Nstituto Olitécnico Acional: E S I M E S E P I U A

INSTITUTO POLITÉCNICO NACIONAL
ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA

SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN
UNIDAD AZCAPOTZALCO
DISEÑO DE UN SISTEMA AUTOMÁTICO DE INSPECCIÓN

POR VISIÓN ARTIFICIAL ENFOCADO A LA
CARACTERIZACIÓN DE ARROZ COMO INDICADOR DE
CALIDAD COMERCIAL
TESIS
QUE PARA OBTENER EL TÍTULO DE
MAESTRO EN INGENIERÍA DE MANUFACTURA
P R E S E N T A:
ING. FRANCISCO JAVIER QUIJADA CAMACHO
DIRIGIDA POR:
DR. EMMANUEL ALEJANDRO MERCHÁN CRUZ
DR. RICARDO GUSTAVO RODRÍGUEZ CAÑIZO
MÉXICO, D.F. DICIEMBRE DEL 2010

Índice General
Índice de Figuras iv
Índice de Tablas vii
Resumen. viii
Abstract. ix
Objetivo General. x
Justificación. xi
Planteamiento del problema xii
1. Estado del Arte 2
1.1 Inteligencia artificial 2
1.2 Visión artificial en la industria agroalimentaria 4
1.2.1 Sistemas de inspección en alimentos frescos 5
1.2.2 Sistemas de inspección en frutas y verduras 6
1.2.3 Sistemas de inspección en productos cárnicos 8
1.2.4 Sistemas de inspección en productos de panadería 10
1.2.5 Sistemas de inspección en granos y alimentos secos 11
1.3 Visión artificial y control de calidad 13
1.4 Objetivos del proyecto y organización de la tesis. 14
2. Marco Teórico 17
2.1 Introducción 17
2.2 Formación y representación de la imagen 18
2.2.1 Relaciones basicas entre pixeles 19
2.2.2 Conectividad 19
2.2.3 Medidas de distancia 20
2.3 Etapas en el proceso de visión artificial 22
2.4 Elementos de un sistema de visión artificial 24
2.4.1 Cámaras de visión artificial 25
2.4.2 La óptica 28
2.4.3 Tarjeta de adquisición de imagen 28
2.4.4 Software de programación y visualización 31
2.4.5 Técnicas de iluminación 31
2.4.5.1 La iluminación 32
2.4.5.2 Ventajas y desventajas de la iluminación frontal 33
2.4.5.3 Ventajas y desventajas de la retroiluminación 33
2.4.5.4 Aplicaciones de los diferentes sistemas de iluminación 34
i
2.4.5.5 El fondo 35
2.5 Preprocesado 36
2.6 Segmentación 37
2.7 Arroz y caracteristícas 38
2.7.1 Especificaciones 39
2.8 Sumario. 42
3. Diseño Conceptual. 44
3.1 Identificación del cliente 44
3.1.1 Determinación de los requerimientos y expectativas del cliente 45
3.1.2 Clasificación de los requerimientos 45
3.1.3 Importancia relativa de los requerimientos de calidad 48
3.1.4 Traducción de los requerimientos de los clientes en términos mesurables 49
3.1.5 Metas de diseño 49
3.1.6 Plan de calidad 51
3.2 Desarrollo del diseño conceptual 53
3.2.1 Función global de servicio del sistema 53
3.2.2 Análisis funcional descendente 53
3.2.2.1 Primer nivel de descomposición funcional 54
3.2.2.2 Segundo y tercer nivel de descomposición funcional 54
3.3 Descripción del equipo para la implementación del sistema 56
3.4 Descripción general del proceso 64
3.5 Sumario. 66
4. Diseño a detalle. 68
4.1 Partes principales del sistema de inspección y rechazo 68
4.2 Adquisición de la imagen 68
4.3 Procesamiento de la imagen 72
4.4 Toma de decisiones 83
4.5 Diseño de la interfaz 88
4.6 Circuito de Acoplamiento de Señales 90
4.7 Diagrama neumático para la etapa de rechazo 92
4.8 Sumario. 94
5. Análisis de Resultados 96
5.1 Análisis de resultados para la etapa de adquisición de imágenes 96
5.2 Análisis de resultados para la etapa de Procesamiento de imágenes 98
5.2.1 Datos obtenidos después del procesamiento de la imagen 103
5.3 Análisis de resultados: toma de decisiones y control para la etapa de rechazo 104
ii
5.3.1 Tiempo de caída libre 107
5.4 Análisis del desempeño del control y actuadores 109
5.4.1 Análisis del tiempo de conmutación on/off 111
5.5 Análisis del porcentaje de granos interceptados 113
5.6 Análisis del peso promedio de granos fuera de especificación 115
5.7 Sumario 116
Conclusión 117
Trabajos a futuro 118
Referencias 119
Anexos 122
iii
Índice de Figuras
Figura 1.1 Inspección repetitiva en la industria alimentaria 4
Figura 1.2 Análisis de iamgen a frutas con hueso 6
Figura 1.3 Inspección de la madurez del tomate 6
Figura 1.4 Inspección de la calidad de distintos vegetales 7
Figura 1.5 Inspección automática y control de calidad de pollo y en cortes de carne de cerdo 9
Figura 1.6 Inspección de la estructura interna del pan 10
Figura 1.7 Estimación de características físicas de galletas 11
Figura 1.8 Granos de una sola especie 12
Figura 1.9 Envasado automático mediante robot y sistema de visión 14
Figura 2.1 Fases de en el proceso de visión para un ordenador y el hombre 17
Figura 2.2 Diagrama de bloques de las etapas de un sistema de visión artificial 23
Figura 2.3 Diagrama de flujo de las etapas de un sistema de visión artificial 23
Figura 2.4 Diagrama de bloques de un sistema de visión artificial 24
Figura 2.5 Esquema de un sistema de visión artificial 25
Figura 2.6 Sistema óptimo de captura de imagen mediante arquitectura INTEL y buses PCI 30
Figura 2.7 Tipos de iluminación: a) frontal y b) retro iluminación 32
Figura 2.8 Retro iluminación: a) proyección sobre una pantalla, b) iluminación del fondo 33
Figura 2.9 Iluminador anular 35
Figura 2.10 Iluminador lineal 35
Figura 2.11 Iluminador de panel 35
Figura 2.12 Variedades de arroz 41
Figura 2.13 Contaminantes y defectos típicos en el arroz 41
Figura 3.1 Vista superior de los silos en la arrocera. El Porvenir 44
Figura 3.2 Diagrama funcional de mayor nivel en el sistema 52
Figura 3.3 Funciones primarias del sistema 54
Figura 3.4 Función transporte del producto 54
Figura 3.5 Función de inspección del producto 55
Figura 3.6 Función rechazo del producto 55
Figura 3.7 Función monitoreo del proceso 56
Figura 3.8 Banda transportadora empleada en el proceso 57
Figura 3.9 Motorreductor para banda transportadora 58
Figura 3.10 Sensor óptico (Camara COGNEX DVT 535) 59
Figura 3.11 Tarjeta NI PCIe-8231 59
Figura 3.12 Estación de trabajo 60
iv
Figura 3.13 Software LabView 61
Figura 3.14 Tarjeta de adquisición de datos NI-USB 6009 61
Figura 3.15 Tarjeta de acoplamiento de señales 5-24 V 62
Figura 3.16 Boquillas de aspersión Windjet AA707 62
Figura 3.17 Electroválvula FESTO y símbolo normalizado 63
Figura 3.18 Diagrama de proceso 65
Figura 4.1 Diagrama de proceso por etapas 69
Figura 4.2 Algoritmo adquisición de la imagen (Evento). 70
Figura 4.3 Algoritmo de control para la etapa de adquisición de la imagen 70
Figura 4.4 Diagrama de operación 71
Figura 4.5 Algoritmo general para la etapa del procesamiento de la imagen 73
Figura 4.6 Diagrama general de operación del sistema 73
Figura 4.7 Algoritmo. Operación morfológica No. 1 Brillo y contraste de la imagen 74
Figura 4.8 Algoritmo. Operación morfológica No. 2 y 3 Apertura de la imagen y erosión 74
Figura 4.9 Algoritmo. Operación morfológica No. 4 Remover objetos de los bordes 75
Figura 4.10 Algoritmo. Operación morfológica 6 y 7; secuencia 1 75
Figura 4.19 Arreglos de datos para desplegar resultados 80
Figura 4.20 Algoritmo operación morfológica 6 y 7; secuencia 10 81
Figura 4.23 Integración sistema de inspección y sistema de rechazo 83
Figura 4.24 Algoritmo de control; secuencia 1 84
Figura 4.27a. Algoritmo de control; secuencia 4 86
Figura 4.27b. Algoritmo de control; secuencia 4 87
Figura 4.29 Panel frontal. Imágenes procesadas 89
v
Figura 4.30 Panel frontal. Segunda parte 90
Figura 4.31 Diagrama electrónico del circuito de acoplamiento de señales 5-24 Vcd 91
Figura 4.32 Diagrama PCB del circuito de acoplamiento de señales 91
Figura 4.33 Opto acoplamiento de 5V a 24V 92
Figura 4.34 Diagrama neumático para el control de aire en la etapa de rechazo 93
Figura 4.35 Válvula Jet MHJ9 de FESTO 93
Figura 5.1 Imagen adquirida con iluminación tipo incandescente 97
Figura 5.2 Imagen adquirida con iluminación tipo led 97
Figura 5.3 Imagen adquirida con iluminación tipo fluorescente 97
Figura 5.4 Imagen adquirida resolución 640x480 pixeles 98
Figura 5.5 Aplicación de la primera operación morfológica: Brillo y contraste 98
Figura 5.6 Aplicación de la segunda operación morfológica: Apertura de imagen 99
Figura 5.7 Aplicación de la segunda operación morfológica: Erosión 99
Figura 5.8 Aplicación de filtro. Conversión a imagen binaria 100
Figura 5.9 Aplicación de la cuarta operación morfológica: Remover objetos de los bordes 100
Figura 5.10 Aplicación de la quinta operación morfológica: Separar objetos 101
Figura 5.11 Aplicación de la sexta operación morfológica: Detectar el total de objetos 102
Figura 5.12 Aplicación de la séptima operación morfológica: Detectar objetos 102
Figura 5.13 Datos obtenidos después del procesamiento de las imágenes 103
Figura 5.14 Total de granos rechazados en una muestra de 20 imágenes analizadas 104
Figura 5.15 Cuadro de la imagen dividida en ocho partes iguales sobre el eje x 105
Figura 5.16 Pixel ubicado en la parte central de cada grano 105
Figura 5.17 Distancia de recorrido para granos procesados 106
Figura 5.18 Tiempos que existen entre un grano y otro 107
Figura 5.19 Tiempos de accionamiento para una imagen analizada con 14 objetos detectados 108
Figura 5.20 Gráfica del número de accionamientos por segundo de la electroválvula A 109
Figura 5.21 Gráfica del número de accionamientos por segundo de la electroválvula C 109
Figura 5.22 Gráfica del número de accionamientos por segundo de la electroválvula E 110
Figura 5.23 Gráfica del número de accionamientos por segundo de la electroválvula G 110
Figura 5.24 Gráfica de tiempos mínimos de conmutación requeridos en el proceso 111
Figura 5.25 Tiempo de conmutación de electroválvula MHJ9 112
Figura 5.26 Sistema de intercepción de granos compuesto por electroválvulas y boquillas 112
Figura 5.27 Total de granos detectados e interceptados 113
Figura 5.28 Resultados de la segunda inspección realizada a granos interceptados 113
Figura 5.29 Sistema de inspección por visión artificial y rechazo de producto 114
Figura 5.30 Gráfica: Promedio del peso de granos rechazados 115
vi
Índice de Tablas
Tabla 2.1 Clasificación de granos de arroz 39
Tabla 2.2 Especificaciones para los distintos grados de calidad del arroz mexicano 40
Tabla 3.1 Determinación de los requerimientos y expectativas del cliente 45
Tabla 3.2 Identificación de Requerimientos de Calidad, Obligatorios y Deseables 47
Tabla 3.3 Identificación de Requerimientos de Calidad Deseables 48
Tabla 3.4 Matriz de Importancia Relativa en los Requerimientos Deseables 49
Tabla 3.5 Traducción de los Requerimientos de Calidad a Requerimientos de Ingeniería 50
Tabla 3.6 Nivel de satisfacción de los requerimientos 51
Tabla 3.7 Nivel de calidad establecido para los requerimientos del sistema 52
Tabla 3.8 Dimensiones banda transportadora 57
Tabla 3.9 Características del motorreductor requerido en banda transportadora 57
Tabla 3.10 Especificaciones sensor óptico serie 600 58
Tabla 3.11 Especificaciones tarjeta NI PCIe-8231 59
Tabla 3.12 Características de la estación de trabajo 60
Tabla 3.13 Características de la DAQ 61
Tabla 3.14 Características de Boquilla AA707 63
Tabla 3.15 Especificaciones de electroválvula FESTO 63
Tabla 5.1 Rango para la inspección del producto 101
Tabla 5.2 Valores relevantes para la etapa de inspección de granos 104
Tabla 5.3 Peso del grano de arroz en una muestra de veinte unidades 115
vii
Resumen.
Este trabajo de investigación presenta el desarrollo y la implementación de un sistema automático de
inspección por visión artificial enfocado a la caracterización morfológica de arroz como indicador
de calidad comercial. Así también se presenta el desarrollo de un sistema de rechazo el cual opera
bajo el principio de intercepción de granos en caída libre. El sistema de visión artificial está
integrado por un conjunto dispositivos encargados de capturar imágenes, procesarlas y así detectar
granos que no cumplen con los requerimientos de calidad preestablecidos. El sistema se implementa
en su totalidad en una plataforma LabVIEW, el cual procesa los datos obtenidos del sistema de
visión y procede a tomar ciertas decisiones, para así activar la etapa de rechazo, la cual opera con un
sistema de boquillas de aspersión; estas producen un patrón de aspersión redondo, cerrado y dirigido
con niveles mínimos de ruido y por periodos intermitentes. El sistema en su totalidad esta
monitoreado a través de una interfaz gráfica, que le permite al usuario conocer el estado de
inspección del proceso y modificar parámetros de calidad del producto, así como modificar la
velocidad de inspección. Con este proyecto se busca proveer al sector agrícola de técnicas más
avanzadas que sean capaces de competir en este sector; y se contribuya de esta forma a elevar la
rentabilidad del campo en México; obteniendo productos con mejores características y de elevada
calidad.
viii
Abstract.
This research work, presents the development and implementation of an automated machine vision
inspection focused on the morphological characterization of rice as an indicator of commercial
quality. This also presents the development of a rejection system which operates under the principle
of interception of grains in free fall. The vision system consists of a set charge devices to capture
images, process them and thus detect grains that do not meet predetermined quality requirements.
The system is fully implemented in a LabView platform, which processes data from the vision
system and proceeds to make certain decisions in order to activate the rejection stage, which
operates a system of spray nozzles, they produce round spray pattern, closed and managed with
minimal noise and intermittent periods. The entire system is monitored through a graphical interface
that allows the user to know the inspection status of the process and modify the product quality
parameters and change the speed of inspection. This project seeks to provide more advanced
techniques the agricultural sector that are able to compete in this one, and thereby contributes to
improving the profitability of the field in Mexico, obtaining products with better features and high
quality.
ix
Objetivo General.
Desarrollar un sistema eficaz que permita identificar, seleccionar y desechar granos fuera de
especificación dentro de una población que presenta cierta homogeneidad en su contenido;
mediante la adecuación de un sistema automático de inspección por visión artificial enfocado a la
caracterización morfológica de granos de arroz.
x
Justificación.
El Desarrollo de un sistema eficaz para inspección de granos y materiales ajenos a éste, sin duda
tendrá la capacidad de elevar la calidad del producto que se consume actualmente en México,
buscando así la satisfacción total del cliente y el aumento del consumo de este producto, lo que se
traduciría en un incremento de la demanda, para así elevar la rentabilidad del campo.
Actualmente, en el territorio mexicano se comercializan 3 tipos de calidades de granos (extra,

primera, segunda) con porcentajes relativamente altos en cuanto a impurezas, granos dañados, entre
otros, lo que se traduce en un producto de baja calidad y con poca competitividad en comparación
con productos originarios de otros países, de primer mundo los cuales cuentan con técnicas y
tecnologías más avanzadas para el procesamiento de sus productos.
El asunto más sensible para México en su relación comercial con Estados Unidos, ha sido siempre la
agricultura, dado que ese país ofrece ingentes subsidios a sus campesinos.
En los 14 años que han transcurrido desde la entrada en vigor del TLCAN, se han desgravado más
de 1,100 fracciones arancelarias de productos agropecuarios, un proceso que concluyo el primero de
enero de 2008 con la liberación total de granos como el maíz, fríjol, arroz entre otros.
Estos granos juegan un papel fundamental en la sociedad mexicana y un ingreso masivo de

productos estadounidenses podría colapsar esta industria; la cual se encuentra menos tecnificada y
competitiva.
De aquí la importancia para desarrollar técnicas más avanzadas que sean capaces de competir en
este sector; y se contribuya de esta forma a elevar la rentabilidad del campo en México;
obteniendo productos con mejores características y de elevada calidad; en primera instancia para el
consumo nacional, y así también con fines de exportación para poder competir en mercados
internacionales.
xi
Planteamiento del problema.
Para el año 2020 la población mundial alcanzará 8 mil millones de habitantes. El papel de la
agricultura por lo tanto ha llegado a ser cada vez más crucial en la provisión de alimentos, el manejo
ambiental y el abastecimiento de energía. La naturaleza intrínsecamente compleja, dinámica, y no
lineal de los sistemas agropecuarios ha requerido siempre las soluciones basadas en técnicas y
tecnologías avanzadas, para proporcionar mayor exactitud, una mayor comprensión y soluciones
apropiadas.
El uso de la inteligencia artificial (visión artificial, robótica y control, sistemas expertos, sistemas de
ayuda de decisión, entre otros); han demostrado proporcionar enormes soluciones a los problemas
en sectores agrícolas complejos de manera eficaz.
El análisis y clasificación de granos con fines selectivos son procesos fundamentales en las
actividades que contribuyen a añadir valor a la producción de cultivos, este proceso está enfocado a
separar, cuantificar y determinar el porcentaje de daños, defectos y cualquier otro elemento que
afecte la calidad de los granos.
Estas tareas son realizadas por una serie de procedimientos lentos y en su mayoría ineficientes, los
cuales no tienen la capacidad de ofrecer una excelente calidad del grano que se comercializa
actualmente en México.
La visión artificial es una técnica relativamente nueva que está experimentando en los últimos años
un auge importante entre las aplicaciones industriales, especialmente, en el sector agroalimentario.
En este sentido, en los últimos años, la visión por ordenador ha sido muy atractiva para la industria
de la alimentación y la agricultura, con un rápido crecimiento en la inspección por calidad y en la
clasificación y evaluación de un amplio rango de productos agrícolas y alimentarios.
Sin embargo, a pesar del importante número de investigaciones teóricas y sobre equipos que existían
sobre este tema, el porcentaje relativo de penetración en la industria alimentaría es bajo en
comparación con el de otros sectores, por lo que es un área de gran expansión en el futuro.
xii
De ahí el interés en desarrollar la posible aplicación de la visión artificial en los procesos de
clasificación y en el control de la calidad de los productos alimentarios, específicamente en granos,
mediante un sistema de visión artificial que no disponga de herramientas específicas para esta
aplicación. En suma, se trata de conseguir una inspección objetiva, automática, rápida e higiénica de
granos con la finalidad lograr obtener una caracterización de arroz como indicador de calidad comercial.
xiii
1
ESTADO DEL ARTE
En este capítulo, se dan a conocer los inicios de

los sistemas de visión artificial así como las
investigaciones más recientes sobre este tema.
Partiendo de lo general a lo específico, y se
finaliza con las aplicaciones más recientes en la
industria agroalimentaria.
1
Estado del Arte
1. Estado del Arte

1.1 Inteligencia artificial
Se puede definir al término Inteligencia artificial (IA), como la ciencia que tiene por objetivo el
diseño y construcción de máquinas capaces de imitar el comportamiento inteligente de las personas.
Puede decirse que es una de las áreas más fascinantes y con más retos de las ciencias de la
computación. Nació en la década de los 50´s como un estudio filosófico de la inteligencia que
buscaba imitar la inteligencia humana, tuvo un gran interés en la década de los 60´s, en la década de
los 70´s y 80´s se realizaron las primeras aplicaciones comerciales que aplicaban la IA dando
creación a los Sistemas expertos, en este periodo surgieron a flote las limitaciones de los sistemas
con IA por lo que hubo un periodo de decepción, a partir de la década de los 90´s se conoce como la
era moderna. Actualmente, se está en una etapa de redefinición donde se da prioridad a la
comprensión de la Inteligencia Humana, existe un auge por el redescubrimiento de la Redes
Neuronales, Sistemas Expertos y la Lógica Difusa, y el surgimiento de nuevas aplicaciones como la
Minería de Datos, Computación Evolutiva y los Sistemas Multi-agentes.)
Para (Bustos J.R, 2005) la visión artificial es una rama de la inteligencia artificial que tiene por
objeto modelar la imagen digital suministrada por un sistema de adquisición de imágenes, con el fin
de que un ordenador sea capaz de interpretarla y utilizarla como base para la toma de decisiones.
La ciencia informática camina actualmente hacia la creación de computadoras cada vez más rápidas,
más expertas y más autónomas. Una de las empresas más ambiciosas consiste en dotar a los
ordenadores de la facultad de relacionarse con su entorno del mismo modo que lo hace un humano
esto es a través de los sentidos, proporcionar capacidad sensorial a un ordenador es una tarea difícil
ya que entran en juego elementos accesorios al microprocesador, como son los sensores, las tarjetas
adaptadoras de señal o el ruido del entorno. A pesar de los muchos inconvenientes, existe hoy un
interés especial por dotar a los ordenadores de uno de los cinco sentidos del hombre: la habilidad de
ver. Mientras que el resto de los sentidos humanos no despierta interés, la visión artificial se aplica
ya en procesos industriales en los que la simple detección de presencia no resulta una fuente de
información suficiente.
2
Estado del Arte
(Espinoza, 2006) menciona que 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. 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. Y en cuanto a propiedades de los materiales se tiene el 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.
La visión, tanto para un hombre como para un ordenador, consta principalmente de dos fases: captar
una imagen e interpretarla. A pesar de la complejidad que presenta el ojo humano, la fase de
captación de imágenes hace mucho tiempo que está resuelta. El ojo del ordenador es la cámara de
vídeo, y su retina un sensor que es sensible a la intensidad luminosa. Así que en la visión artificial lo
que resta es interpretar las imágenes, distinguir los objetos de la escena, extraer información de ellos
y resolver aspectos más particulares según las necesidades que se deseen satisfacer.
La interpretación de tramas complejas, sin embargo, es una capacidad reservada al cerebro humano.
Para que un ordenador fuera capaz de analizar directamente una imagen cruda, sin procesar, haría
falta una estructura de procesadores a modo de neuronas, además de una ingente cantidad de
información de los objetos y las formas.
Para evitarlo, lo que se hace es reducir la complejidad de la trama. Para el ordenador resultará más
difícil distinguir objetos que se encuentren sobre un fondo con una trama del mismo tono y
proyecten una sombra definida, que reconocerlos sobre un fondo plano que contraste con su color
frontal. Es por ello que una de las más amplias ramas de la visión artificial está guiada precisamente
a simplificar las imágenes, eliminar el ruido introducido por los sensores y facilitar, en definitiva, la
tarea de interpretación.
Las tareas de pre procesado consisten en algoritmos matemáticos que calculan nuevas intensidades
luminosas para los pixeles y la mayoría, aunque sencillos, consumen gran cantidad de tiempo de
cálculo, tanto mayor cuanta más resolución tenga la imagen. Esto representa un inconveniente
3
Estado del Arte
cuando se pretende que el ordenador sea capaz de ver en tiempo real, es decir, que responda de
forma casi instantánea a como se producen las imágenes frente a sus ojos. Para que un sistema
funcione en tiempo real es necesario estudiar todos los métodos posibles y la forma de realizarlos
con la menor carga computacional posible.
Tal como se describe en (Espinoza, 2006) actualmente la visión computacional está en fase de
crecimiento. Dada la enorme complejidad de ésta, se van solucionando, por etapas, problemas cada
vez más complicados. Actualmente, las líneas de estudio e investigación se dividen en múltiples
campos como son la visión tridimensional, la segmentación y agrupamiento de múltiples objetos
diferentes en entornos no controlados.
1.2 Visión artificial en la industria agroalimentaria.
La visión artificial tiene múltiples aplicaciones en la industria agroalimentaria, sobre todo para la
realización de tareas que tengan un carácter repetitivo. (Figura 1.1), y que se realicen a alta
velocidad. Las oportunidades para la introducción de la visión artificial se encuentran
principalmente en tareas de inspección, selección de productos, control de calidad, embalaje y
monitorización de procesos.
Figura 1.1 Inspección repetitiva en la industria alimentaria.
En (Timmermans, 1998) se menciona que la visión artificial incluye la captura, el procesamiento y

el análisis de imágenes, facilitando la valoración objetiva y no destructiva de las características
visuales de calidad en los productos alimentarios a la vez que permite la toma de decisiones,
posterior al reconocimiento.
4
Estado del Arte
En (Gunasekaran, 1994) se expone que los sistemas de visión artificial se emplean cada vez más en
la industria agroalimentaria para realizar principalmente inspecciones de calidad, ya que ofrecen el
potencial necesario para automatizar las prácticas manuales de selección a la vez que estandarizan
las técnicas y eliminan las costosas tareas humanas de inspección. Su mayor ventaja es su habilidad
de ser objetiva y consistente durante largos periodos de tiempo. La objetividad de la visión humana
sufre ciertas limitaciones inherentes a nuestra percepción visual.
Con la mejora de los sistemas de iluminación y captación de imágenes, y el incremento de la

capacidad de procesado de los ordenadores personales, la visión artificial ah ido ganando terreno en
la industria agroalimentaria. No obstante, en México, el grado de penetración de esta tecnología en
las agroindustrias aun es menor que en otros sectores industriales.
1.2.1 Sistemas de inspección en alimentos frescos
En (GIRO, 2007) se presenta que los sistemas de inspección de alimentos frescos en Europa tienen
una gran aceptación y difusión. La adopción de estos sistemas ha venido determinado
principalmente por dos factores: el envejecimiento de los trabajadores, que tiene como resultado el
hecho de que haya menos personas disponibles para este tipo de trabajo de clasificación, y los altos
costos laborales en los países desarrollados.
Consecuentemente ha habido, en los últimos años, un gran número de compañías, que han fabricado
máquinas de clasificación de alimentos en los países desarrollados, pero que a su vez empiezan a
exportarlas a los países en vías de desarrollo, ya que el producto clasificado, habitualmente, tiene su
mercado en Europa y Estados Unidos y estos países solicitan la máxima calidad.
Se puede distinguir entre dos tipos de mercados para este sector, uno relacionado con los alimentos
frescos, y otro con los alimentos secos, y que requieren de procesos posteriores como el
empaquetado, enlatado entre otros. Sin embargo se ha tenido un mayor desarrollo en alimentos
frescos.
5
Estado del Arte
1.2.2 Sistemas de inspección en frutas y verduras.
(Shaw, 1990) desarrolló un algoritmo para clasificar productos frescos por visión, demostrando su
efectividad en la clasificación de pimientos. La información del color era extraída de las imágenes y
se aplicaba una aproximación estadística para clasificar el producto de acuerdo con el color y los
daños.
En (Singh, 1992) se expone un sistema de análisis de imagen para evaluar el color de frutas de hueso
(ver figura 1.2), los algoritmos fueron desarrollados para la clasificación en línea de la madurez de
melocotones de mercado. La clasificación por análisis de imagen coincidió con la manual en un 46%
de los casos y con estándar de color en un 75% de las muestras.
Figura 1.2 Análisis de imagen a frutas con hueso.
(Choi, 1995) estudio la madurez del tomate fresco clasificándolo en 6 estados de madurez según los
estándares de clasificación de USDA (United States Department of Agriculture), tal como se
muestra en la figura 1.3, un índice de madurez de tomate en cada etapa fue desarrollado y así se
proporcionaba un índice continuo sobre el rango completo de madurez. Los resultados de
clasificación coincidieron con el sistema manual en un 77% de los casos y todas las muestras fueron
clasificadas con una diferencia de una etapa de madurez.
Figura 1.3. Inspección de la madurez del tomate
6
Estado del Arte
La aplicación artificial se ha usado y se sigue usando mucho para la determinación de color en

manzanas. Así (Heinemann, 1997) desarrollo un algoritmo para evaluar el tamaño, forma, color y
defectos superficiales por visión artificial en manzanas. Los resultados del algoritmo fueron del 94%
de clasificación correcta por color, 81% por forma, y del 75% por otros defectos.
Años más tarde, (Moltó, 1998) realizó un estudio enfocado a técnicas de análisis de imagen para
medir algunos parámetros que definen la calidad de diferentes frutas y vegetales, como se observa
en la figura 1.4, las áreas parcialmente coloreadas que aparecen en algunas variedades de vegetales
eran correctamente localizadas y se estimó su tamaño. Las coordenadas del color de tomates rojos y
verdes estaban bien relacionados con respecto a los valores colorimétricos estándar, además las
áreas dañadas fueron correctamente detectadas en naranjas y por otro lado la localización del tallo
en naranjas y melocotones es exacta.
Figura 1.4. Inspección de la calidad de distintos vegetales
(Moltó, 2000), también intento determinar el tamaño, color, forma y defectos en cítricos. El sistema
estimaba el tamaño con un error de menos de 2 mm. El 94% de la fruta era correctamente clasificada
en categorías por color.
Ya aplicado a otros productos en (Diaz, 2000), se empleó un sistema de visión para desarrollar los
parámetros de calidad de aceitunas relacionado con sus características fisicoquímicas, para el
desarrollo de un rápido y eficiente algoritmo que sería incorporado a un sistema automático de
7
Estado del Arte
clasificación. El análisis colorimétrico indicó que había suficientes diferencias en las coordenadas de
color e intensidad entre las clases de aceitunas como para usar este sistema.
También (Laykin, 1999), desarrollo algoritmos de procesado de imágenes y los implemento en un

sistema de visión para la clasificación por calidad de tomate según distintos parámetros (color,
homogeneidad del color, defectos, forma y detección del tallo). Los experimentos llevados en
tomates de invernadero indicaban una buena clasificación para la mayoría de las características.
Más tarde (Leemans, 2002) presento un sistema de clasificación para manzanas en 4 clases según los
estándares Europeos. Estudio las variedades Golden Delicious y Jona gold. Se dieron 6 pasos:
adquisición de la imagen, clasificación por color mayoritario, segmentación de defectos,
reconocimiento tallo/cáliz, caracterización de defectos y clasificación final en 5 clases de calidad. El
método propuesto obtuvo una tasa de clasificación correcta de un 78 y 72% respectivamente.
En el mismo año (Bulanon, 2002) desarrollo un algoritmo para el reconocimiento de manzanas Fuji
en el árbol, para instalar en un robot cosechador. El sistema de visión tenía una cámara de color para
captar imágenes y un PC para procesar las imágenes para su reconocimiento y localización. La
imagen fue realzada usando la diferencia del color rojo porque se demostró que la manzana tenía la
mayor diferencia de color rojo sobre los objetos de la imagen. Los resultados mostraron una tasa de
éxito del 88% con un umbral óptimo pero la tasa de error era de un 18% en condiciones de mala
iluminación.
1.2.3 Sistemas de inspección en productos cárnicos.
En (Gwartney, 1996), realizo un estudio que mostraba que el procesado de imagen es una tecnología
útil para determinar la composición de la carne de vaca con contenidos de grasa superiores a un
32%.
Un año más tarde (Marty-Mahe, 1997), realizó una investigación para la aplicación de técnicas de
análisis de imágenes de video para detectar defectos de color en canales de pavo en la línea de
matanza. Se desarrolló un sistema usando métodos de segmentación de color para conseguir
8
Estado del Arte
defectos de color generales y locales. Al probar la técnica se concluyó que el sistema es conveniente
para la detección de defectos de color en canales de pavo.
También (Legeard, 1999), presentó una máquina de visión en tiempo real aplicada a productos
cárnicos, en este caso jamones crudos. Determinaron la calidad de jamones crudos midiendo el color
de la carne y el espesor de la grasa. Los resultados muestran correlación entre las medidas de los
espesores de grasa, y demuestra la eficiencia del procesado de imágenes en jamones clasificados de
acuerdo con su color en líneas de producción en tiempo real. (Ver figura 1.5)
Ya trabajando específicamente en canales (Van Hoof, 2001), se baso en un sistema de video de

análisis de imagen para la inspección automática y el control de calidad de canales de pollo asado en
la línea de matanza. Las imágenes del canal son valoradas en base a su forma y color, abrasiones,
huesos rotos, etc. Los estudios comparativos entre el uso del sistema de análisis de imagen y los
inspectores veterinarios demuestran que el primer sistema consigue mejores resultados para algunos
defectos, incluyendo sangrado insuficiente, color anormal. (Ver figura 1.5)
Figura 1.5. Inspección automática y control de calidad de pollo y en cortes de carne de cerdo.
También (Purnell, 2004) aplico técnicas de visión artificial, en este caso a canales de cerdo, discutió
sobre los sistemas automáticos para canales de corte. Consideró el uso de técnicas de visión para
determinar la trayectoria del corte de los robots para una canal de cerdo fijada, junto con el
establecimiento de un sistema higiénico que pueda integrarse en un amplio rango de líneas de
proceso y estrategias de corte.
9
Estado del Arte
En las piscifactorías es necesario clasificar los peces por tamaño y variedades, así (Zion, 1999),
desarrolló un algoritmo de procesado de imagen para discriminar imágenes de tres especies
diferentes basándose en su forma, y el tamaño. Por otro lado (Storbeck, 2001), también desarrolló un
sistema para reconocer especies de pescado por visión artificial. El sistema de visión mide ancho y
alto del pez en distintos puntos.
1.2.4 Sistemas de inspección en productos de panadería.
Tal como se expone en (McConell, 1995), sobre productos de panadería el color ha sido un atributo
importante en estos productos, incluso cuando el cocinado es el adecuado, si el color no es conforme
para el consumidor, las oportunidades de venta del producto disminuyen en gran medida.
La estructura interna (miga) del pan y el pastel fue examinada con visión artificial por (Sapirstein
1995), desarrolló un sistema que media el brillo, la densidad de las celdas, su área y uniformidad del
grano; la menor desviación de las especificaciones requeridas era obvia para el sistema, permitiendo
medidas correctivas en la panadería. (Figura 1.6)
Figura 1.6. Inspección de la estructura interna del pan
En un estudio más reciente, (Davidson, 2001) observó imágenes digitales de galletas de chocolate
las cuales fueron usadas para estimar las características físicas como tamaño, forma, color de la
pasta cocida y la fracción del área de la parte superior que era chocolate. (Ver Figura 1.7)
10
Estado del Arte
Figura 1.7. Estimación de características físicas de galletas.
1.2.5 Sistemas de inspección en granos y alimentos secos
En cuanto a granos y alimentos secos, (Ni, 1997) diseño un prototipo de sistema de visión para
inspeccionar copos de maíz y se obtuvieron tasas exitosas de clasificación de copos enteros y rotos
de un 91 y 94% respectivamente. Otros estudios realizados por (Liu, 1997) y (Panigrahi, 1998)
sobre visión por ordenador han tenido éxito en la medida y clasificación de la blancura del maíz, el
daño mecánico y el daño del moho.
En cuanto a granos de arroz, (Wan, 2000) expuso un sistema en línea de inspección usando una
máquina de visión. Un total de 16 características del arroz relativas a su forma, color y los defectos
del copo, se emplearon para estudiar el reconocimiento de la calidad del arroz realizando tres
técnicas de clasificación.
Los requerimientos de calidad del cereal difieren con respecto al usuario final y a la preparación de
las distintas variedades de pan, tartas, galletas y productos de pasta. Los procesos de clasificación
visual actual demandan un cambio, en este sentido (Uthu, 2000) trabajó con visión artificial en el
reconocimiento de variedades de trigo y cultivos de trigo de pan.
Los métodos tradicionales para la inspección de granos se realizan después de la limpieza de éstos,
en donde la selección consiste en separar los granos manchados, partidos, con colores pálidos,
dañados por insectos o muy pequeños.
11
Estado del Arte
Además de la identificación y clasificación de grano, la identificación temprana de semillas de otras

especies es un proceso común. Esto se lleva a cabo controlando químicamente el crecimiento de
otras especies en los cultivos.
(GIRO, 2007) menciona que las máquinas de clasificación se han venido utilizando en la industria
de la alimentación desde la década de los 30, donde se utilizaban palpadores, pesadoras, y
clasificadoras mecánicas. En los 90´s muchas de las compañías que utilizaban estas metodologías
empezaron a introducir sistemas de visión artificial en sus procesos. Sin embargo, el gran auge ha
llegado en el momento en que los precios de los sistemas de visión en color han sido realmente
competitivos.
La identificación automática se recomienda a granos de una sola especie debido a que los granos de
especies silvestres tienden a tener grandes variaciones y escasa homogeneidad dentro de la misma
especie. (Ver figura 1.8)
Figura 1.8. Granos de una sola especie.
La inmensa mayoría de las compañías relacionadas con la alimentación utilizan sistemas de visión
artificial en color, sin embargo también se usan mayoritariamente sistemas basados en cámaras
monocromas.
(GIRO, 2007) explica que la inspección en la industria alimentaría se lleva a cabo, tanto con
cámaras lineales como con cámaras matriciales, dependiendo del tipo de fabricante y del tipo de
clasificación. Algunos fabricantes de maquinaria para la industria alimenticia ofrecen también
versiones basadas en cámaras infrarrojas, que pueden detectar la presencia de hueso en las frutas o
determinar características no visibles en su superficie.
12
Estado del Arte
1.3 Visión Artificial y control de calidad
La visión artificial constituye una de las técnicas en el control de calidad de los alimentos que más
auge está teniendo en los últimos años. Su gran versatilidad, aplicabilidad, rapidez y limpieza están
demostrando su validez en los controles de calidad de numerosas empresas agroalimentarias.
Continuamente aumentan su capacidad y algoritmos de procesado a mayor velocidad y están
continuamente desarrollándose para conseguir las velocidades de línea necesarias.
En cualquier proceso industrial, la aplicación de visión artificial contribuye a un „control de calidad‟

del 100% de los productos supervisados. A través de esta tecnología se llevan a cabo análisis de
errores como geometría, rebabas, color, material, en procesos industriales. A partir de aquí, las
aplicaciones de la visión artificial son numerosas para el fabricante actual de cualquier sector:
alimentación, automoción, electrónica, impresión, farmacia, minería, envase y embalaje, cerámica,
seguridad y vigilancia, por citar algunos.
Es por esto que en la industria alimentaria las principales aplicaciones que se le han atribuido a los
sistemas de visión artificial son los siguientes.
 Automatizar procesos de control de calidad: detección de defectos y fallos en materia prima,

producto final o en envases.
 Automatizar procesos de clasificación en base a la forma, tamaño o color en materias primas

muy variables.
 Automatizar procesos de producción: ajustar las condiciones de proceso en base a variables

medidas mediante análisis de imagen.
 Automatización de procesos de manipulación y envasado: extracción de coordenadas para su

posterior manipulación mediante robots. (Ver figura 1.9)
 Automatizar procesos de detección de cuerpos extraños.
Tal como se expone en (Díaz, 2009), las principales ventajas son la reducción de los costos del
control de calidad, el aumento de la producción, la inspección del 100% de la producción, la
reproducibilidad y el funcionamiento 24 horas al día sin cansancio.
13
Estado del Arte
Figura 1.9 Envasado automático mediante robot y sistema de visión.
1.4 Objetivos del proyecto y organización de la tesis.
Retomando el objetivo principal de esta tesis el cual consiste en diseñar un sistema eficaz que
permita identificar, seleccionar y desechar granos fuera de especificación, y materiales ajenos a una
población que presenta cierta homogeneidad en su contenido. Y proponiendo la adecuación de un
sistema automático de inspección por visión artificial enfocado a la caracterización de arroz como
indicador de calidad. Se dan a conocer los siguientes objetivos específicos:
1. Selección del equipo necesario para la integración del sistema de visión artificial.
2. Implementación de los algoritmos de visión, (adquisición y el procesamiento de las

imágenes) para la caracterización del arroz.
3. Desarrollo de una interfaz grafica.
4. Propuesta de un sistema automático que permita seleccionar y desechar granos fuera de

especificación, después de que el producto ah sido identificado por el sistema de visión.
5. Reducción al 100% del error humano en la etapa de inspección visual.
14
Estado del Arte
Para poder alcanzar los objetivos aquí planteados, este trabajo se ha organizado de la siguiente
manera:
En el Capítulo 2, Marco teórico, se da una introducción formal a los aspectos teórico-prácticos, en

el cual se menciona todas las partes que integran el sistema de visión; así como también, se enuncian
los algoritmos de visión, requeridos para la implementación del sistema; se describen algunos
programas en los cuales se desarrolla tanto la interfaz gráfica como los algoritmos del sistema de
visión.
En el Capítulo 3, diseño conceptual, se utiliza la metodología QFD (Quality Function Deployment)

para la selección del equipo necesario a partir de las necesidades presentadas, y así encontrar
respuestas innovadoras a esas necesidades.
En el capítulo 4, diseño a detalle, se dan a conocer los algoritmos utilizados tanto en el sistema de
visión como los desarrollados para el sistema de selección y desecho de granos fuera de
especificación, así como también el diseño eléctrico, electrónico y neumático para esta etapa.
En el capítulo 5, Análisis de resultados, se presenta la interpretación de resultados obtenidos con la

implementación e integración del sistema en su totalidad, dichos resultados se presentan en el orden
en el cual fueron obtenidos.
15
2
MARCO TEÓRICO
En este capítulo se da una introducción formal a los

aspectos teórico-prácticos.
*Se menciona todas las partes que integran el

sistema de visión.
*Se enuncian los algoritmos de visión, requeridos

para la implementación del sistema.
*Se describen algunos programas, en los cuales se

desarrolla tanto la interfaz grafica como los
algoritmos del sistema de visión.
16
Marco Teórico.
2. Marco Teórico
2.1 Introducción
La visión artificial es una sub rama de la inteligencia artificial, esta disciplina engloba todos los
procesos y elementos que proporcionan ojos a una máquina; la 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. 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. Algunos ejemplos de
propiedades geométricas son la forma, tamaño y localización de los objetos; en cuanto a propiedades
de los materiales podemos mencionar el 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. La visión, tanto para un hombre como para un
ordenador, consta principalmente de dos fases: captar una imagen e interpretarla (ver figura 2.1). A
pesar de la complejidad que presenta el ojo humano, la fase de captación de imágenes hace mucho
tiempo que está resuelta. El ojo del ordenador es la cámara de vídeo, y su retina un sensor que es
sensible a la intensidad luminosa. Así que en la visión artificial lo que resta es interpretar las
imágenes, distinguir los objetos de la escena, extraer información de ellos y resolver aspectos más
particulares según las necesidades que se deseen satisfacer.
Figura 2.1 Fases de en el proceso de visión para un ordenador y el hombre
17
Marco Teórico.
La interpretación de tramas complejas, es una capacidad reservada al cerebro humano. Para que un
ordenador fuera capaz de analizar directamente una imagen cruda, sin procesar, haría falta una
estructura de procesadores a modo de neuronas, además de una inmensa cantidad de información de
los objetos y las formas. Para evitarlo, lo que se hace es reducir la complejidad de la trama. Para el
ordenador resultará más difícil distinguir objetos que se encuentren sobre un fondo con una trama
del mismo tono y proyecten una sombra definida, que reconocerlos sobre un fondo plano que
contraste con su color frontal. Es por ello que una de las más amplias ramas de la visión artificial
está guiada precisamente a simplificar las imágenes, eliminar el ruido introducido por los sensores y
facilitar, en definitiva, la tarea de interpretación.
(Espinoza, 2006) expone que las tareas de pre procesado consisten en algoritmos matemáticos que
calculan nuevas intensidades luminosas para los pixeles y la mayoría, aunque sencillos, consumen
gran cantidad de tiempo de cálculo, dependiendo de qué tanta resolución tenga la imagen. Esto
representa un inconveniente cuando se pretende que el ordenador sea capaz de ver en tiempo real, es
decir, que responda de forma casi instantánea a como se producen las imágenes frente a sus ojos.
Para que un sistema funcione en tiempo real es necesario estudiar todos los métodos posibles y la
forma de realizarlos con la menor carga computacional posible.
2.2 Formación y representación de la imagen.
(Nalwa, 1993) menciona que una imagen es una representación visual de un objeto iluminado por
una fuente radiante. Las que se perciben en las actividades visuales cotidianas provienen
normalmente de la luz reflejada por los objetos. La naturaleza básica de una imagen, representada
por f(x,y)2, está caracterizada por dos componentes: la cantidad de luz incidente que procede de la
fuente de la escena contemplada; y la cantidad de luz reflejada por los objetos de la escena. Dichas
componentes reciben el nombre de iluminación y reflactancia, notándose i(x,y) y r(x,y)
respectivamente. Ambas funciones se combinan como producto para dar f(x,y).
En el proceso de formación de la imagen intervienen los siguientes elementos: el objeto, la fuente

radiante y el sistema de formación de la imagen que consiste, básicamente, en un sistema óptico, un
sensor y un digitalizador. La imagen digital puede ser representada por una matriz f de dimensiones
NxM de la forma:
18
Marco Teórico.
f (1,1) f (1, 2) f (1, M )

f (2,1) f (2, 2) f (2, M ) (2.1)
f
f ( N ,1) f ( N , 2) f (N , M )
Donde cada elemento, pixel, da la intensidad de la imagen en ese punto.
2.2.1 Relaciones básicas entre pixeles.
En esta sección se consideraran varias relaciones simples aunque importantes entre los pixeles de
una imagen digital; entre las que destaca el término: Vecinos de un pixel.
Un pixel p de coordenadas (x, y) tiene cuatro vecinos horizontales y verticales cuyas coordenadas
son.
(x + 1, y),(x - 1, y),(x, y + 1),(x, y - 1) (2.2)
Este conjunto de pixeles, que recibe el nombre de 4-vecinos de p, se nota N4 (p). Cada pixel está a
distancia unitaria de (x, y), y algunos de los vecinos de p caen fuera de la imagen digital si (x, y) está
en el borde de la imagen. Los pixeles diagonales vecinos de p tienen coordenadas.
(x + 1, y + 1),(x - 1, y - 1),(x - 1, y + 1),(x + 1, y - 1) (2.3)
Y se notan ND (p). Estos puntos, junto con los cuatro vecinos, se llaman 8 - vecinos de p y se notan
N8 (p). Al igual que antes, algunos puntos de ND (p) y N8 (p) caen fuera de la imagen si (x, y) está
en el borde de la misma.
2.2.2 Conectividad.
La conectividad entre pixeles es un concepto importante usado para establecer las fronteras de
objetos y las regiones que componen a una imagen. Para establecer si dos pixeles están conectados
debe determinarse si son adyacentes en algún sentido (por ejemplo si son 4-vecinos y si sus niveles
de gris cumplen algún criterio de similitud, por ejemplo ser iguales). Así en una imagen binaria
19
Marco Teórico.
con valores 0 y 1 dos pixeles pueden ser 4-vecinos y no estar conectados salvo que tengan el mismo
valor (Espinoza, 2006).
Sea V el conjunto de valores de niveles de gris que se usa para definir la conectividad; por ejemplo
en las imágenes binarias, V = {1} o un rango como V = {33, 34,..., 50} en las imágenes de niveles de
gris. Se consideran tres tipos de conectividad:
4 - conectividad. Dos pixeles p y q con valores en V se dicen 4-conectados si q pertenece a N4 (p).

8-conectividad. Dos pixeles p y q con valores en V se dicen 8-conectados si q pertenece a N8 (p).
m-conectividad (conectividad mixta). Dos pixeles p y q con valores en V se dicen m-conectados
si.
q ∈ N4 (p) o
q ∈ ND (p) y N4 (p) ∪ N4 (q) es vacío. (Este es el conjunto de 4-vecinos de p y q con valores en
V).
Es importante notar que la m-conectividad se introduce para eliminar la ambigüedad en los posibles
caminos que unen dos pixeles.
2.2.3 Medidas de distancia.
Para los pixeles p, q y z con coordenadas (x, y), (s, t) y (u, v) respectivamente, D es una función de
distancia o métrica si cumple:
D (p, q) ≥ 0 (D (p, q) = 0 si y sólo si p = q)

D (p, q) = D (q, p) y (2.4)
D (p, z) ≤ D (p, q) + D (q, z)
La distancia euclídea entre p y q se define como:
DE ( p, q) ( x s) 2 ( y t ) 2
(2.5)
20
Marco Teórico.
Para esta medida de distancia, los pixeles a distancia menor o igual que un valor r de uno dado, (x,
y), definen un disco de radio r centrado en él.
La distancia D4 (también llamada de bloques por la estructura que genera) se define mediante:
D4 ( p, q) x s y t
(2.6)
En este caso, los pixeles que estén a una distancia, de (x, y), D4 menor o igual que un determinado
valor r forman un rombo centrado en (x, y). Por ejemplo, los pixeles a distancia menor o igual que 2
de uno dado son los siguientes:
La distancia D8 (también llamada de ajedrez) entre p y q se define mediante:
D8 ( p, q) x s, y t
(2.7)
Por ejemplo los pixeles con distancia D8 menor o igual que 2 son:
21
Marco Teórico.
2.3 Etapas en el proceso de visión artificial.
El primer paso en el proceso es adquirir la imagen digital. Para ello se necesitan sensores y la
capacidad para digitalizar la señal producida por el sensor. Una vez que la imagen digitalizada ha
sido obtenida, el siguiente paso consiste en el pre procesamiento de dicha imagen. El objetivo del
pre procesamiento es mejorar la imagen de forma que el objetivo final tenga mayores posibilidades
de 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 forman. En general la segmentación autónoma es
uno de los problemas más difíciles en el procesamiento de la imagen. Por una parte, una buena
segmentación facilitará mucho la solución del problema; por otra, la segmentación errónea
conducirá al fallo.
La salida del proceso de segmentación es una imagen de datos que, o bien contienen la frontera de la
región o los puntos de ella misma. Es necesario convertir estos datos a una forma que sea apropiada
para el ordenador. La primera decisión es saber si se va a usar la representación por frontera o región
completa. La representación por la frontera es apropiada cuando el objetivo se centra en las
características de la forma externa como esquinas o concavidades y convexidades.
La representación por regiones es apropiada cuando la atención se centra en propiedades internas

como la textura o el esqueleto. Sin embargo, en muchas aplicaciones ambas representaciones
coexisten.
La elección de una representación es sólo una parte de la transformación de los datos de entrada. Es
necesario especificar un método que extraiga los datos de interés. La parametrización, que recibe
también el nombre de selección de rasgos se dedica a extraer rasgos que producen alguna
información cuantitativa de interés o rasgos que son básicos para diferenciar una clase de objetos de
otra. En último lugar se encuentran el reconocimiento y la interpretación. El reconocimiento es el
proceso que asigna una etiqueta a un objeto basada en la información que proporcionan los
descriptores (clasificación). La interpretación lleva a asignar significado al conjunto de objetos
reconocidos. (Figura 2.2 y 2.3)
22
Marco Teórico.
Figura 2.2 Diagrama de bloques de las etapas de un sistema de visión artificial.
Figura 2.3 Diagrama de flujo de las etapas de un sistema de visión artificial
23
Marco Teórico.
2.4 Elementos de un Sistema de Visión Artificial.
Los elementos de hardware mínimos necesarios para un sistema de visión artificial (SVA) son los
siguientes:
a) Sensor óptico: el sensor puede ser una cámara color o monocromo que produce una imagen
completa del dominio del problema cada 1/30 segundos. Los sensores podrían ser también
una cámara scanner que produce una línea en cada instante. En este caso el movimiento del
objeto por la línea del scanner (o al revés) produce la imagen bidimensional. La naturaleza
del sensor y la imagen que produce vienen determinadas por la aplicación.
b) Tarjeta de adquisición de imagen: permite digitalizar la señal de video entregada por el
subsistema anterior.
c) Computador: una vez digitalizada la imagen, debe ser almacenada en la memoria de un
computador para su posterior procesamiento y manipulación por programa.
d) Monitor de vídeo: permite visualizar tanto las imágenes o escenas captadas como los
resultados del procesamiento de dichas imágenes. (Figura 2.5)
En la figura 2.4 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 2.4. Diagrama de bloques de un sistema de visión artificial
24
Marco Teórico.
Figura 2.5. Esquema de un sistema de visión artificial.
e) Adquisición de imágenes. la primera etapa, dentro de un proceso de visión computacional

es la etapa de adquisición. En este primer paso, se trata de conseguir que la imagen sea lo
más adecuada posible para que se pueda continuar con las siguientes etapas.
Una correcta adquisición de la imagen supone un paso muy importante para que el proceso
de reconocimiento tenga éxito. Dentro de esta etapa existen múltiples factores que atañen
directamente al proceso de captura de la imagen, formados fundamentalmente por: el sistema
hardware de visión artificial (cámara, óptica, tarjeta de adquisición de imagen, ordenador y
software) y el entorno y posicionamiento de los elementos (la iluminación, el fondo, posición
correcta de la cámara, ruido eléctrico-óptico externo, etc.).
2.4.1 Cámaras de visión artificial.
Lo primero que se tiene que elegir, a la hora de diseñar un sistema de visión artificial, es el tipo de
cámara a utilizar. La elección va a depender de múltiples factores que se detallan a continuación:
a) Cámara de color o monocromática (escala de grises): generalmente la cámara se elegirá

dependiendo del proceso que se vaya a realizar. La mayoría de los casos en los que se utiliza
un SVA (Sistema de visión Artificial) la adquisición se realiza mediante una cámara
monocromática, siendo las ventajas principales económicas y de cómputo. Hay que darse
cuenta que una imagen en color necesita mucho más tiempo de procesado y para procesos en
tiempo real la velocidad de cálculo es un parámetro importante a considerar.
25
Marco Teórico.
Por otra parte, la mayoría de los procesos se basan en el reconocimiento de formas a partir de
la determinación de los contornos de los objetos, siendo innecesaria la información
cromática de los objetos. De todas formas existen aplicaciones en las que la información de
color es fundamental, por ejemplo en control de calidad en la industria alimentaria donde se
clasifica la fruta, verdura, entre otros, según el color de cada elemento; La imagen en color
realmente proporciona una información más completa que puede servir en la etapa de
segmentación y extracción de parámetros en detrimento de una mayor necesidad de tiempo
de cómputo.
b) Cámara digital o analógica: actualmente empiezan a aparecer en el mercado las cámaras

digitales, las ventajas de estas cámaras respecto a las analógicas estriba en su velocidad y
calidad de la imagen que presentan. Las cámaras digitales transmiten la información
directamente en digital, lo que supone una mejor calidad frente a ruidos que puedan aparecer
en los elementos de transmisión (cables, conectores, etc.) además pueden implementar bits
de detección/corrección de errores que permitan verificar y corregir la información recibida,
como desventaja el cable necesario es de un espesor considerable (formado por gran cantidad
de hilos).
c) Tipo de salida de vídeo: actualmente podemos encontrar tres tipos de salida de vídeo: vídeo
compuesto, salida de vídeo digital y salida RGB (para cámaras color). Las ventajas de una
cámara de salida digital se han explicado en el punto anterior, por otro lado las cámaras de
salida RGB, tienen los tres colores fundamentales separados, lo que permite poder actuar
sobre cada color directamente desde el hardware.
d) Formato PAL o NTSC: existen principalmente dos formatos de vídeo: el formato europeo
PAL (50 Hz) o el americano NTSC (60 Hz). Existen cámaras que tienen uno u otro formato.
Se debe verificar que la tarjeta permita capturar imágenes con el formato de la cámara que se
tenga.
e) Salida entrelazada o no entrelazada: las cámaras de vídeo con salida entrelazada; no

entrelazada o que permiten elegir una u otra. La salida entrelazada es adecuada para sacarla
directamente por un monitor entrelazado y es muy utilizada para todas las aplicaciones
26
Marco Teórico.
f) donde se estudian objetos quietos o que se desplazan de una forma lenta, mientras que la
salida no entrelazada es más adecuada para la adquisición de imágenes en movimiento.
Lo ideal es tener una cámara que permita las dos formas, Sincronismos Vertical y
Horizontal: Una buena cámara tiene que permitir el que se le puedan introducir externamente
los sincronismos horizontal y vertical, además de que se puedan extraer sus propios
sincronismos internos. La salida o entrada de sincronismos permite una completa iteración
entre la tarjeta y la cámara, pudiéndose realizar la captura de los frames en el momento que
desea.
Pueden existir eventos que se producen de manera muy rápida, siendo fundamental el uso de
los sincronismos o también el de los triggers que tenga la cámara para la captura correcta de
la imagen que deseamos. Dentro de la salida en RGB.
g) Velocidad del obturador: para poder obtener imágenes en movimiento, en necesario

controlar el tiempo de exposición. Una cámara que se aprecie tiene que tener la posibilidad
de programarse la velocidad de su obturador (ya sea mediante software o mediante jumpers).
Generalmente existen cámaras con tiempos de 1/60, 1/125,1/250, 1/500, 1/1000, 1/2000,
1/4000, 1/10000 segundos de obturación.
h) Características del CCD: el CCD es una de las partes más importantes de la cámara, dentro
de la elección de éste se debe considerar las características fundamentales de su CCD:
Resolución: Cuanto más resolución tiene una cámara mejor podemos distinguir los detalles
más pequeños de los objetos. Por supuesto una mayor resolución supone un mayor precio de
la cámara y un tiempo de procesado de la imagen mayor.
Relación calidad-ruido: Cuanto mejor sea esta relación, mayor será la calidad de la imagen
capturada. Existen técnicas de filtrado, que sirven para eliminar el ruido eléctrico que se
produce en el CCD. El ruido eléctrico produce como una ligera niebla en la imagen obtenida,
que es necesario filtrar.
27
Marco Teórico.
i) Programación vía RS232: existen cámaras que permiten la calibración de todos sus
parámetros, o de parte de ellos desde el ordenador directamente; lo que permite una
automatización del proceso de calibrado.
2.4.2 La óptica.
La óptica a utilizar dependerá especialmente de las condiciones ambientales y de la distancia de

medición. Dependiendo de la luminosidad ambiental, puede ser conveniente la utilización de filtros
que la eliminen y que permitan capturar convenientemente los objetos a explorar. Por otro lado, se
pueden usar filtros especiales para destacar un tipo de color determinado y poder realizar la
segmentación de una forma más sencilla.
En la selección de la óptica, sobre todo cuando se van a determinar características geométricas de

los objetos, es necesario evitar todas aquellas lentes que deformen la imagen: lentes que amplían o
reducen el campo de visión, etc.
Se aconseja estudiar las distancias y tamaño de los objetos a medir para elegir la óptica más
adecuada. Generalmente es interesante adquirir una lente provista de zoom y otra lente fija. Con el
zoom se pueden realizar los ajustes necesarios y determinar que lente fija se tiene que comprar para
la aplicación que se pretende realizar.
Existen por otro lado sistemas de zoom automáticos controlados directamente desde la cámara.
2.4.3 Tarjeta de adquisición de imagen.
Otro aspecto fundamental a considerar, dentro del SVA, es el de la tarjeta de captura de imagen.
Existen multitud de tarjetas en el mercado orientadas hacia el terreno profesional, con gran cantidad
de características que hace que sea difícil seleccionar unas u otras. A continuación, se van a exponer
las más importantes:
a) Tipo de entrada de vídeo: como ya se ha visto cuando se trataba de la forma de estudiar la

elección de la cámara, la entrada de vídeo tiene que admitir la salida de vídeo de la cámara;
sea vídeo compuesto, RGB o digital.
28
Marco Teórico.
b) Memoria en la tarjeta y controlador propio de DMA: existen tarjetas en el mercado que

usan la memoria del ordenador para almacenar las imágenes, mientras que otras disponen de
gran cantidad de memoria propia. Las tarjetas que usan la memoria del ordenador suelen ser
más baratas, pero suelen tener varios inconvenientes. Dos de los inconvenientes más
importantes que se advierte en este tipo de placas son: por un lado el uso de la memoria del
ordenador puede producir conflictos con el sistema operativo por una mala gestión de la
memoria, además el driver que se instala reduce la memoria que tiene el sistema operativo
para otros programas.
Por otro lado estas tarjetas al tener que gestionar la memoria propia del sistema tienen que
acceder al chipset del ordenador resultando muchas veces incompatibles con algunas
arquitecturas que usan chipsets antiguos o diferentes a los especificados en el manual de la
tarjeta de visión. La tarjeta que dispone de memoria en sí misma y además de un sistema de
control DMA eficiente que permita llevarla hasta la memoria del ordenador es la selección
más adecuada. Realmente el uso o no de memoria en la tarjeta puede suponer el ocupar un
1% o 42% de tiempo de CPU según un tipo de tarjeta u otra (todo el tiempo que se gaste en
el uso de la CPU en la transferencia de la imagen a memoria supone capacidad que se pierde
para otros procesos).
c) Entradas y salidas de sincronismo: es fundamental que la tarjeta de vídeo nos permita el

control de las señales de sincronismo de la cámara, sobre todo cuando se va a realizar la
adquisición de varias cámaras a la vez. Existen tarjetas que tienen una salida de sincronismo
en vídeo compuesto que se suele utilizar para controlar una o más cámaras. Este proceso
llamado sync-locking permite sincronizar señales cuando se realiza la conmutación entre
canales o en el caso en el que se capturen imágenes de dos o tres cámaras a la vez en un solo
paquete.
d) Posibilidad de uso de triggers externos, entradas y salidas digitales: toda tarjeta de visión
debe de tener entradas de trigger que permitan realizar un disparo cuando se produce un
evento externo determinado. Supongamos un sistema de reconocimiento automático de
etiquetas de botellas de vino, en el que la captura se realiza justo cuando un sensor detector
29
Marco Teórico.
de posición indica que hay una botella preparada para su reconocimiento. Existen muchas
tarjetas con entradas y salidas digitales que permiten realizar un control sencillo sin necesitar
una tarjeta adicional de adquisición digital.
e) Uso de DSP: debido a que las aplicaciones que se realizan en un entorno industrial tienen
que ser en tiempo real, es fundamental que la tarjeta disponga de un procesador digital de
señal que pueda programarse para realizar tareas de pre procesado, reduciendo el tiempo de
proceso que va a tener que realizar la CPU del host. Por supuesto, uno o varios DSPs con
procesamiento en paralelo incrementan sustancialmente los costos de la tarjeta de visión.
Figura 2.6. Sistema óptimo de captura de imagen mediante arquitectura INTEL y buses PCI y AGP.
En la figura 2.6 se puede observar el sistema framegrabber más adecuado para aplicaciones de
visión artificial, está formado por una tarjeta de adquisición de imagen formada por dos bancos de
VRAM donde la imagen es capturada con velocidades entre 10 y 100 Mbytes por segundo. Esta
imagen capturada es transferida en burst mode a la memoria del host con una velocidad de
transferencia de 132 MB/s a 32 bits, evitándose así un cuello de botella. Por otro lado la tarjeta de
visualización al usar el bus AGP a 64 bits, permite una velocidad de transferencia del doble
264MB/s. Todo este proceso se realiza mediante transferencia DMA, evitándose de esta manera
ocupar ciclos del procesador que puede dedicarse a realizar otros procesos en paralelo.
30
Marco Teórico.
2.4.4 Software de programación y visualización.
Tan importante como la elección del hardware es la del software a utilizar. Los programas de visión
artificial profesionales están formados por las siguientes partes: entorno visual de pruebas,
procesado y estudio; lenguajes de programación y librerías de desarrollo.
Generalmente, los programas de visión artificial suelen tener un entorno donde se puede capturar la
imagen, procesarla con diferentes algoritmos y determinar por ejemplo que funciones se van a
utilizar. Además, suelen tener un lenguaje de programación propio, que permite la realización de
subrutinas que no existan en sus propias librerías de desarrollo.
Por otro lado, es necesario estudiar las funciones que se ofrecen para el desarrollo de las
aplicaciones reales. Estas funciones, realizadas la mayoría de las veces en C, C++ o ensamblador
buscando la máxima velocidad posible; se suministran en librerías que se pueden utilizar con
compiladores de C como: Microsoft Visual C++, Borland C++, Watcom C++ o Borland C++
Builder. Es necesario observar la cantidad de subrutinas de que constan las librerías para cada etapa
del proceso de visión artificial: pre procesado (filtrados, ecualización por histogramas,
transformaciones geométricas, etc.), segmentación (transformadas, erosión, dilatación, etc.), análisis,
selección, etc.
Cuanto más completa sea la librería de funciones, más fácilmente se podrá solucionar los problemas
que vayan surgiendo.
2.4.5 Técnicas de iluminación.
Una vez elegidos los elementos constituyentes del SVA, se pasan a estudiar los elementos
correspondientes al entorno y la forma de situarlos. Un entorno debidamente controlado es
imprescindible para obtener unas condiciones de partida óptimas que aseguren una perfecta
adquisición. Dentro del entorno aparecen como partes fundamentales que influyen
fundamentalmente en las expectativas tanto de calidad como de la imagen buscada: la iluminación,
el fondo, la posición de la cámara, etc.
31
Marco Teórico.
Figura 2.7. Tipos de iluminación: a) frontal y b) retro iluminación.
2.4.5.1 La iluminación.
La iluminación de la escena tiene que realizarse de una forma correcta, dada la importancia que
tiene. Existen fundamentalmente dos formas de iluminación, como se puede observar en la figura
2.7
a) Iluminación frontal: donde la luz incide directamente sobre el objeto, ya sea verticalmente,
horizontalmente, de forma oblicua o de forma difusa.
b) Iluminación trasera o Retro iluminación: donde se ilumina una pantalla de forma que lo
que se busca es el contorno del objeto a modo de sombra. Este objeto puede estar delante o
detrás de la pantalla. La iluminación frontal permite distinguir los detalles de los objetos, así
como su forma, permitiendo extraer más parámetros de cada objeto como su color, detalles
internos, etc.; que permitan una mejor segmentación.
Por otro lado, la retro iluminación sólo sirve para la detección de contornos simplificando
por otra parte la etapa de segmentación que se debe efectuar posteriormente a la captura.
32
Marco Teórico.
2.4.5.2 Ventajas y desventajas de la iluminación frontal.
Como ya se ha comentado en el párrafo anterior, la iluminación del objeto permite distinguir

claramente los detalles del mismo, pero esta iluminación puede presentar diferentes inconvenientes.
La iluminación con puntos de luz fijos (focos de luz) va a producir dos fenómenos
contraproducentes: la creación de sobras y los reflejos. Las sombras que crean los focos de luz
oblicuos, son un serio inconveniente para detectar correctamente las formas de los objetos, sobre
todo cuando estos son oscuros. En términos generales el efecto de las sombras es algo que se trata de
evitar. Al usar focos de luz, en objetos brillantes se producen brillos que también son
contraproducentes perjudicando seriamente la detección de los contornos y detalles de los objetos.
2.4.5.3 Ventajas y desventajas de la retro iluminación.
La iluminación por detrás del objeto puede hacerse de dos formas: situando el objeto entre la
pantalla y los focos que lo iluminan, de forma que lo que captura la cámara es la sombra proyectada
sobre la pantalla (Figura 2.8.a); o el objeto entre la cámara y la pantalla de forma que lo que se
ilumina es el fondo de la escena (Figura 2.8.b).
Figura 2.8. Retro iluminación: a) proyección sobre una pantalla, b) iluminación del fondo de la escena.
33
Marco Teórico.
La proyección del objeto sobre la pantalla solo permite el reconocimiento del contorno de éste,
teniendo como ventaja por otro lado que el pre procesado y segmentación se realiza en pocos pasos.
Prácticamente con este sistema no es necesario realizar pre procesado y si los objetos están aislados
unos de otros, la segmentación es sumamente sencilla. Por otro lado, si existen objetos “montados”
uno encima de otro, el reconocimiento de ambos se torna muy difícil.
Por otro lado, el segundo método es más ventajoso. Se trata de iluminar el fondo de forma que sea
más fácil diferenciarlo de los objetos. Este fondo suele ser una pantalla blanca que difumina la luz
trasera produciendo un fuerte fondo blanco. Además, al ser más fuerte esta iluminación, se eliminan
las sombras que puede producir la luz del ambiente, consiguiendo un fuerte contraste entre objeto y
fondo. Debido a este contraste los detalles se diferencian mejor: pequeños agujeros, pequeñas
deformaciones, etc.
Para que la segmentación sea lo más sencilla posible se busca diferenciar fácilmente el fondo de los
objetos: ya sea por un color claro brillante o inexistente en el universo de objetos a reconocer, o con
una iluminación blanca que sature al CCD dando niveles máximos de color (blanco nieve). De todas
formas la segmentación se complica si los objetos están conectados o unos encima de otros. Este
método permite realizar un segundo nivel de segmentación ya que se captura cada objeto con sus
detalles superficiales intrínsecos: color, formas, etc.
Una de las mayores desventajas de la retro iluminación es la forma de implementarla dentro de un

sistema industrial automático. En la inspección de objetos que son trasladados con una cinta
transportadora, si utilizamos este sistema, la iluminación tiene que estar debajo de la cinta
transportadora. Es por lo tanto necesario el uso de una cinta translúcida, que actúe como pantalla,
transportando los objetos a través del sistema de visión.
2.4.5.4 Aplicaciones de los diferentes sistemas de iluminación.
La selección de la iluminación más adecuada para cada aplicación depende del tamaño, de las
características de la superficie, de la geometría y de las necesidades del sistema. A continuación se
analizan, de forma general, las aplicaciones de cada sistema de iluminación.
34
Marco Teórico.
a) Sistemas anulares Los iluminadores anulares o anillos de luz proporcionan una gran
intensidad de luz uniforme, con ausencia de sombras, por lo que son adecuados para iluminar
objetos de reducidas dimensiones. Se pueden sujetar al objetivo de la cámara y se les puede
acoplar filtros de colores, polarizadores / analizadores, y difusores para, así, eliminar reflejos
y aumentar el efecto difusor. (Figura 2.9)
Figura 2.9. Iluminador anular.
b) Sistemas de iluminación lineal: Estos sistemas son apropiados para iluminar intensamente
zonas muy estrechas, siendo aplicables a entornos de visión industrial, metrología, procesos
de inspección y muy específicamente, con cámaras lineales en inspección de papel, tejidos,
cerámica, material metálico, madera. (Figura 2.10)
Figura 2.10. Iluminador lineal
c) Sistemas de panel: Este tipo de iluminación se utiliza para formar una silueta de un objeto,
depositándolo sobre la fuente de luz, cuando las estructuras superficiales del mismo no son
importantes. Se utilizan tanto en visión industrial (metrología) como en microscopía, para
hacer que el objeto aparezca oscuro sobre un fondo claro. Este tipo de iluminación también
puede utilizarse para producir un efecto de luz difusa muy uniforme. Entre las posibles
aplicaciones se incluyen: inspección de vidrio, localización y medida de piezas, medida de
productos opacos, detección de límites. (Figura 2.11)
Figura 2.11. Iluminador de panel

2.4.5.5 El fondo.
El fondo de la escena cumple un papel esencial cuando se trata de simplificar alguna de las etapas
subsiguientes (como puede ser la segmentación). Éste debe ser lo más homogéneo posible y de un
35
Marco Teórico.
color que permita distinguirlo fácilmente de los objetos. Cualquier mancha o defecto que existan en
el fondo, puede ocasionar errores en la etapa de reconocimiento.
Utilizando iluminación frontal, el fondo debe de ser lo más opaco posible evitando todo reflejo. El
color negro opaco suele ser el más utilizado. Por otro lado, si la iluminación es trasera, se busca que
la pantalla difumine lo más posible la luz de forma que se obtenga un fuerte fondo blanco que lo
distinga fácilmente de los objetos.
2.5 Preprocesado.
Toda imagen que se adquiere por medios ópticos, electroópticos o electrónicos sufre en cierta
medida los efectos de la degradación que se manifiestan en forma de ruido, pérdida de definición y
de fidelidad de la imagen. La degradación viene provocada por el ruido de los sensores de captura,
imprecisiones en el enfoque de la cámara, movimiento de la misma o perturbaciones aleatorias, entre
las que tiene relevancia el efecto de la propagación de la radiación en el medio de transmisión. Los
mecanismos que tratan de contrarrestar estos efectos se incluyen dentro de la etapa de preprocesado,
recibiendo el nombre de operaciones de restauración.
Generalmente, el preprocesado pretende reparar en la imagen los desperfectos producidos o no

eliminados por el hardware: deformación de ésta, ruido introducido, poco o mucho contraste o
brillo, falta de ecualización apropiada, etc. Los algoritmos de preprocesado permiten modificar la
imagen para eliminar ruido, transformarla geométricamente, mejorar la intensidad o el contraste,
etc.; procesos que intentan mejorar el resultado final de la imagen capturada. Por supuesto, como
estos algoritmos necesitan gran cantidad de tiempo de procesado, es lógico que lo mejor sea utilizar
un conveniente hardware que los evite.
En un proceso de visión artificial estos algoritmos tienen que ser utilizados lo menos posible, un uso
excesivo de ellos repercutirá en el tiempo de proceso total e indicará que la calibración, iluminación
y selección de los elementos de la etapa de adquisición no ha sido la adecuada. Aparte de la
degradación de la imagen, existen características de la imagen que, en muchos casos, es conveniente
mejorar. Así, muchas veces, se quiere mejorar el contraste, brillo, niveles de grises, eliminar brillos,
aumentar los bordes, mejorar las texturas, etc. Todas estas técnicas vienen a denominarse
operaciones de mejora de la imagen.
36
Marco Teórico.
La parte de preprocesado en un sistema de visión artificial está formada por estos dos tipos de
operaciones, es decir, todo el tratamiento de corrección y de mejora de la imagen que facilite el
procesado de las siguientes etapas.
Existe una cantidad considerable de algoritmos de preprocesado es por esto que en este capítulo se
expondrá el uso más práctico de las funciones requeridas para preprocesado en el sistema de visión
para granos de arroz. Esto mismo se realiza para la etapa de la segmentación, extracción de
parámetros y análisis de la información.
2.6 Segmentación.
Segmentar una imagen digital significa dividirla en zonas disjuntas e individualizadas. Es decir,
consiste en diferenciar los diversos objetos y dónde se encuentran del fondo, que puede ser más o
menos complejo, de la imagen.
Al final de la etapa de segmentación, se tienen que conocer perfectamente los objetos que hay para
extraer las características propias de cada uno de ellos. Además, cada pixel de la imagen tiene que
tener una etiqueta que los defina, de forma que simplemente por agrupación de puntos con la misma
etiqueta y conectados espacialmente, se pueda determinar la lista de objetos (estos objetos son
realmente zonas o regiones individualizadas dentro de la imagen, ya que un objeto, en el sentido
estricto de la palabra, puede estar repartido en varias regiones diferentes dentro de la imagen
obtenida).
Realmente, la etapa de segmentación es crucial para el reconocimiento de formas pudiéndose

complicar o simplificar enormemente según sea la escena más o menos compleja. En un entorno
industrial puede ocurrir que las escenas se compliquen más o menos, dependiendo del conjunto de
objetos que se tengan que reconocer y de la disposición de estos en el entorno.
Los objetos deben tener niveles de intensidad uniformes, que permitan distinguirlos del fondo
fácilmente.
37
Marco Teórico.
De todo lo expuesto en los párrafos anteriores, se puede afirmar que la etapa de segmentación es, la
verdadera etapa de reconocimiento debido a que la consecuencia de ésta es tener los objetos
perfectamente ubicados en la escena.
2.7. Arroz y características.
El cultivo de arroz en México ocupa el tercer lugar, después del maíz y el trigo. Es sembrado en
varios estados de la República entre los que destaca Sinaloa, Campeche y Veracruz.
En el país al año se cultivan más de 50 mil hectáreas de arroz, con un rendimiento promedio (bajo)
de 4.46 toneladas por hectárea, cifra que representa una producción anual superior a los dos millones
130 mil toneladas.
El arroz (Oryza sativa) es originario de las regiones tropicales pero hoy en día se cultiva en todo el
mundo. China e India producen más del 60% del total mundial. España, con aproximadamente 0,7
millones de toneladas es el segundo productor, tras Italia. Su uso fundamental es para la
alimentación humana pero a menudo se destinan a animales los granos partidos y los excesos
coyunturales. El arroz se almacena entero (arroz vestido), acompañado de su cutícula que le sirve de
protección. Durante el proceso de molienda se retira la cascarilla (aproximadamente el 20% del
grano sin pelar) que es muy rica en sílice y LAD y normalmente va contaminada con tierra. El resto
se denomina arroz moreno que es poco estable debido a la falta de protección y a la alta insaturación
de la grasa. Otro 8 a 10% del peso inicial se elimina durante el proceso de elaboración del arroz para
el consumo humano (7% de salvado y 2% cilindro de arroz) y el resto (72% del peso inicial) es lo
que se denomina arroz blanco o pulido. Un 14% del peso inicial corresponde a granos partidos y
sólo un 58% del producto original se utiliza para alimentación humana.
El análisis y clasificación de granos son procesos fundamentales en las actividades que contribuyen
a añadir valor a la producción de cultivos. Estas actividades se realizan en diferentes etapas
iniciando este proceso en el campo, en el cual se llevan una serie de procedimientos como el venteo,
limpieza por zarandas, entre otros.
El proceso manual de identificación y selección de granos y materiales ajenos a éste, que es llevado
a cabo por técnicas especializadas es lento, con baja reproducibilidad, y de baja calidad. De aquí la
38
Marco Teórico.
importancia técnica y económica en la industria de la agricultura. Para la aplicación de métodos

basados en sistemas automáticos para la rápida identificación y clasificación de semillas con fines de
comercialización.
El grano que actualmente se comercializa a nivel nacional presenta la siguiente clasificación:

El arroz pulido se clasifica en los siguientes grados. (Ver tabla 2.1)
Tabla 2.1 Clasificación de granos de arroz

Grados de calidad a nivel nacional
Morelos Mexicano Comercial
Mexicano Popular
Súper Extra sin mezcla Grado muestra no clasificado
Extra
2.7.1 Especificaciones.
Todos los grupos incluidos en la norma NMX-FF-035-SCFI-2005 en todos sus grados de calidad,
deben cumplir con las siguientes especificaciones físicas:
a) Olor.
Debe ser el característico del grano de arroz sano, seco y limpio. En ningún grado de calidad se
permite el arroz que presente olores de humedad, fermentación, rancidez, enmohecido, putrefacción
o de cualquier otro olor extraño.
b) Humedad.
Se considera que el contenido de humedad apropiado para permitir el manejo, conservación,

procesamiento y almacenamiento debe estar en el orden del 14% (+/-1).
c) Impurezas.
Se acepta el arroz que contenga hasta el 0,5% en peso y las impurezas no podrán rebasar valores de
0,3% de semilla de trompillo y/o sesbania.
39
Marco Teórico.
d) Grado muestra no clasificado.
Lo constituye el arroz que excede las tolerancias establecidas para el grado popular.
El producto objeto de la norma NMX-FF-035-SCFI-2005 debe estar de conformidad con las
especificaciones de calidad que se indican en la tabla 2.2
Tabla 2.2 Especificaciones para los distintos grados de calidad del arroz mexicano
e) Longitud del grano.
La longitud del grano no es considerada como parámetro de calidad pero sí como característica
preferencial del público, por lo tanto se hace la presente clasificación:
1. Arroz corto menor de 5,6 mm

2. Arroz medio 5,6 a 6,5 mm
3. Arroz largo 6,6 a 7,5 mm
4. Arroz extra largo mayor de 7,5 mm
40
Marco Teórico.
La tolerancia máxima de este apartado es de 30% de granos de otra longitud dentro de una misma
variedad. (Figura 2.12)
Arroz Blanco Arroz Marrón Arroz vaporizado
Figura 2.12 Variedades de arroz.
f) Contaminantes típicos
El arroz suele presentar debido a diversos factores todo tipo de contaminantes como son, (piedras,
cristales, y plásticos blancos entre otros) y granos defectuosos como son, (granos picados, rotos,
arroz rojo, granos amarillos, inmaduros, salvado, descolorido y con cáscara); (Figura 2.13)
Picaduras Descolorido Amarillos
Rojos veteados Inmaduros
Cristales Piedras y Material Calizo

Externo
Figura 2.13 Contaminantes y defectos típicos en el arroz
41
Marco Teórico.
2.8 Sumario.
En la primera parte de este capítulo se dio una introducción formal a los aspectos teórico-prácticos,
referentes al sistema de visión artificial, en primera instancia se hizo mención al rol que ocupa en un
sistema automático de inspección siendo sus principales operaciones:
 Interpretar las imágenes

 distinguir los objetos de la escena.
 extraer información de ellos y resolver aspectos más particulares según las necesidades que
se deseen satisfacer.
Por otra parte se analizó cómo se forma y representa una imagen digital por medio de una matriz f
de dimensiones NxM, así como la relación básica entre pixeles. Con la finalidad de entender el
comportamiento de las imágenes cuando se implementan los algoritmos.
Posteriormente, se mencionaron las etapas que se llevan a cabo en un proceso de visión artificial.
Empezando desde la adquisición de imágenes, preprocesado de estas, segmentación, análisis de
resultados entre otros.
Finalmente, se enlistaron los elementos de hardware mínimos necesarios para un sistema de visión
artificial (SVA); se hace mención de sus características, así como sus ventajas y desventajas
dependiendo el tipo hardware.
En este mismo capítulo se incluye la clasificación y características del arroz que se comercializa en
México, con la finalidad de conocer los defectos que presentan, para su posterior análisis.
La información descrita en este capítulo tiene la finalidad de dar a conocer las partes fundamentales
que integran en su totalidad al sistema de inspección por visión artificial; así como los factores
externos que están íntimamente ligados. En el capítulo 3 diseño conceptual, se realizara un análisis
completo de las necesidades que este sistema demanda para su óptimo desempeño.
42
3
DISEÑO CONCEPTUAL
En este capítulo se presentan una serie de requerimientos

basados en los principios de la metodología QFD (Quality
function deployment), con la finalidad de aportar ideas
innovadoras y que el sistema tenga un óptimo desempeño.
Asimismo, se presenta la descripción del proceso y las
características de cada uno de los equipos utilizados a fin de
obtener buenos resultados.
43
Diseño Conceptual
3. Diseño Conceptual.
3.1 Identificación del Cliente.
La metodología QFD (Quality function deployment), permite identificar al cliente y/o clientes
potenciales interesados en el sistema automático de inspección por visión artificial enfocado a la
caracterización de arroz.
El cliente y/o clientes es todo aquel que sea impactado por el proceso automático de inspección para
granos por visión artificial; con la finalidad de aumentar la calidad de sus productos.
El sistema está enfocado directamente a la industria Agroalimentaria. (Granos y alimentos secos) en

particular en sus procesos de identificación, selección y desecho de granos fuera de especificación, y
materiales ajenos. Con el objetivo principal de elevar la calidad de sus productos. Sin embargo este
sistema tiene la virtud de adecuarse con algunos cambios a otros procesos similares de
identificación, selección y desecho de materiales en diversas áreas de la industria
Para el caso de estudio el sistema se enfoca única y exclusivamente a la industria Agroalimentaria en

particular a la industria arrocera. (Figura 3.1)
Figura 3.1 Vista superior de los silos en la Arrocera El Porvenir
44
Diseño Conceptual
3.1.1 Determinación de los requerimientos y expectativas del cliente.
El diseño está basado en los requerimientos de la industria agroalimentaria en México;

específicamente en su sección de Granos y alimentos secos.
En la tabla 3.1, se especifican todos aquellos requisitos y expectativas del cliente sobre lo que espera
obtener en el producto en cuestión, por lo que agrupar según el tipo, definirá aún más los
requerimientos que son obligatorios durante el diseño y ponderar a los que son deseables.
Tabla 3.1 Determinación de los requerimientos y expectativas del cliente.
REQUERIMIENTOS
A El sistema debe ser automático
B La inspección debe ser rápida
C El margen de error en la etapa inspección debe ser nulo
D Se debe inspeccionar el 100% del producto
E No debe haber contacto físico entre el producto y el sistema de inspección
F Tenga una vida útil larga
G El mantenimiento sea fácil en cada uno de sus componentes.
H El sistema sea sustentable
I Que garantice la calidad del producto
J Que exista una interfaz grafica entre el proceso y la estación de control.
QUE
K Eliminar el criterio del operador al momento de realizar la inspección

L El Sistema de inspección debe ser integrado a un sistema de rechazo
M El sistema de inspección debe ser transparente (sin producir tiempo agregado al proceso)
N No debe existir contacto físico entre la etapa de rechazo y el producto
O La etapa de rechazo debe ser eficiente
P El sistema debe contar con 2 depósitos (producto de calidad y producto con defectos)
Q El margen de error en la etapa de rechazo debe ser mínimo
R Sea un equipo seguro
S Que tenga bajo consumo de energía
T Tenga tiempo mínimo de fabricación, ensamble y prueba.
3.1.2 Clasificación de los requerimientos.
Los requerimientos propuestos en la tabla 3.1 se clasificaran en cuatro rubros: en cuanto a su

desempeño funcional, conservación del sistema, el costo de adquisición, y el tiempo de
implementación, dicha clasificación se muestra a continuación.
45
Diseño Conceptual
 DESEMPEÑO FUNCIONAL
A.-El sistema debe ser automático
B.-La inspección debe ser rápida
C.- El margen de error en la etapa inspección debe ser nulo
D.- Se debe inspeccionar el 100% del producto
E.- No debe haber contacto físico entre el producto y el sistema de inspección
F.- Tenga una vida útil larga
I.-Que garantice la calidad del producto
J.- Que exista una interfaz grafica entre el proceso y la estación de control
K.-Eliminar el criterio del operador al momento de realizar la inspección
L.-El Sistema de inspección debe ser integrado a un sistema de rechazo
M.- El sistema de inspección debe ser transparente (sin producir tiempo agregado al proceso)
N.- No debe existir contacto físico entre la etapa de rechazo y el producto
O.- La etapa de rechazo debe ser eficiente
P.- El sistema debe contar con 2 depósitos (producto de calidad y producto con defectos)
Q.- El margen de error en la etapa de rechazo debe ser mínimo
R.- Sea un equipo seguro
S.- Que tenga bajo consumo de energía
 CONSERVACIÓN
G.-El mantenimiento sea fácil en cada uno de sus componentes
H.- El sistema sea sustentable
 TIEMPO
R.- Tenga tiempo mínimo de fabricación, ensamble y prueba.
La clasificación permite identificar los requerimientos deseables, esto con la finalidad de determinar
su importancia relativa y tomarlos en cuenta durante el diseño, esperando como resultado, un grado
de satisfacción mayor en el cliente.
46
Diseño Conceptual
En la tabla 3.2 se organizan todos los requerimientos y expectativas del cliente, señalando aquellos
que son obligatorios y deseables, de acuerdo a su naturaleza. Se entiende como deseable, aquellos
requisitos que se desean incorporar al diseño del producto, aportando correcciones y mejoras durante
la definición del modelo conceptual. El siguiente paso, es separar el grupo de requerimientos
deseables, y llevarlos a una definición de importancia relativa entre cada uno de estos. Así, la
ponderación resultante, se tomará en cuenta durante el desarrollo del sistema.
Tabla 3.2. Identificación de Requerimientos de calidad, obligatorios y deseables.
REQUERIMIENTOS DE CALIDAD OBLIG. DESEA. REF

El sistema debe ser automático ∆ RO1
La inspección debe ser rápida ∆ RO2
El margen de error en la etapa inspección debe ser nulo ∆ RO3
Se debe inspeccionar el 100% del producto ∆ RO4
No debe haber contacto físico entre el producto y el sistema ∆ RO5
de inspección
Tenga una vida útil larga ∆ RD1
Que garantice la calidad del producto ∆ RO6
DESEMPEÑO FUNCIONAL
Que exista una interfaz grafica entre el proceso y la estación ∆ RO7

de control
Eliminar el criterio del operador al momento de realizar la ∆ RO8
inspección
El Sistema de inspección debe ser integrado a un sistema de ∆ RO9
rechazo
El sistema de inspección debe ser transparente (sin producir ∆ RD2
tiempo agregado al proceso)
No debe existir contacto físico entre la etapa de rechazo y el ∆ RO10
producto
La etapa de rechazo debe ser eficiente ∆ RD3
El sistema debe contar con 2 depósitos (producto de calidad y ∆ RO11
producto con defectos)
El margen de error en la etapa de rechazo debe ser mínimo ∆ RD4
Sea un equipo seguro ∆ RO12

Que tenga bajo consumo de energía ∆ RD5
CONSERV. Que el mantenimiento sea fácil en cada uno de sus ∆ RD6
componentes
El sistema sea sustentable ∆ RD8
TIEMPO Tenga tiempo mínimo de fabricación, ensamble y prueba ∆ RD7
En la tabla 3.3. Se hace la separación del grupo de requerimientos deseables.
47
Diseño Conceptual
Tabla 3.3. Identificación de requerimientos de calidad deseables.
REQUERIMIENTOS DESEABLES REFERENCIA

Tenga una vida útil larga RD1
El sistema de inspección debe ser transparente (sin producir tiempo agregado al RD2
proceso)
La etapa de rechazo debe ser eficiente RD3
El margen de error en la etapa de rechazo debe ser mínimo RD4
Que tenga bajo consumo de energía RD5
Que el mantenimiento sea fácil en cada uno de sus componentes RD6
Tenga tiempo mínimo de fabricación, ensamble y prueba RD7
El sistema sea sustentable RD8
3.1.3 Importancia relativa de los requerimientos de calidad
Una vez definido los requisitos de calidad obligatorios y deseables, se llevan a un nivel de
ponderación, donde aquellos requerimientos obtienen una cuantificación de la importancia relativa
entre ellos, esto a través de las siguientes expresiones.
N ( N 1) (3.1)
C
2
Donde:
C=Cantidad total de comparación
N=Numero de requerimientos analizados
( ) (3.2)
Ir x100
C
Donde:
Ir=Valor relativo del requerimiento
C= Cantidad total de comparación
Para tener el cálculo se utilizan dos valores de comparación, los cuales son:
(1). Significa que el requerimiento de comparación es más importante que los demás.
(0). Significa que el requerimiento de comparación no es más importante que los demás.
48
Diseño Conceptual
En la tabla 3.4 se determina el orden de importancia de los requerimientos deseables, es decir, que
existen requisitos deseables más importantes que otros. Se observa que el requerimiento RD3 tiene
mayor nivel de importancia sobre los demás, siendo RD6 y RD7 aquellos con menor valor de
importancia, de manera que el primero puede ser tomado en cuenta más fácilmente que los dos
últimos.
Tabla 3.4. Matriz de Importancia Relativa en los Requerimientos Deseables.
Importancia
importancia
Relativa
Orden de
Requerimientos ∑(+) Ir (%)
RD1
RD2
RD3
RD4
RD5
RD6
RD7
RD8
Deseables
RD1 X 0 0 0 0 1 1 1 3 10.71 5
RD2 1 X 0 0 1 1 1 1 5 17.86 3
RD3 1 1 X 1 1 1 1 1 7 25 1
RD4 1 1 0 X 1 1 1 1 6 21.43 2
RD5 1 0 0 0 X 1 1 1 4 14.29 4
RD6 0 0 0 0 0 X 1 0 1 3.571 7
RD7 0 0 0 0 0 0 X 0 0 0 8
RD8 0 0 0 0 0 1 1 X 2 7.143 6
TOTAL 28 100
3.1.4 Traducción de los requerimientos y expectativas de los clientes en términos mesurables
Con base en los requerimientos, se tienen que llevar a un nivel de traducción cuantificable, es decir,
todos aquellos requerimientos hechos por el cliente hay que definirlos en términos mensurables de
ingeniería, de manera que se asociarán directamente con una unidad de medición; aquellos que no
puedan ser asociados directamente a una unidad de medición, lo harán con un significado explícito,
donde se referirá a la actividad que ésta implica.
3.1.5 Metas de diseño.
En la tabla 3.5 se detallan las metas de diseño, para este punto se realiza la traducción de los
Requerimientos de calidad, a requerimientos de ingeniería.
49
Diseño Conceptual
Tabla 3.5 Traducción de los requerimientos de calidad a requerimientos de ingeniería.
CANTDAD
UNIDAD
REQUERIMIENTOS REQUERIMIENTOS
REF.
DE CALIDAD DE INGENÍERIA
RO1 El sistema debe ser automático -- --

RO2 La inspección debe ser rápida Obturador electrónico 10 µs
(tiempos de exposición ) 1 Seg.
RO3 El margen de error en la etapa inspección Margen de error en la etapa de 0 %
debe ser nulo inspección
RO4 Se debe inspeccionar el 100% del Porcentaje de producto 100 %
producto inspeccionado
RO5 No debe haber contacto físico entre el Distancia entre sistema de 30 cm
producto y el sistema de inspección inspección y el producto
RO6 Que garantice la calidad del producto Porcentaje esperado en el 99 %
control de calidad
RO7 Que exista una interfaz grafica entre el Monitoreo del proceso 1 HMI
proceso y la estación de control
RO8 Eliminar el criterio del operador al Op (cantidad de operarios) 0 Op
momento de realizar la inspección
RO9 El Sistema de inspección debe ser -- --
integrado a un sistema de rechazo
RO10 No debe existir contacto físico entre la Sistema de rechazo por aire 2 BAR
etapa de rechazo y el producto presurizado
RO11 Sea un equipo seguro
R012 El sistema debe contar con 2 depósitos Cantidad de depósitos 2 #
(producto de calidad y producto con
defectos)
RD1 Tenga una vida útil larga Años vida útil ≤10 Años
RD2 El sistema de inspección debe ser Tiempo agregado al proceso 0 Min
transparente (sin producir tiempo
agregado al proceso)
RD3 La etapa de rechazo debe ser eficiente -- --
RD4 El margen de error en la etapa de rechazo Margen de error en la etapa de 3% %
debe ser mínimo rechazo
RD5 Que tenga bajo consumo de energía Consumo de energía por hora ≤x Kwh
RD6 Que el mantenimiento sea fácil en cada Mantenimiento preventivo 3 Hrs
uno de sus componentes
RD7 Tenga tiempo mínimo de fabricación, Ensamble y puesta en marcha 12 hrs
ensamble y prueba del equipo
RD8 El sistema sea sustentable ---- ---
En la tabla 3.5, se muestran los requerimientos traducidos que se derivan de aquellos que no son
directamente mensurables; y enseguida se analiza el por qué de esta situación.
50
Diseño Conceptual
El sistema debe ser automático.- Implica:
 Diseño de la arquitectura de control; algoritmos; y selección de equipo.
El Sistema de inspección debe ser integrado a un sistema de rechazo.- Implica:
 Estudio de las opciones disponibles para implementar un sistema eficiente de rechazo.
Sea fácil de instalar.-Implica:
 No. de personas para la instalación.

 Capacitación previa.
La fabricación y el ensamble sean fáciles.-Implica:
 No. de personas para la fabricación y ensamble.

 Capacitación previa.
 Equipo y maquinaria suficiente.
3.1.6 Plan de calidad.
Esta calidad planificada está en relación directa con el nivel que se quiere alcanzar en cada
requerimiento, teniendo en cuenta la importancia que tiene cada una para el desempeño del sistema.
Para esto se toman en cuenta los valores de la tabla 3.6
Tabla 3.6 Nivel de satisfacción de los requerimientos
VALOR CLASIFICACIÓN
1 No satisface requerimiento.
2 Ligeramente satisface requerimiento.
3 Medianamente satisface requerimiento.
4 En mayor parte satisface requerimiento.
5 Totalmente satisface requerimiento.
51
Diseño Conceptual
En la tabla 3.7 se detalla el nivel de calidad establecido para cada uno de los requerimientos que
debe tener el sistema de inspección por visión artificial
Tabla 3.7 Nivel de calidad establecido para los requerimientos del sistema
NIVEL
REQUERIMIENTOS DE CALIDAD DE REF
CALIDAD
El sistema debe ser automático 5 RO1
La inspección debe ser rápida 5 RO2
El margen de error en la etapa inspección debe ser nulo 5 RO3
Se debe inspeccionar el 100% del producto 5 RO4
No debe haber contacto físico entre el producto y el 5 RO5
sistema de inspección
Tenga una vida útil larga 4 RD1
Que garantice la calidad del producto RO6
DESEMPEÑO FUNCIONAL
Que exista una interfaz grafica entre el proceso y la 5 RO7

estación de control
Eliminar el criterio del operador al momento de realizar 5 RO8
la inspección
El Sistema de inspección debe ser integrado a un sistema 5 RO9
de rechazo
El sistema de inspección debe ser transparente (sin 4 RD2

producir tiempo agregado al proceso)
No debe existir contacto físico entre la etapa de rechazo 4 RO10
y el producto
La etapa de rechazo debe ser eficiente 4 RD3
El sistema debe contar con 2 depósitos (producto de 4 RO11
calidad y producto con defectos)
El margen de error en la etapa de rechazo debe ser 4 RD4
mínimo
Sea un equipo seguro 5 RO12
Que tenga bajo consumo de energía 3 RD5
CONSERV. Que el mantenimiento sea fácil en cada uno de sus 4 RD6
componentes
El sistema sea sustentable 3 RD8
TIEMPO Tenga tiempo mínimo de fabricación, ensamble y prueba 3 RD7
52
Diseño Conceptual
3.2 Desarrollo del diseño conceptual.
3.2.1 Función Global de Servicio del Sistema.
La función global de servicio del sistema en el proceso de diseño, describe el papel a desempeñar
del mismo, es decir la capacidad que tiene para realizar cada elemento o el conjunto del sistema la
cual queda definida de la siguiente manera:
“identificar y desechar granos de arroz fuera de especificación dentro de una población que
presenta cierta homogeneidad en su contenido.”
El esquema de la función global se puede ver en la figura 3.2.
Entradas Salidas
Energía Eléctrica Sistema automático de Energía mecánica

Aire presurizado inspección y rechazo de Aire a presión dirigido
granos fuera de
Captura de Análisis de la imagen
Imagen especificación
Figura 3.2 Diagrama funcional de mayor nivel en el sistema
3.2.2 Análisis funcional descendente.
En el siguiente análisis funcional descendente, se señala gráficamente las funciones del sistema,
partiendo de lo general a lo particular, es decir, desde la función global de servicio en un primer
nivel, hasta la traducción de funciones complementarias en un segundo nivel de traducción, o los
que requieran de acuerdo a la complejidad del sistema.
53
Diseño Conceptual
3.2.2.1. Primer nivel de descomposición funcional.
Transportar el producto
Inspeccionar y rechazar Inspeccionar el producto

granos de arroz
Rechazar el producto
Monitorear el proceso
Figura 3.3 Funciones Primarias del Sistema
3.2.2.2. Segundo y tercer nivel de descomposición funcional.
Función “Transporte del producto”
Banda o cinta
trasportadora
Transportar Movimiento
el producto lineal constante
Motor reductor de CA
Figura 3.4 Función transporte del producto
54
Diseño Conceptual
Función “Inspección del producto”
Sensor óptico
Adquisición de la Iluminación
imagen
Tarjeta de video
Estación de
trabajo
Inspección
del producto Procesamiento de la Software de
imagen visión
Algoritmos de procesamiento
Algoritmos de
control
Toma de decisiones
Comunicaciones
Figura 3.5 Función de inspección del producto
Función “Rechazo de producto fuera de especificación”
Boquillas de
aspersión
Electroválvu
la neumática
Rechazo de Aire a presión Control
producto dirigido neumático Compresor
Tubería para
aire a presión
Figura 3.6 Función rechazo del producto
55
Diseño Conceptual
Función “Monitoreo del proceso”
Software
Comunicació
Monitorizació n
n del proceso
HMI, Pantalla
Sensores
Figura 3.7 Función monitoreo del proceso.
Después de describir las funciones complementarias en su nivel más bajo, se analizan cada una de
ellas. Las funciones técnicas y de servicio para el sistema se describen a continuación y el diagrama
completo se muestra en la figura 3.18.
3.3 Descripción del equipo para la implementación del sistema.
a) Banda o cinta transportadora.-
Una cinta transportadora es un sistema de transporte continuo formado básicamente por una banda
continua que se mueve entre dos tambores. La banda es arrastrada por fricción por uno de los
tambores, que a su vez es accionado por un motor. El otro tambor suele girar libre, sin ningún tipo
de accionamiento, y su función es servir de retorno a la banda. La banda es soportada por rodillos
entre los dos tambores.
Debido al movimiento de la banda el material depositado sobre la banda es transportado hacia el

tambor de accionamiento donde la banda gira y da la vuelta en sentido contrario. En esta zona el
material depositado sobre la banda, es vertido fuera de la misma debido a la acción de la gravedad;
dicho producto se deposita en un recipiente donde se asegura la calidad del producto. (Figura 3.8)
56
Diseño Conceptual
Las dimensiones de la banda transportadora requeridas para la implementación del sistema son las
siguientes:
Tabla 3.8. Dimensiones banda transportadora.
Dimensiones
Largo (1.80m)
Ancho (0.12m)
Figura 3.8 Banda Transportadora Empleada en el Proceso.
b) Motorreductor.
Un motorreductor está compuesto básicamente por la unión de un motor el cual tiene acoplado, un
sistema de reducción de velocidad, generalmente compuesto por engranes. La función de un
motorreductor es disminuir esta velocidad permitir el eficiente funcionamiento de las máquinas,
agregándole por otro lado potencia y fuerza. (Figura 3.9)
El motorreductor requerido para accionar la banda trasportadora presenta las siguientes

características.
Tabla 3.9. Características del motorreductor requerido en banda transportadora.
Potencia (HP) Velocidad (RPM)

Entrada 1/4 Entrada 1100
Salida 3 Salida 52
57
Diseño Conceptual
Figura 3.9. Motorreductor para banda transportadora
Función “Inspección del producto”
 Adquisición de la imagen
c) Sensor óptico
El sensor óptico es básicamente una cámara, que produce una imagen completa del dominio del
problema. El corazón del Sensor SmartImage es el dispositivo acoplado con carga (CCD). Un CCD
está dividido en pequeños elementos llamados pixeles. Cada pixel mide la intensidad de la luz y la
traduce a voltaje eléctrico. La resolución de una imagen se obtiene por el número de pixeles
horizontales y verticales en un CCD. Los Sensores SmartImage Serie 600 usan CCDs con una
resolución de 640x480 pixeles. (Figura 3.10) ver anexo 11.
Para la implementación de este sistema se utiliza como sensor óptico una cámara monocromática de
la marca COGNEX, con las siguientes especificaciones. Tabla 3.10
Tabla 3.10. Especificaciones sensor óptico serie 600
Sensor SmartImage Series 600

Tamaño de la cámara 114mm x 55mm x 40mm
Diámetro del Lente 8mm
Sensor de Imagen CCD de 4.8mm x 3.6mm, resolución de 640x480 pixeles
Obturador electrónico tiempos de exposición 10µs – 1s
Fuente de iluminación luz estroboscópica LED
Fuente de poder DC 15-28V regulado que suministre 210mA a 24 voltios.
Comunicaciones Ethernet de 10/100 megabit
protocolo TCP/IP
58
Diseño Conceptual
Figura 3.10 Sensor óptico (CAMARA COGNEX DVT 535)
d) Tarjeta de adquisición de imagen.
Permite digitalizar la señal de video entregada por el subsistema anterior. La interfaz giga bit
Ethernet NI PCIe-8231 permite obtener un mayor rendimiento desde la cámara de visión,
aumentando la velocidad de adquisición de las imágenes. Con la implementación de esta tarjeta el
uso del CPU es extremadamente bajo. (Figura 3.11) y tabla 3.11
Tabla 3.11 Especificaciones tarjeta NI PCIe-8231
Tarjeta de Adquisición de Imágenes NI PCIe-8231

Sistema Operativo/Objetivo Windows, Real-Time
Soporte de Protocolo Industrial Ethernet/IP , Modbus , Modbus/TCP,
RS-232 , TCP/IP
Número de Puertos de Entrada de la Cámara 1
Temperatura de Operación 0-55 °C
Figura 3.11 Tarjeta NI PCIe-8231
59
Diseño Conceptual
 Procesamiento de la imagen.
e) Estación de trabajo.
El equipo de cómputo requerido para el procesamiento de las imágenes es una DELL PRESICION
T1500. Figura 3.12
Tabla 3.12 Características de la estación de trabajo.

PRESICION T1500
Procesador Quad Core Processor Core i5-750,2.66GHz,8MB
Tarjeta de gráficos NVIDIA QUADRO FX
Memoria 2GB,DDR3,Non-ECC SDRAM Memory,1066MHz,2x1GB
Disco duro 250GB SATA 3.0Gb/s,7200 RPM Hard Drive
Sistema operativo Windows® 7 Professional
Monitor Monitor DELL plano y con pantalla ancha de 17 pulgadas
Figura 3.12 Estación de trabajo
f) Software de visión
LabView es un entorno de programación gráfica diseñado para desarrollar sistemas sofisticados de

medida, pruebas y control usando íconos gráficos que en conjunto se asemeja a un diagrama de
flujo. LabView ofrece una integración incomparable con miles de dispositivos de hardware y brinda
cientos de bibliotecas integradas para análisis avanzado y visualización de datos. (Ver figura 3.13)
60
Diseño Conceptual
En particular se empleara las bibliotecas de visión artificial y procesamiento de imágenes; para el

desarrollo de algoritmos que permitan, tanto la adquisición como el procesamiento de imágenes para
identificar, y posteriormente rechazar el producto fuera de especificación.
Figura 3.13 Software LabView
g) Equipo para comunicaciones.
La comunicación entre la computadora y la etapa de rechazo, se realizará a través de una tarjeta de

adquisición de datos (DAQ Data Acquisition) modelo NI USB-6009 de la marca National
instruments. (Figura 3.14). La DAQ proporciona conexión a ocho canales de entradas analógicas
(AI), dos canales de salida analógica (AO), 12 canales de entrada-salida digital (DIO) y un contador
de 32 bits de alta velocidad con interfaz USB. Tabla 3.13, ver anexo 4.
Tabla 3.13 características de la DAQ
DAQ NI USB-6009
Entradas Digitales Entradas Analógicas Salidas Digitales Salidas Analógicas
12 8 (14 bits, 48 kS/s) 12 2 (12 bits a 150 S/s)
Figura 3.14 Tarjeta de Adquisición de Datos NI-USB 6009
61
Diseño Conceptual
h) Etapa de potencia
Los actuadores de la etapa de rechazo trabajan con un voltaje de 24 V, es por esto que se requiere de
un circuito de acoplamiento de señales que permita comunicar las salidas de la DAQ, con la entrada
de los actuadores. (El voltaje requerido es de 5V a 24V), (figura 3.15).
Figura 3.15 Tarjeta de acoplamiento de señales 5-24 V
 Rechazo de producto fuera de especificación
i) Boquillas de aspersión.
Para lograr separar granos de arroz fuera de especificación dentro de una población que presenta
cierta homogeneidad en su contenido y que se encuentran en caída libre es necesario disparar
chorros de aire intermitentes. Para poder producir el patrón requerido, se implementan una serie de
boquillas de aspersión de la marca WindJet; las cuales producen un patrón de aspersión redondo,
cerrado y dirigido con niveles mínimos de ruido y cuentan con costillas externas para proteger los
orificios contra daños externos. (Ver figura 3.16) y Tabla 3.14, ver anexo 2 y 3.
Figura 3.16 Boquillas de aspersión Windjet AA707
62
Diseño Conceptual
Tabla 3.14 Características de Boquilla AA707
Boquillas Windjet AA707

Máxima presión de operación. 8.6 BAR
Máxima temperatura de operación 86°C
Conexión de entrada ¼ NPT
Consumo de aire 1161 Nl/min (Aire libre por minuto)
Material Plástico ABS
j) Electroválvula neumática
Para lograr obtener chorros de aire intermitentes y controlados es necesario la implementación de

una serie de electroválvulas las cuales son dispositivos diseñados para controlar el flujo de un fluido
a través de un conducto como puede ser una tubería. Una electroválvula tiene dos partes
fundamentales: el solenoide y la válvula. El solenoide convierte energía eléctrica en energía
mecánica para que la válvula pueda actuar y permita tanto la apertura como el cierre del dispositivo
que permite el paso del aire hacia las boquillas de aspersión.
En la implementación de este sistema, se requieren de 4 electroválvulas Jet MHJ9 de FESTO las

cuales integran cualidades como ultra rapidez, ultra duración y ultra reproducibilidad y se reflejan en
el principio de accionamiento directo para tiempos de conmutación inferiores a 1 ms, caudales de
50, 100 y 150 l/min y excelente precisión de repetición inferior a 0,1ms. Además, una duración
superior a los 5 000 millones de operaciones de conmutación. (Figura 3.17), ver anexo 1
Tabla 3.15 Especificaciones de electroválvula FESTO.

EF35554 - VAD-ME-1/8
Presión de operación. 1.5 - 8 BAR
Temperatura de operación 0-40 °C
Figura 3.17 Electroválvula FESTO y símbolo normalizado.
63
Diseño Conceptual
k) Compresor
Para producir aire comprimido se utilizan compresores que elevan la presión del aire al valor de
trabajo deseado. Los mecanismos y mandos neumáticos se alimentan desde una estación central.
Entonces no es necesario calcular ni proyectar la transformación de la energía para cada uno de los
consumidores. El aire comprimido viene de la estación compresora y llega a las instalaciones a
través de tuberías.
3.4 Descripción general del proceso.
Retomando el objetivo principal el cual consiste en desarrollar un sistema eficaz que permita
identificar, seleccionar y desechar granos fuera de especificación, y materiales ajenos a una
población que presenta cierta homogeneidad en su contenido, mediante la adecuación de un
sistema automático de inspección por visión artificial enfocado a la caracterización de arroz como
indicador de calidad. Asimismo, considerando los requerimientos tanto obligatorios como deseables
propuestos anteriormente. Se establecen las características de operación del sistema, el cual está
dividido en 2 partes principales:
1. El sistema automático de inspección.

2. El sistema de rechazo de granos fuera de especificación.
Para el sistema automático de inspección. El producto será transportado a través de una banda
transportadora la cual operara con una velocidad constante; el abastecimiento de producto deberá ser
continuo. El sistema de visión estará compuesto por una cámara monocromática con iluminación
frontal. Finalmente, el procesamiento de las imágenes adquiridas será realizado con el software
labview, el cual enviara información obtenida a una etapa de control para la toma de decisiones.
Para el sistema de rechazo de granos fuera de especificación, la etapa de control será la encargada de
accionar el elemento final de control en este caso una serie de electroválvulas las cuales están
alimentadas por aire presurizado obtenido de un compresor; dicho aire presurizado será expulsado
de forma intermitente, a través de una serie de boquillas de aspersión, las cuales convierte un
volumen de aire comprimido de baja presión en una corriente de aire de alta velocidad, con un
patrón de aspersión redondo, cerrado y dirigido con niveles mínimos de ruido; estas boquillas son
64
Diseño Conceptual
las encargadas de realizar disparos de aire en el momento requerido; con la finalidad de separar
exclusivamente granos de arroz que se encuentran fuera de especificación, identificados por el
sistema de inspección. En la figura 3.18 se observa un esquema general del proceso.
Figura 3.18 Diagrama de proceso
65
Diseño Conceptual
3.5 SUMARIO.
En este capítulo se presento una serie de requerimientos tanto obligatorios como deseables para el
óptimo desempeño del sistema automático de inspección por visión artificial; estos fueron
establecidos basándose en los principios de la metodología QFD (Quality function deployment), con
la finalidad de aportar ideas innovadoras para el posterior diseño del sistema.
Así mismo, se presenta la descripción del proceso y las características de cada uno de los equipos
utilizados tanto en el sistema de visión artificial como en la etapa de rechazo del producto fuera de
especificación.
En el capítulo 4, diseño a detalle, se consideraran todos los requerimientos mencionados

anteriormente y se partirá a desarrollar el diseño considerando el equipo con el que se cuenta,
además de cumplir con el objetivo primordial de este trabajo.
66
4
DISEÑO A DETALLE
En este capítulo se presenta el diseño de los algoritmos

utilizados tanto para la etapa de adquisición y
procesamiento de imágenes así como para la etapa del
control de los actuadores utilizados en el sistema. Se da a
conocer el diseño electrónico para el acoplamiento de
señales y el diagrama neumático para la operación de la
etapa de clasificación de granos.
67
Diseño a Detalle
4. Diseño a detalle.
4.1 Partes principales del sistema de inspección y rechazo.
En este capítulo se dan a conocer el desarrollo de los algoritmos requeridos para la etapa de
adquisición y procesamiento de imágenes, de la misma forma se presenta la programación para el
control de los actuadores empleados en la etapa de rechazo; dichos algoritmos fueron realizados con
el software labview 8.2 de National Instruments.
Dicha programación está compuesta por 3 etapas principales:
 Adquisición de la imagen.
 Procesamiento de la imagen
 Toma de decisiones y control para la etapa de rechazo.
Finalmente se muestra el tipo de comunicaciones requeridas para el óptimo desempeño del sistema
en todas sus etapas. En la figura 4.1, se observa el diagrama general del proceso con la división de
estas tres etapas.
4.2 Adquisición de la imagen.
Existen dos formas para adquirir imágenes la primera consiste en leer imágenes previamente
cargadas directamente desde el disco duro de la computadora; y la segunda adquiriendo imágenes
directamente desde una cámara. Este ultimo método es el idóneo para poder trabajar con un sistema
de inspección en tiempo real.
En el capítulo 3 se menciono que la adquisición de las imágenes seria realizada por medio de una
cámara monocromática de 640x480 pixel de resolución, dicha cámara es fabricada por la marca
COGNEX.
Sin embargo el diseño de los algoritmos para esta etapa fueron desarrollados con el software
labview 8.2 de National Instruments. El cual trabaja con cámaras de la misma marca. Es por esto,
que fue necesario implementar un algoritmo denominado “Evento” para lograr la compatibilidad
entre estos dos fabricantes. En la figura 4.2, se muestra el diseño del algoritmo denominado evento;
68
Diseño a Detalle
el cual fue requerido para realizar la adquisición de imágenes directamente con la cámara Cognex.
DVT 500.
Figura 4.1 Diagrama de proceso por etapas.
69
Diseño a Detalle
Figura 4.2 Algoritmo adquisición de la imagen (Evento).
Para lograr una óptima adquisición de imágenes, es necesario añadir un algoritmo de control el cual
nos permite modificar el tiempo de disparo de la cámara, con la finalidad de hacer más flexible el
proceso, y de esta forma poder manejar distintos tiempos de inspección, la escala de graduación está
dada en milisegundos. El diseño de este algoritmo se puede ver en la figura 4.3
Figura 4.3 Algoritmo de control para la etapa de adquisición de la imagen.
El algoritmo para la etapa de adquisición de imágenes opera en un siclo repetitivo tal y como se
muestra en el diagrama de la figura 4.4
70
Diseño a Detalle
Figura 4.4 Diagrama de operación.
71
Diseño a Detalle
4.3 Procesamiento de la imagen.
La segunda etapa para el sistema de inspección consiste en el procesamiento de la imagen, es aquí

donde se deben considerar distintos factores, en primer lugar el algoritmo debe trabajar con la
imagen previamente adquirida, es por esto que una primera instancia el programa lee la imagen para
posteriormente aplicar una serie de mejoras en su morfología; es decir en ocasiones la imagen
presenta ciertas deficiencias como son: bajo contraste, zonas con mayor iluminación entre otras, las
cuales hacen imposible el posterior procesamiento de la imagen.
Es por esto que el algoritmo está diseñado para aplicar ciertas operaciones morfológicas que son
requeridas para corregir las deficiencias de la etapa anterior en este caso la adquisición de la imagen;
esta serie de operaciones se implementan bajo el siguiente orden.
1) Brillo y contraste de la imagen

2) Apertura de la imagen
3) Erosión
4) Remover objetos de los bordes
5) Separar objetos
6) Detectar el total de objetos
7) Detectar objetos fuera de especificación.
Después de aplicar la última operación morfológica el resultado esperado es una imagen nítida y
con los parámetros requeridos para la posterior toma de decisiones.
Un segundo factor sumamente importante es que el sistema cuente con una interfaz entre el proceso
y el operador. Es por esto que se debe crear una imagen dinámica en el panel frontal; el cual trabaja
con una memoria temporal. Y en la cual se puede visualizar el procesamiento de las imágenes para
la posterior toma de decisiones.
El algoritmo para el procesamiento de las imágenes trabaja en su conjunto bajo un algoritmo general
(figura 4.5), del cual se desprenden una serie de sub-algoritmos para cada caso. Los cuales se
muestran posteriormente.
72
Diseño a Detalle
Figura 4.5 Algoritmo general para la etapa del procesamiento de la imagen.
Figura 4.6 Diagrama general de operación del sistema.
En la figura 4.6 Podemos apreciar las cuatro operaciones básicas para la etapa del procesamiento de
la imagen; en primer lugar el algoritmo debe leer la imagen, para posteriormente introducirla en el
asistente de visión el cual implementa las cinco primeras operaciones morfológicas descritas
anteriormente.
El siguiente paso es la detección de objetos el cual nos da la cantidad exacta de objetos en la imagen,
y finaliza con la inspección en el cual el algoritmo identifica los objetos que se encuentran fuera de
especificación. Más a delante se mostraran los algoritmos completos para cada una de estas etapas.
73
Diseño a Detalle
Figura 4.7 Algoritmo: Operación morfológica No. 1 Brillo y contraste de la imagen
Figura 4.8 Algoritmo: Operación morfológica No. 2 y 3 Apertura de la imagen y erosión.
74
Diseño a Detalle
Figura 4.9 Algoritmo: Operación morfológica No. 4 Remover objetos de los bordes
El algoritmo para las operaciones morfológicas 6 y 7 (Detectar Objetos totales y fuera de

especificación) está compuesto por una estructura de 12 secuencias en la figura 4.10, se muestra la
secuencia numero 1. En la cual este algoritmo realiza las siguientes operaciones:
 Convierte un rectángulo envolvente en una región de interés para cada objeto.

 Transforma la región de interés en un nuevo sistema de coordenadas.
 Delimita la coordenada [0,0] en la esquina superior derecha de la imagen.
Figura 4.10 Algoritmo operación morfológica 6 y 7; secuencia 1
75
Diseño a Detalle
Después de la ejecución de la secuencia 1, el algoritmo inicia la ejecución de la secuencia 2, en el

cual este extrae la porción de la imagen correspondiente a la región de interés que se encuentra
dentro del rectángulo delimitador. (Figura 4.11)
Para la secuencia 3, el algoritmo identifica la totalidad de regiones de interés; asegura que se

encuentren dentro de las especificaciones preestablecidas, y de ser así estas son aprobadas (figura
4.12).
76
Diseño a Detalle
En la secuencia 4 el algoritmo revisa las características del umbral de la imagen y se asegura de que
el resultado es una imagen de 8 bits; cuando estos valores son ciertos el algoritmo procede a
ejecutar la siguiente secuencia. (Figura 4.13)
Al ejecutarse la secuencia 5 el algoritmo se encarga de no tomar en cuenta las regiones de interés

localizadas en los bordes de la imagen; debido a que estas pueden estar cortadas por la imagen
tomada; así también los objetos que no forman parte de la región de interés no son tomados en
cuenta. (Figura 4.14)
77
Diseño a Detalle
Debido a que la imagen con la que se trabaja es binaria; es decir en blanco y negro, en ocasiones
existen pequeños orificios incrustados en la imagen los cuales deben ser rellenados con el color
predominante en su exterior ya sea blanco o negro; es por esto que en la secuencia 6 y 7 el algoritmo
de la figura 4.15 y 4.16, realiza esta operación de calibración de imagen.
78
Diseño a Detalle
En la secuencia 8 el algoritmo de la figura 4.17, es el encargado de aplicar un filtro para eliminar

regiones de interés que no se encuentran dentro de los límites preestablecidos
79
Diseño a Detalle
Finalmente uno de las secuencias más importantes es la número 9, (figura 4.18), en esta el algoritmo
se encarga de calcular y registrar los parámetros de los objetos encontrados los cuales se encuentra
fuera de especificación. Dentro de los resultados que nos arroja podemos mencionar los siguientes:
 El numero de objetos encontrados.

 El área en pixeles de dichos objetos.
 La posición del centro del objeto en el eje X.
 La posición del centro del objeto en el eje Y.
Estos resultados son desplegados con los siguientes arreglos de datos (Figura 4.19), los cuales son
esenciales para la última etapa del sistema en la cual se hace uso de estos valores para la posterior
toma de decisiones.
Figura 4.19 Arreglos de datos para desplegar resultados
80
Diseño a Detalle
Después de que la imagen inicial es procesada la secuencia 10, despliega de forma temporal esta
imagen en pantalla con la totalidad de los objetos encontrados, los cuales se encuentran fuera de
especificación; estos se visualizan dentro de un rectángulo de color rojo, y además se encuentran
enumerados en un orden ascendente sobre el eje Y. (Figura 4.20)
Al finalizar esta secuencia las últimas dos secuencias, 11 y 12, tienen la función de eliminar de
forma permanente la imagen temporal; llegando así el ciclo final y dando pauta para empezar de
nuevo el ciclo con una nueva imagen entregada por la etapa adquisición. (Figura 4.21, y 4.22), este
ciclo se repite tantas veces como imágenes entregue la etapa de adquisición.
81
Diseño a Detalle
82
Diseño a Detalle
4.4 Toma de decisiones.
La toma de decisiones representa la última etapa del ciclo del sistema y es la encargada de
comunicar al sistema de inspección con el elemento final de control, en este caso electroválvulas; es
sin duda la más importante debido a que es capaz de interpretar los resultados obtenidos de etapas
anteriores y tomar una serie de decisiones las cuales cumplan con el objetivo primordial del sistema
de inspección y rechazo. (Figura 4.23)
La etapa de toma de decisiones opera con un algoritmo de control el cual opera con 5 secuencias, la
primera de estas tiene por función desplegar resultados numéricos obtenidos en la etapa anterior en
una interfaz de comunicación con el usuario (figura 4.24), en dicha interfaz los resultados que se
visualizan son los siguientes:
 El numero de objetos encontrados fuera de especificación

En lo que respecta a la segunda secuencia esta tiene la función de activar un indicador en color rojo
para avisar que el proceso empieza a reconocer granos fuera de especificación (Figura 4.25), y da la
pauta para el envió de datos a la secuencia siguiente; (Figura 4.26), estos datos se acumulan en un
arreglo denominado administrador, el cual se encarga de distribuir la información al control
principal del algoritmo, ubicado en la secuencia 4.
Figura 4.23 Integración sistema de inspección y sistema de rechazo
83
Diseño a Detalle
Figura 4.24 Algoritmo de control; secuencia 1
84
Diseño a Detalle
En la secuencia 4 el algoritmo está diseñado para interactuar con el usuario, y de esta forma solicitar
valores que permitan el correcto desempeño del sistema; en primer lugar nos solicita introducir la
velocidad a la que opera la banda transportadora en mm/seg. El sistema si bien puede operar con
distintas velocidades no es apto para trabajar con velocidades que superen las conmutaciones que
puede realizar una electroválvula Jet, la cual es cercana a 0.01 milisegundos entre intervalos de
conmutación; en el capítulo 5 se abordara a fondo esta situación.
En segunda instancia el programa solicita introducir la distancia del recorrido de la banda

transportadora desde la coordenada (0,0) hasta el final de esta. Dicho valor esta dado en mm.
85
Diseño a Detalle
Con estas variables introducidas el algoritmo tiene la capacidad de calcular el tiempo exacto en el
cual cada uno de los granos recorre de inicio a fin la longitud de la banda transportadora en el eje Y.
(Figura 4.27a y 4.27b).
En esta misma secuencia el algoritmo analiza la localización de los granos en el eje X, y los clasifica
en 8 secciones denominadas (A, B, C, D, E, F, G, H) las cuales en conjunto abarcan la totalidad de
la longitud transversal de la banda transportadora la cual es igual a 8 cm. Estos datos son
almacenados en un nuevo arreglo administrador; para su posterior envió a la secuencia siguiente.
Figura 4.27a. Algoritmo de control; secuencia 4
86
Diseño a Detalle
Figura 4.27b. Algoritmo de control; secuencia 4
Los datos de la secuencia 4 son administrados y enviados a la secuencia 5. La cual tiene dos
funciones principales; la primera de ellas consiste en realizar el conteo de los tiempos almacenados
en el arreglo administrador de la secuencia anterior y designar que tiempo le corresponde a cada
una de las 8 secciones (A, B, C, D, E, F, G, H); para posteriormente emitir una serie de señales a la
tarjeta Adquisición de Datos (DAQ). Para así lograr establecer comunicación con los actuadores
finales. (Figura 4.28)
87
Diseño a Detalle
Figura 4.28. Algoritmo de control; secuencia 5
4.5 Diseño de la interfaz
El diseño del panel frontal está dividido en 2 partes principales en la primera se podrá visualizar
mediante una pantalla con una resolución de 640 por 480 pixeles, cada una de la imágenes obtenidas
después del procesamiento de estas; así mismo se tendrá un indicador con el estado actual de la
inspección; un botón con paro total del proceso; y uno más para inicio del proceso de inspección.
(Figura 4.29)
88
Diseño a Detalle
Figura 4.29 Panel frontal. Imágenes procesadas.
En la segunda parte del panel frontal se encuentra la casilla A en donde se introduce la resolución en
el eje x de la cámara en este caso por trabajar con la cámara cognex DVT 535; se sabe que es 640,
en la casilla B se introduce el largo de la banda transportadora tomando como referencia la
coordenada (0,0) en la imagen tomada por la cámara; y hasta el final de la banda. Esta distancia está
dada en mm. Y finalmente se introduce la velocidad de la banda transportadora; la cual está dada en
cuadros de la imagen adquirida por segundo.
89
Diseño a Detalle
Además de estos datos a introducir; el panel frontal muestra en pantalla el numero de granos fuera
de especificación por imagen tomada; la las coordenadas en el eje (X, Y) de cada uno de estos
granos; y las boquillas que serán accionadas para la intercepción y rechazo de estos. Ver (figura
4.30).
Figura 4.30 Panel frontal. Segunda parte.
4.6 Circuito de Acoplamiento de Señales.
Los actuadores de la etapa de rechazo trabajan con un voltaje de 24 VCD, es por esto que se requiere
de un circuito de acoplamiento de señales que permita comunicar las salidas de la DAQ, con la
entrada de los actuadores. (El voltaje requerido es de 5V a 24V). (Figura 4.31 y 4.32), ver anexo 7 y
9.
90
Diseño a Detalle
Figura 4.31 Diagrama electrónico del circuito de acoplamiento de señales 5-24 Vcd.
La conexión física para esta tarjeta se visualiza en la figura 4.33, en donde se indica los bornes en
los que se debe alimentar con 5 y 24 Vcd, respectivamente y los bornes de entradas de GND
Figura 4.32 Diagrama PCB del circuito de acoplamiento de señales.
91
Diseño a Detalle
Figura 4.33 Opto acoplamiento de 5V a 24V
4.7 Diagrama neumático para la etapa de rechazo.
El sistema de rechazo estará conformado por una serie de electroválvulas de conmutación rápida de
2/2 vías. Dicho proceso requiere de características especiales como son: ultra rapidez, ultra duración
y ultra reproducibilidad
La válvula Jet MHJ9 de FESTO integra todas estas cualidades y se reflejan en el principio de
accionamiento directo para tiempos de conmutación inferiores a 1 ms, caudales de 50, 100 y 150
l/min y excelente precisión de repetición inferior a 0,1ms. Además, una duración superior a los
5000 millones de operaciones de conmutación. (Figura 4.35)
92
Diseño a Detalle
Estas electroválvulas reciben señales para su accionamiento directamente de la tarjeta de

acoplamiento de señales; así también están alimentadas por aire presurizado obtenido de un
compresor; dicho aire presurizado será expulsado de forma intermitente, a través de 8 boquillas de
aspersión, el cual convierte un volumen de aire comprimido de baja presión en una corriente de aire
de alta velocidad, con un patrón de aspersión redondo, cerrado y dirigido con niveles mínimos de
ruido. En la figura 4.34 podemos apreciar el circuito neumático para esta etapa.
Figura 4.34 Diagrama neumático para el control de aire en la etapa de rechazo.
Figura 4.35 Válvula Jet MHJ9 de FESTO
93
Diseño a Detalle
4.8 SUMARIO.
En la primera sección de este capítulo 4 se dan a conocer las tres partes principales que integran en
su totalidad al sistema de inspección por visión artificial.
Posteriormente se describe a grandes rasgos la función de cada una de estas etapas; se da a conocer
el diseño de los algoritmos utilizados para estas, y se describe la operación que realiza cada
algoritmo, para el óptimo desempeño del sistema.
En una segunda sección se da a conocer el diseño de una tarjeta electrónica para el acoplamiento de
señales entre la tarjeta de adquisición de datos (DAQ), y la etapa de los actuadores.
Finalmente se muestra el diseño de la etapa neumática, integrada por cuatro electroválvulas y

boquillas de aspersión; se describen las características necesarias para un excelente desempeño para
la etapa de clasificación de granos.
94
5
ANÁLISIS DE LOS
RESULTADOS
En este capítulo se presenta la interpretación de

resultados obtenidos con la implementación e
integración del sistema en su totalidad, dichos
resultados se presentan en el orden en el cual fueron
obtenidos; recordando que el sistema está compuesto
por tres etapas principales, y cada una de estas requiere
de un análisis, para poder establecer una conclusión
final sobre este trabajo.
95
Análisis de resultados.
5. Análisis de Resultados.
En este capítulo se presenta la interpretación de resultados obtenidos con la implementación e

integración del sistema en su totalidad, dichos resultados se presentan en el orden en el cual fueron
obtenidos; recordando que el sistema está compuesto por tres etapas principales, y cada una de estas
requiere de un análisis, para poder establecer una conclusión final sobre el trabajo realizado; y de
esta forma dar a conocer las aportaciones obtenidas, así mismo se presenta una serie de propuestas
con el propósito de desarrollar trabajos a futuro sobre esta línea de investigación.
5.1 Análisis de resultados para la etapa de adquisición de imágenes.
La adquisición de imágenes se realizo con el sensor de visión Cognex DVT 535 y el algoritmo
denominado evento que se diseño para la comunicación entre el software labview y el sensor de
visión. Permito adquirir imágenes en formato de archivo BMP (Bit Map), con una resolución de
640x480 pixeles y un modelo de color RGB (Red, Green, Blue), como se muestra en la figura 5.4.
Aunado a esto se diseño un algoritmo para controlar los disparos programados del sensor de visión
el cual opero de forma correcta permitiendo la velocidad de adquisición máxima del sensor el cual
fue de 60 fps (marcos por segundo).
Se realizaron pruebas con 3 tipos de iluminación: led, incandescente, y fluorescente; con la finalidad
de implementar un sistema de iluminación eficaz que permitiera la adquisición de imágenes con
excelentes condiciones para su posterior procesamiento.
En la figura 5.1, se observa una imagen adquirida con iluminación incandescente. En la figura 5.2, la
imagen fue adquirida con iluminación tipo led. Y finalmente en la figura 5.3, esta adquisición se
llevo a cabo con iluminación fluorescente; la cual obtuvo las mejores características en cuanto a
nitidez en la imagen. Y fue esta la que se utilizo para las posteriores pruebas del sistema.
96
Figura 5.1 Imagen adquirida con iluminación tipo incandescente.
Figura 5.2 Imagen adquirida con iluminación tipo led.
Figura 5.3 Imagen adquirida con iluminación tipo fluorescente.
97
Figura 5.4 Imagen adquirida resolución 640x480 pixeles
5.2 Análisis de resultados para la etapa de Procesamiento de imágenes.
Al termino de la etapa de adquisición, el programa inicia la etapa del procesamiento de la imagen

por lo tanto este lee la imagen y aplica distintas operaciones morfológicas para mejorar la calidad de
esta; la primera operación aplicada para este caso fue Brillo y contraste de la imagen, debido a que
aun con la implementación de una buena iluminación se debe de corregir ciertas deficiencias en esta.
En la figura 5.5, se puede ver la imagen obtenida después de la implementación de esta operación
morfológica.
Figura 5.5 Aplicación de la primera operación morfológica: Brillo y contraste.
98
Las siguientes dos operaciones morfológicas: Apertura de la imagen. Ver (figura 5.6), y erosión ver
(figura 5.7), fueron implementadas con la finalidad lograr la mayor separación posible entre granos;
para posteriormente proceder al análisis de cada uno de estos, los resultados obtenidos con la
implementación de estas operaciones equivale al 94.1% de granos separados. En una muestra de 22
imágenes analizadas.
Figura 5.6 Aplicación de la segunda operación morfológica: Apertura de imagen.
Figura 5.7 Aplicación de la segunda operación morfológica: Erosión.
Al término de la segunda operación morfológica la imagen pasa por un filtro con la finalidad de
convertir la imagen actual a una imagen denominada binaria, en la cual cada píxel cuenta con solo
99
uno de dos valores posibles 1 o 0. (Blanco y negro) En estas condiciones es más fácil encontrar y
distinguir características de la imagen. Ver (figura 5.8)
Figura 5.8 Aplicación de filtro. Conversión a imagen binaria.
La cuarta operación morfológica consiste en eliminar objetos que se encuentran cortados en los
bordes por el cuadro de la imagen; debido a que estos a pesar de que cumplen con características
dentro de especificación el cuadro de la toma regularmente los corta a la mitad, reduciendo así su
área en pixeles. Para evitar esta circunstancia se hace uso de esta función la cual nos entrega
imágenes con el 100% de granos enteros. (figura 5.9)
Figura 5.9 Aplicación de la cuarta operación morfológica: Remover objetos de los bordes
100
La quinta operación morfológica se utiliza para garantizar la separación de objetos, los cuales
después de la aplicación de los filtros anteriores pudiesen haber incrementado en un mínimo
porcentaje su área en pixeles; ocasionando una integración entre uno o más objetos. Ver (figura
5.10), esta imagen da la pauta para el inicio del proceso de inspección en las últimas dos operaciones
morfológicas.
Figura 5.10 Aplicación de la quinta operación morfológica: Separar objetos.
En la sexta y séptima operación morfológica están dedicadas a la inspección del producto, en una
primera etapa el algoritmo determina cuantos objetos se encuentran en la imagen así como el área en
pixeles de cada uno de estos. Ver (figura 5.11), sabiendo que el área promedio de un arroz que se
encuentra dentro de especificación. Es mayor a 180 pixeles, se establece el siguiente rango. Tabla
5.1
Tabla 5.1 Rango para la inspección del producto.
Producto Tamaño mínimo del objeto Tamaño máximo del objeto

(pixeles) (pixeles)
Arroz de calidad 181 360
Arroz de baja calidad 1 180
Estos valores son variables, y dependen de la calidad de producto que se requiera; es como se
establecerán los nuevos parámetros.
101
Figura 5.11 Aplicación de la sexta operación morfológica: Detectar el total de objetos.
Finalmente en la última operación morfológica el algoritmo determina el total de objetos que se

encuentran fuera de especificación basándose en los rangos establecidos en la tabla 5.1, ver (figura
5.12), y se procede a la escritura de datos informativos, los cuales son requeridos en la en la última
etapa del sistema para el rechazo de estos objetos.
Figura 5.12 Aplicación de la séptima operación morfológica: Detectar objetos fuera de especificación.
102
5.2.1 Datos obtenidos después del procesamiento de la imagen.
Al término del procesamiento de imágenes el programa da a conocer los siguientes datos con
respecto a la imagen analizada. Ver (figura 5.13)
 El numero de objetos encontrados fuera de especificación

 El tamaño del objeto encontrado en pixeles
Figura 5.13 datos obtenidos después del procesamiento de las imágenes
En la grafica de la figura 5.14, se representa una muestra con 20 imágenes analizadas en la cual se
presenta el total de granos fuera de especificación por cada imagen; así mismo en la tabla 5.2 se
establecen los valores más relevantes para esta etapa.
103
Tabla 5.2 Valores relevantes para la etapa de inspección de granos

Concepto (Granos rechazados) Valor
Máximo 35
Mínimo 8
Media Geométrica 14.73
Desviación estándar 8.01
Figura 5.14 Total de granos rechazados en una muestra de 20 imágenes analizadas.
5.3 Análisis de resultados: toma de decisiones y control para la etapa de rechazo.
El objetivo primordial para esta última etapa es lograr la separación de los granos que se encuentran
fuera de especificación. Para esto el algoritmo que se diseño en el capítulo anterior para cumplir con
esta tarea; realiza 2 tareas de forma simultánea.
La primera de ellas; consiste en dividir el cuadro de la imagen procesada en 8 secciones (A, B, C, D,

E, F, G, H) sobre el eje x el cual equivale a 640 pixeles; y de esta forma clasificar el total de granos
fuera de especificación en cada una de estas ocho secciones. Cada sección representa una de las 8
boquillas de aspersión que se tienen para su posterior separación. Ver (figura 5.15).
A pesar de que algunas líneas cortan a distintos granos por la mitad, la clasificación por secciones
está garantizada al 100%, debido a que el algoritmo reconoce a cada grano solo con la posición de
104
un pixel ubicado en el centro de cada grano y del cual se conocen sus coordenadas en (x, y). Ver
(figura 5.16)
Figura 5.15 Cuadro de la imagen dividida en ocho partes iguales sobre el eje x.
Figura 5.16 Pixel ubicado en la parte central de cada grano.
105
La segunda tarea que el algoritmo de control realiza de forma simultánea, es la lectura de la

coordenada en el eje (y) de cada grano que se encuentra fuera de especificación. Y conociendo la
distancia total de la banda transportadora a partir de la coordenada (0,0) y hasta el final de esta, ver
(figura 5.17); así como la velocidad de operación de la banda, el algoritmo calcula el tiempo
requerido para ser arrojado en caída libre. Ver ecuación 5.1
d (5.1)
t
v
Donde:
v= Velocidad de la banda transportadora.

d= Distancia de la coordenada (0,0), al final de la banda.
t= Tiempo del recorrido
A partir de que se reconoce este tiempo el algoritmo ejecuta estos mismo pasos para cada uno de los
granos detectados; sin embargo a partir del segundo grano el programa resta al primer valor de
tiempo, el tiempo numero 2; con la finalidad de conocer el tiempo que se tiene entre un grano y otro;
obteniéndose así los tiempos exactos en que los granos llegan al último punto de la banda
transportadora antes de ser arrojados en caída libre.
En la figura 5.18, se representan los tiempos que existen entre un grano y otro, después del
procesamiento de una imagen en la cual existen catorce granos fuera de especificación, dichos
tiempos se encuentran milisegundos.
Figura 5.17 Distancia de recorrido para granos procesados
106
Figura 5.18 Tiempos que existen entre un grano y otro.
5.3.1 Tiempo de caída libre.
Después de que los granos llegan al último punto de la banda transportadora, estos son arrojados en
caída libre y el sistema de rechazo integrado por ocho boquillas de aspersión es el encargado de
interceptar los granos que fueron identificados con baja calidad en la etapa anterior; para esto es
necesario agregar un lapso de tiempo más. El cual es conocido como tiempo de caída libre. Para esto
se hace uso de la ecuación general del movimiento, ver ecuación 5.2
1 2 (5.2)
s v0t gt
2
Donde:
t Tiempo
d Dis tan cia 0.1m
g gravedad 9.8m / s 2
107
Considerando que la velocidad inicial de los granos de arroz es igual a cero; y recordando que se
debe conocer el tiempo en el que un grano de arroz recorre una distancia de 0.1 metros en caída
libre, se emplea la ecuación 5.3; ver anexo 13.
2d (5.3)
t
g
Donde:
t Tiempo
d Dis tan cia 0.1m
g gravedad 9.8m / s 2
Aplicando la ecuación 5.3 obtenemos un tiempo de 142.85 milisegundos, el cual se agregara al

tiempo obtenido en la etapa anterior. Para así tener el tiempo final con el cual se accionara el
elemento final de control, en este caso 8 electroválvulas; para dejar pasar corrientes de aire de alta
velocidad intermitentes. En la figura 5.19, se observa los resultados de los tiempos finales de
accionamiento de una imagen analizada con 14 granos fuera de especificación, dichos tiempos están
dados en milisegundos.
Figura 5.19 Tiempos de accionamiento para una imagen analizada con 14 objetos detectados.
108
5.4 Análisis del desempeño del control y actuadores.
Con la finalidad de verificar el buen desempeño de las electroválvulas Jet MHJ9 de FESTO,
empleadas en el proceso de rechazo de granos de arroz que se encuentra fuera de especificación; se
realizo un análisis de la cantidad de disparos requeridos para separar el producto; se considero un
tiempo de inspección de 1 imagen por segundo, se analizaron 20 imágenes; y las electroválvulas
analizadas fueron (A, C, E, G,). El resultado de este análisis se muestra en las graficas de la (figuras
5.20, 5.21, 5.22 y 5.23)
Figura 5.20 Grafica del numero de accionamientos por segundo de la electroválvula A.
Figura 5.21 Grafica del numero de accionamientos por segundo de la electroválvula C.
109
Figura 5.22 Grafica del numero de accionamientos por segundo de la electroválvula E.
Figura 5.23 Grafica del numero de accionamientos por segundo de la electroválvula G.
Analizando el desempeño de las electroválvulas en las graficas anteriores podemos determinar que
el numero de conmutaciones para la velocidad de prueba la cual es igual a una imagen por segundo
fue de seis como máximo y un mínimo de cero; suponiendo que estas trabajaran las 24 horas del día.
110
1_ día 86400 _ segundos

Conmutaciones _ por _ día 86400s 6c 518400c.día
Si consideramos que la vida útil de esta electroválvula equivale a 5000,000,000 de conmutaciones

tenemos:
5000, 000, 000c

Vida _ útil
518400c.dia
Vida _ útil 9645.06 _ días 26.42 _ Años
El análisis anterior demuestra que está garantizada la implementación de estos equipos para el
desempeño del sistema. En cuanto a duración.
5.4.1 Análisis del tiempo de conmutación on/off.
En el siguiente análisis se verificar el tiempo que el proceso demanda a los actuadores para
garantizar la intercepción de granos que se encuentran a distancias muy estrechas entre uno y otro;
en la grafica de la (figura 5.24), se muestran los tiempos mínimos de conmutación obtenidos de
una inspección rutinaria en la cual la velocidad de inspección es de una imagen por segundo; para
este análisis se tomo una muestra de 20 imágenes.
Figura 5.24 Grafica de tiempos mínimos de conmutación requeridos en el proceso.
111
En la grafica de la figura 5.24 se observa que cerca del 20% del total de las imágenes analizadas
demandan tiempos de conmutación cercanos a 1 milisegundo. La imagen No. 3 analizada presento el
tiempo más corto el cual fue de 1.07 ms. Las electroválvulas implementadas para esta función
garantizan un tiempo de conmutación ON-OFF de 1 ms. Ver (figura 5.25), por lo tanto el sistema de
intercepción de granos fuera de especificación (figura 5.26), puede operar dentro de un rango +/-
0.07 milisegundos.
Figura 5.25 Tiempo de conmutación de electroválvula MHJ9
Figura 5.26 Sistema de intercepción de granos compuesto por electroválvulas y boquillas de aspersión.
112
5.6 Análisis del porcentaje de granos interceptados.

Este análisis se llevo a cabo tomando en cuenta el número de granos interceptados el cual fue de 341
después de una inspección de 20 imágenes. Ver (figura 5.29), para esto se partió del análisis del total
de granos detectados fuera de especificación de la grafica 5.14, en la cual se detecto 323 granos
fuera de especificación. Ver grafico de la (figura 5.27)
Figura 5.27 Total de granos detectados e interceptados.
Posteriormente se realizo una segunda inspección con el total de granos que fueron interceptados;
con lo cual se obtuvieron los siguientes resultados. Ver grafico de la (figura 5.28)
Figura 5.28 Resultados de la segunda inspección realizada a granos interceptados.
113
Después de analizar los resultados obtenidos en el grafico de la (figura 5.28), se establece que el
sistema tuvo una eficiencia del 97.21% en cuanto a la intercepción de granos que se encontraban
fuera de especificación. Sin embargo el 7.91% del total de los granos interceptados corresponde a
granos que se encuentran dentro de especificación.
Figura 5.29 Sistema de inspección por visión artificial y rechazo de producto fuera de especificación
114
5.6 Análisis del peso promedio de granos fuera de especificación.
Con el total de granos interceptados se procedió a realizar un estudio para determinar el peso
promedio de los granos de arroz; para esto se tomo una muestra de 20 granos y sus pesos se
muestran en la (tabla 5.3)
En la (figura 5.30) se presenta la grafica del total de granos de arroz analizados en cuanto al peso de
cada uno, así mismo se observa el peso promedio de estos granos el cual fue igual a 21.89
miligramos.
Tabla 5.3 Peso del grano de arroz en una muestra de veinte unidades.
No. de grano Peso (mg) No. De grano Peso (mg)

1 15.8 11 23.1
2 18.7 12 23.1
3 19.5 13 23.1
4 19.8 14 23.4
5 20.1 15 23.6
6 20.2 16 24.2
7 20.6 17 24.2
8 20.6 18 24.3
9 21.6 19 24.3
10 22.5 20 25.1
Figura 5.30 Grafica: Promedio del peso de granos rechazados.
115
5.8 SUMARIO.
En este capítulo se presento el análisis de los resultados obtenidos con la implementación e

integración del sistema en su totalidad, dichos resultados se presentaron en el orden en el cual fueron
obtenidos; recordando que el sistema está compuesto por tres etapas principales:
Cada una de estas etapas requirió de un análisis personalizado, con la finalidad de poder establecer
una conclusión final sobre el desempeño del sistema; y de esta forma dar a conocer las aportaciones
obtenidas.
Finalmente presento una serie de propuestas con el propósito de desarrollar trabajos a futuro sobre
esta línea de investigación.
116
Conclusión y Trabajos a Futuro
Conclusión.
El desarrollo de este trabajo se baso en el diseño e implementación de un sistema automático de

inspección por visión artificial, enfocado a la caracterización morfológica de granos de arroz. El cual
se proyecto basado en los requerimientos y expectativas del cliente; con el objetivo primordial de
elevar la calidad del producto.
La integración de este sistema en su totalidad abarcó tres importantes etapas las cuales a pesar de
que cada una de estas realiza una función en específica, trabajan bajo el principio de empuje. Esto es
al término del primer proceso; la información es transmitida a la siguiente, hasta finalizar el proceso
y en un ciclo repetitivo.
La implementación de este sistema permitió un análisis detallado de los resultados obtenidos en

cada una de las etapas que integran al sistema:
1. Adquisición de la imagen: se obtuvieron imágenes con excelentes cualidades como son:

nitidez en general, buen contraste y una excelente iluminación. además de que se integro un
control para graduar la velocidad del obturador de la cámara y de esta forma agregar
flexibilidad en la velocidad de inspección del proceso.
2. Procesamiento de la imagen: debido a que la calidad de las imágenes adquiridas fue buena,
las mejoras que se le agregaron a la imagen para su posterior inspección fueron relativamente
pocas, lo que se tradujo en un menor tiempo de procesamiento, y contribuyo a tener un
proceso más veloz. En cuanto al proceso de inspección; el sistema fue flexible permitió
graduar la calidad en cuanto al tamaño de grano a inspeccionar; y por otro lado se tuvo el
100% de granos perfectamente analizados.
3. Toma de decisiones: esta última etapa es sin duda la más importante, y el cerebro del sistema;
debido a que lee los datos obtenidos de la etapa anterior y procede a tomar una serie de
decisiones para cumplir con el objetivo del sistema.
117
Conclusión y Trabajos a Futuro
La integración de estas tres etapas arrojo un sistema con una excelente capacidad de adquirir
imágenes, procesarlas, y finamente activar una etapa de rechazo de granos de arroz que se
encontraban fuera de especificación, en la cual se obtuvo una eficiencia del 97. 21%.
Sin embargo también se obtuvo un 7.91% del total de los granos interceptados los cuales
correspondían a granos que se encontraban dentro de especificación. Esto se atribuye al número y
características de las boquillas de aspersión utilizadas para la etapa de prueba.
Trabajos a futuro.
El proceso de inspección de granos es muy complejo y requiere de técnicas y equipo especializado.

En esta investigación la inspección de los granos de arroz, estuvo basado en su morfología esto es, la
forma y tamaño del grano, con la finalidad de ofrecer un producto con mejores características para el
consumo nacional.
Sin embargo existen otros factores que afectan la calidad de grano; y muchos de estos solo pueden
ser inspeccionados con sensores de visión a color; los cuales tienen la desventaja de que el
procesamiento de las imágenes es lento y agrega lentitud al proceso. De aquí la idea de diseñar
algoritmos de procesamiento que sean capaces de contrarrestar esta situación, y con ello contar con
un sistema de inspección más completo para este sector.
118
Referencias
Referencias
Bulanon D.M; Kataoka, T. O., Y. & Hiroma T. (2002). "segmentation algorithm for the automatic
recognition of Fuji Apples at harvest." Biosystems Engineering. vol. 83(4): 405-412.
Choi, K. L., G.; Han, Y.J. & Bunn, J. M. (1995). "Tomato maturity evaluation using color image
analysis." Transactions of the American Society of Agriclultural Engineers vol. 38 (1): 171-
176.
Davidson, V. J. R., J. & Chu, T. (2001). "Fuzzy models to predict consumer ratings for biscuits
based on digital features." IEEE Transactions on Fuzzy Systems 9(1): 62-67.
Díaz, R. (2009). Visión Artificial para el control de la calidad y la seguridad alimentaria. Jornada de
innovación en la industria agroalimentaria a través de la automatización y robotización de
procesos. ainia. Valencia España.
Diaz, R. F., G.; Blasco, M.; Blasco, J. & Molto, E. (2000). "The application of a fast algorithm for
the classification of olives by machine vision." Food Research International 33(3/4): 305-
309.
Espinoza, A. V. P., A. G. Marcos, et al. (2006). Técnicas y Algoritmos Básicos

de Visión Artificial. ESPAÑA.
GIRO, S. (2007) "Visión Artificial en la Industria Alimentaria." 1-4.

Gunasekaran, S. D., K. (1994). "Using computer vision for food quality evaluation." Food
Technology 6: 151-154.
Gwartney, B. L. G., X.; Tan, J. & Gerrard, D.E. (1996). "Determining fat content in ground beef via
color image processing." Journal of Muscle Foods 7 (4): 441-451.
Heinemann, P. H. H., R.; Morrow, C.T.; Crassweller, H.J.; Sommer, H.J.; Marrazzo, W.N. & He, B.
(1997). Machine vision based station for grading of Golden Delicious apples, Sensors for
Nondestructive Testing: 239-248.
Lajara Vizcaíno José Rafael, Pelegrí S.J. (2007). "LabView Entorno gráfico de programación"
Alfaomega Marcombo (1) 18-115
Laykin, S. E., Y.; Alchanatis, V.; Regev, R.; Gross, F.; Grinshpun, J.; Bar, E.; Fallik E. & Alkalai,
S. (1999). Development of a quality sorting machine vision and impact. ASAE Annual
International Meeting. Michigan, USA., 993144. 1.
Leemans, V. D., M.F. (2002). "A real time grading methods of apples based on features extracted
from defects." Journal of Food Engineering 61(1): 83-89.
119
Referencias
Legeard, D. M.-M., P.; Camillerapp, J.; Marchal, P. & Leredde, C. (1999). "Real time quality
evaluation of pork hams by colour machine vision." Proceedings of the SPIE The
International Society for Optical Engineering 3652: 138-149.
Liu, J. P., M.R. (1997). Corn whiteness measurement and classification using machine vision. 1997
ASAE Annual International Meeting. Michigan, USA, ASAE, St. Joseph. 973045.
Marty-Mahe, P. M., P. (1997). "Grading turkey carcass by colour machine vision: colour defects
detection." Comptes Rendus de l'Academie d'Agriculture de France 83(2): 128-136.
McConell, R. K. J. H., H. & Blau, Jr. (1995). Color classification of non uniform baked and roasted
foods. Proceedings of the FPAC IV conference. F. p. a. IV: 40-47.
Moltó, E., Blasco, J., & Aleixos, N. (2000). Multispectral, real-time inspection of citrus using a
parallel architecture. In AgEng 2000 Agricultural Engineering into the Third Millennium.
Warwick, UK. 00-AE-001: 2-7.
Moltó, E. R., L.A.; Aleixos, N.; Vázquez, J. & Juste, F. (1998). "Machine Vision for non-destructive
evaluation of fruit quality." Acta Horticulture 421: 85-90.
Nalwa, V. S. (1993). A Guided Tour to Computer Vision.

Ni, B. P., M.R.; Liao, K. & Reid, J.F. (1997). "Design of an automated corn kernel inspection
system for machine vision." Transactions of the ASAE 40(2): 491-497.
Panigrahi, S. M., M.K. & Willsonc, S. (1998). "Evaluations of fractal geometry and invariant
moments for shape classification of corn germplasm." Computers and Electronics in
Agriculture 20(1): 1–20.
Purnell, G. (2004). "Robotic automation for pork primal cutting." Food Technology International 54:
57-58.
Sapirstein, H. D. (1995). Quality control in commercial baking: machine vision inspection of crumb
grain in bread and cake products. Food Processing Automation IV Proceedings of the FPAC
Conference. Michigan, USA, ASAE, St. Joseph: 12-19.
Shaw, W. E. (1990). "Machine vision for detecting defects on fruit and vegetables." Food processing
automation 1: 45-62.
Singh, N. D., M.J.; Johnson, R.S. & Thompson, J. (1992). "Peach maturity grading with color
computer vision." American Society of Agricultural Engineers(93-3029): 23-24.
Storbeck, F. D., Berent (2001). "Fish species recognition using computer vision and neural
network." Fisheries Research 51: 11-15.
Timmermans, A. J. M. (1998). Computer vision system for on line sorting of pot plants based on
learning techniques. USA.
Uthu, H. (2000). "Application of the feature selection method to discriminate digitised wheat
varieties." Journal of Food Engineering 46(3): 211–216.
120
Referencias
Van Hoof, J. E., R. (2001). "Automated vision inspection of broiler carcasses." Fleischwirtschaft
81(11): 96-101.
Wan, Y. N. L., C.M. & Chiou, J.F. (2000). Adaptive classification method for an automatic grain
quality inspection system using machine vision and neural network. ASAE Annual
International Meeting. Michigan, USA., ASAE, St. Joseph. 003094.
Zion, B. S., A. & Karplus, I. (1999). "Sorting fish by computer vision." Computers and Electronics
in Agriculture 23: 175-187.
121
Anexos
Anexo 1. Válvula de conmutación rápida MHJ9
122
Anexos
Anexo 2. Boquilla de aspersión WindJet AA707
123
Anexos
Anexo 3. Boquilla de aspersión WindJet AA707
124
Anexos
Anexo 4. Tarjeta de adquisición de datos (DAQ)
125
Anexos
126
Anexos
127
Anexos
Anexo 7. Especificaciones técnicas optoacoplador 4N35
128
Anexos
Anexo 8. Especificaciones técnicas optoacoplador 4N35
129
Anexos
Anexo 9. Especificaciones técnicas Bus Octal 74LS245
130
Anexos
Anexo 10. Especificaciones técnicas Bus Octal 74LS245
131
Anexos
Anexo 11. Especificaciones del Sistema del sensor de visión COGNEX serie 600
132
Anexos
Anexo 12. Especificaciones del Sistema del sensor de visión COGNEX serie 600.
133
Anexos
ANEXO 13. Distancias requeridas para el óptimo desempeño del sistema de

inspección y rechazo de granos de arroz.
134

Nstituto Olitécnico Acional: E S I M E S E P I U A

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Nstituto Olitécnico Acional: E S I M E S E P I U A

Cargado por

Copyright:

Formatos disponibles

INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERÍA MECÁNICA Y ELÉCTRICA

DISEÑO DE UN SISTEMA AUTOMÁTICO DE INSPECCIÓN

QUE PARA OBTENER EL TÍTULO DE

MAESTRO EN INGENIERÍA DE MANUFACTURA

ING. FRANCISCO JAVIER QUIJADA CAMACHO

DR. EMMANUEL ALEJANDRO MERCHÁN CRUZ

DR. RICARDO GUSTAVO RODRÍGUEZ CAÑIZO

MÉXICO, D.F. DICIEMBRE DEL 2010

Actualmente, en el territorio mexicano se comercializan 3 tipos de calidades de granos (extra,

Estos granos juegan un papel fundamental en la sociedad mexicana y un ingreso masivo de

En este capítulo, se dan a conocer los inicios de

1. Estado del Arte

1.2 Visión artificial en la industria agroalimentaria.

Figura 1.1 Inspección repetitiva en la industria alimentaria.

En (Timmermans, 1998) se menciona que la visión artificial incluye la captura, el procesamiento y

Con la mejora de los sistemas de iluminación y captación de imágenes, y el incremento de la

1.2.1 Sistemas de inspección en alimentos frescos

1.2.2 Sistemas de inspección en frutas y verduras.

Figura 1.2 Análisis de imagen a frutas con hueso.

Figura 1.3. Inspección de la madurez del tomate

La aplicación artificial se ha usado y se sigue usando mucho para la determinación de color en

Figura 1.4. Inspección de la calidad de distintos vegetales

También (Laykin, 1999), desarrollo algoritmos de procesado de imágenes y los implemento en un

1.2.3 Sistemas de inspección en productos cárnicos.

Ya trabajando específicamente en canales (Van Hoof, 2001), se baso en un sistema de video de

1.2.4 Sistemas de inspección en productos de panadería.

Figura 1.6. Inspección de la estructura interna del pan

Figura 1.7. Estimación de características físicas de galletas.

1.2.5 Sistemas de inspección en granos y alimentos secos

Además de la identificación y clasificación de grano, la identificación temprana de semillas de otras

Figura 1.8. Granos de una sola especie.

1.3 Visión Artificial y control de calidad

En cualquier proceso industrial, la aplicación de visión artificial contribuye a un „control de calidad‟

 Automatizar procesos de control de calidad: detección de defectos y fallos en materia prima,

 Automatizar procesos de clasificación en base a la forma, tamaño o color en materias primas

 Automatizar procesos de producción: ajustar las condiciones de proceso en base a variables

 Automatización de procesos de manipulación y envasado: extracción de coordenadas para su

 Automatizar procesos de detección de cuerpos extraños.

Figura 1.9 Envasado automático mediante robot y sistema de visión.

1.4 Objetivos del proyecto y organización de la tesis.

2. Implementación de los algoritmos de visión, (adquisición y el procesamiento de las

3. Desarrollo de una interfaz grafica.

4. Propuesta de un sistema automático que permita seleccionar y desechar granos fuera de

5. Reducción al 100% del error humano en la etapa de inspección visual.

En el Capítulo 2, Marco teórico, se da una introducción formal a los aspectos teórico-prácticos, en

En el Capítulo 3, diseño conceptual, se utiliza la metodología QFD (Quality Function Deployment)

En el capítulo 5, Análisis de resultados, se presenta la interpretación de resultados obtenidos con la

En este capítulo se da una introducción formal a los

*Se menciona todas las partes que integran el

*Se enuncian los algoritmos de visión, requeridos

*Se describen algunos programas, en los cuales se

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

Figura 2.1 Fases de en el proceso de visión para un ordenador y el hombre

2.2 Formación y representación de la imagen.

En el proceso de formación de la imagen intervienen los siguientes elementos: el objeto, la fuente

f (1,1) f (1, 2) f (1, M )

Donde cada elemento, pixel, da la intensidad de la imagen en ese punto.

2.2.1 Relaciones básicas entre pixeles.

(x + 1, y),(x - 1, y),(x, y + 1),(x, y - 1) (2.2)

(x + 1, y + 1),(x - 1, y - 1),(x - 1, y + 1),(x + 1, y - 1) (2.3)

4 - conectividad. Dos pixeles p y q con valores en V se dicen 4-conectados si q pertenece a N4 (p).

2.2.3 Medidas de distancia.