ¿Cuál es la cantidad estimada sin el sistema?
Unidades
12) ¿Cuál es la cantidad estimada con el sistema?
13) ¿Cuál es el porcentaje de certeza de la estimación de tamaño del
sistema?
14) ¿Cuál es el porcentaje de certeza de la estimación de peso del
sistema?
15) ¿Cuál es el porcentaje de certeza de la estimación de cantidad del
sistema?
Porcentaje
16) ¿Cuál es el porcentaje de certeza de la estimación de tamaño sin el
sistema?
17) ¿Cuál es el porcentaje de certeza de la estimación de peso sin el
sistema?
18) ¿Cuál es el porcentaje de certeza de la estimación de cantidad sin el
sistema?
Tabla 2: Instrumento

Fuente: Propia

37
 2.9 CRONOGRAMA

Meses
Actividad
1 2 3 4 5 6 7 8 9 10 11 12
Instalación del modulo de X X X
visualización de los estanques
Implementar algoritmo de X X
estimación de tamaño y
pruebas.
Implementar algoritmo de X X
estimación de biomasa y
pruebas.
Implementar algoritmo de X X
estimación de cantidad y
pruebas.
Implementar un centro de datos X X X
Pruebas piloto y corrección de X
instrumento
Recolección de datos X X X X X X X
Análisis de datos X X
Tabla 3: Cronograma

Fuente: Propia

38
3 BIBLIOGRAFÍA

1. PIERO GHEZZI,( Manual de Trucha en Ambientes Convencionales, 2014)

2. DESPACHO VICEMINISTERIAL DE PESQUERÍA - MINISTERIO DE LA

PRODUCCIÓN. DIRECCIÓN GENERAL DE EXTRACCIÓN Y

PRODUCCIÓN PESQUERA PARA CONSUMO HUMANO DIRECTO –

DIRECCIÓN DE ACUICULTURA(PROGRAMA NACIONAL DE CIENCIA,

DESARROLLO TECNOLÓGICO E INNOVACIÓN EN ACUICULTURA,

2013)

3. HENRY ORELLANA LIZANO (Diseño y desarrollo de un algoritmo que

permita estimar el tamaño de peces, aplicando visión por computadora, y

propuesta para realizar la selección adecuada de dichos peces,2008)

4. FAO (Examen mundial de la pesca y la acuicultura, 2014)

5. Asociación Civil LABOR,( PROYECTO “MEJORANDO LA RENTABILIDAD

DE LA TRUCHICULTURA EN EL LAGO TITICACA CON VISIÓN

EMPRESARIAL Y RESPONSABILIDAD SOCIAL AMBIENTAL”,2010)

6. Lazlo Horvath; G. Tamás y Chris Seagrave, (CULTIVO DE CARPA Y OTROS

PECES EN ESTANQUES,1992)

7. FONDEPES (Manual de crianza de Trucha en Ambientes Convencionales,2014)

8. Víctor Vargas Baeza (Sistema de Visión Artificial para el Control De Calidad en

Piezas Cromadas,2010)

9. FAO (2006) Clasificación de peces [online] ftp://ftp.fao.org Disponible en:

ftp://ftp.fao.org/fi/CDrom/FAO_training/FAO_training/general/x6709s/x6709s12

.htm

10. Ing. CIP Nicolás Hurtado T (2016). ACUICULTURA PERÚ: Estadísticas de

producción acuícola mundial actualizada al 2013. [online]

39
Acuiculturaperu.blogspot.pe. Disponible en:

http://acuiculturaperu.blogspot.pe/2016/03/estadisticas-de-produccion-

acuicola.html [Fecha de consulta 5 Mayo 2016].asas

40
 4 ANEXOS

PROBLEMA OBJETIVOS HIPÓTESIS VARIABLE E METODOLOGÍ

INDICADORES A

GENERAL GENERAL GENERAL VARIABLE TIPO

¿En que medida el Desarrollar un El Sistema de INDEPENDIEN Experimental.
Sistema de Visión Visión Artificial TE
desarrollo de un
Artificial para mejora la Sistema de Visión POBLACIÓN
Sistema de Visión mejorar la clasificación de Artificial
clasificación de peces en la ciudad 20000 por fase.
Artificial mejorara
peces en la ciudad de Puno. VARIABLE
la clasificación de de Puno 2016. HIPÓTESIS DEPENDIENTE MUESTRA
OBJETIVOS ESPECIFICAS
peces en la ciudad
ESPECÍFICOS Clasificación de 377
de Puno 2016? Diseñar los El Sistema de peces
módulos del Visión Artificial METODOLOGÍ
sistema de visión mejora la INDICADORES A DE
artificial. estimación del RECOPILACIÓ
tamaño de los Kilogramos, N DE DATOS
Implementar el peces. Centímetros,
algoritmo de Unidades y Ficha de
El Sistema de
estimación del Minutos/Horas observaciones.
Visión Artificial
tamaño de peces.
mejora la
Pruebas pilotos.
estimación de la
Implementar el
biomasa total de
algoritmo de
una población
estimación la
total.
biomasa de los
peces. El Sistema de
Visión Artificial
Implementar el mejora la
algoritmo de estimación de la
estimación de la cantidad de
cantidad total de población total.
población.
El Sistema de
Visión Artificial
Evaluar la mejora
disminuye el
que se produce en
tiempo de
la clasificación de
clasificación de
peces en función
peces
del tiempo.

Tabla 4: Matriz de consistencia

Fuente: Propia

41