Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRUJILLO
CURSO:
INGENIERIA DE OPERACIONES 1
DOCENTE:
SANCHEZ GONZALES, ALEXANDER
ALUMNOS:
AVALOS ROJAS BRYAN
HOLGUIN ALARCON ISSAC
LEYVA CRUZ MIGUEL
PORTILLA RIVASPLATA CESAR
RODRIGUEZ DIONICIO ALEXIS
TRUJILLO – LA LIBERTAD
PERÚ
8° CICLO
INTRODUCCION
Las implicaciones de la visión artificial para el futuro son enormes, y los beneficios se
en general, esto debido que posee diversas herramientas como visión hiperespectral,
Hoy en día, cualquier empresa que produzca artículos de acuerdo a un estándar específico
artificial jugará un papel cada vez más indispensable en la eliminación de los riesgos
que "entienda" una escena o la característica también conocida como Visión por
TIPOS
VISIÓN HIPERESPECTRAL:
El término "imagen hiperespectral" fue utilizado por primera vez por (Goetz et al., 1985).
que combina las ventajas de la visión por ordenador tradicional y la espectroscopia para
de una imagen..
Morfología:
representan y describen la forma de la región, tales como bordes, límites, esqueletos, etc.
consiste en incorporar en un objeto todos los puntos de fondo que se conectan al objeto,
y la erosión consiste en eliminar todos los puntos de contorno del objeto, estos puntos son
pixeles que se encuentran en el objeto, pero tiene al menos un píxel vecino fuera del
objeto. La dilatación reduce las diferencias entre dos objetos separados y la erosión
Histograma:
cada nivel de gris en la imagen. El histograma de una imagen digital con niveles de
intensidad en el rango [0, 𝐿 − 1] se define como una función discreta ℎ(𝑟𝑘 ) = 𝑛𝑘, donde
consiste en redistribuir los niveles de gris de la imagen por la reasignación de los valores
Filtro:
filtro consiste en una función de transferencia que al aplicarse a una señal de entrada, se
obtiene una señal de salida según lo que se necesita. Los filtros se clasifican en: filtro
paso bajo, filtro pasa alto y filtro pasa banda. También se clasifican según el dominio de
principales usos de los filtros son suavizar la imagen al uniformizar la intensidad de los
pixeles vecinos, realzar la imagen al aumentar los niveles de intensidad, eliminar ruido y
detectar bordes.
Segmentación:
VISIÓN FRACTAL:
Dimensión fractal:
Fractal es una palabra inventada por Mandelbrot, que proviene del latín “fractus” que
significa roto y el correspondiente verbo en Latín “frangere” que significa “romper para
ampliamente desde el punto de vista de la teoría fractal por Mandelbrot en su obra titulada
formas fragmentadas de objetos naturalmente comunes tales como líneas costeras, nubes
y objetos matemáticos que tienen dimensiones no enteras, por lo tanto la dimensión fractal
A partir de la geometría fractal, se puede inferir que si una línea que tiene una dimensión
de uno trata de ocupar un área, el valor de esta nueva línea estaría entre uno y dos; y de
la misma forma si se tiene un área que tiene una dimensión de dos, pero esta sufre una
serie de alteraciones y por lo tanto tiende a ocupar un volumen, el valor de esta área estaría
entre dos y tres. Con base a lo anterior, es posible utilizar la definición de dimensión
fractal para caracterizar la textura de superficies, y ésta se expresaría como una medida
Mediante una imagen en escala de grises, es posible obtener un área que represente la
hasta ahora no había sido utilizado en combinación con métodos locales de segmentación
como los contornos activos. Las características de texturas estudiadas aquí están basadas,
propuesta para extracción de contornos, está basada en el trabajo de A. Blake et al. [1]
perímetro o área que ocupa el objeto. Los valores obtenidos del número de cajas (N)
Método Box-Counting
El Metodo Box-Counting es el más conocido, debido a su facilidad de implementación.
cantidad de cuadrados necesarios para cubrir toda la forma presente en la imagen, tal
𝐷𝑓 = 𝐿𝑛(𝑛)/𝐿𝑛(𝑁) … … … … . … … … . . (1)
tiene en cuenta la relación existente entre un píxel central y sus vecinos dentro de la
ventana. Realizando el mismo proceso a los demás pixeles dentro de la imagen, se genera
una imagen de texturas a partir de los resultados obtenidos en cada ventana; el anterior
proceso se ilustra en la Figura 2, donde se tiene una imagen de tamaño 7x9 pixeles y una
subventana o ventana movible de 3x3 pixeles, generando así una imagen de salida de
tamaño 5x7 píxeles, cabe anotar que el tamaño de la ventana movible por lo general es
impar.
Figura 2. Técnica de movimiento de ventana
VISIÓN COMPUTACIONAL
nuestros ojos. Es decir, trata de interpretar las imágenes recibidas por dispositivos como
computacional es un área científica que tiene como objetivo desarrollar algoritmos para
2018)
Lograr tal interpretación al mismo nivel que el ser humano es un problema complejo. Sin
para medir el volumen de un producto alimenticio (D.S. Jayas, 2008) . Siendo, además,
este tipo de visión la que proporciona una solución innovadora para la industria en
general.
Durante la década de los 70s se dieron los primeros avances significativos en el campo
de análisis de imágenes por computadora. Donde originalmente, las únicas escenas con
las que se podía tratar eran documentos estáticos y esencialmente bidimensionales, por
tridimensionales y escenas que varían con el tiempo. Todavía falta en gran parte un marco
Otro enfoque fue el propuesto por Waltz y Mackworth en 1975, reduciendo el alcance del
problema a un mundo de bloques blancos mate iluminados sobre fondo negro. Los
bloques podían tener cualquier forma, siempre que todas sus superficies fueran planas y
todos sus bordes rectos. Aunque este enfoque fue útil para experimentar, dadas sus
Por lo que en su libro comenta que. Los problemas de satisfacción de restricciones juegan
Por otro lado, en el aporte a la visión computacional el trabajo de Berthold Horn se enfocó
al conocer el campo vectorial dado por el flujo óptico se pueden encontrar regiones con
mejorar una imagen para su interpretación por una persona mientras que la visión
profundidad, textura, color, etc. Luego el procesamiento de nivel intermedio que agrupa
elementos de nivel bajo para obtener contornos y regiones con el propósito de segmentar.
Ahora se tiene los recientes avances en la visión por computadora han brindado
rendimiento de los cultivos hortofrutícolas es muy importante para una mejor recolección
y planificación comercial y logística. (Peng Wan, 2018). Puesto que el uso y aplicación
importantes, no obstante ante de haber sido lento, durante los últimos años la visión
evaluación de calidad.
VISIÓN TERAHERTZ
explotación de esta región espectral ha sido difícil debido a la falta de una fuente y un
detector adecuados (Shen, 2011) Las imágenes espectroscópicas de Terahertz (THz) son
una técnica no destructiva emergente. La onda THz puede penetrar en muchos materiales
inspección de productos. (Kaiqiang Wang, 2017) . Esta técnica fue ignorada en gran
medida hasta mediados de los años 1990. Esto fue debido a la baja eficiencia de las
prácticas se han visto limitadas por problemas relacionados con el desarrollo de fuentes
puedan estar incrustados en productos alimenticios. Sin embargo, los cuerpos extraños,
MIR, espectroscopia Teraherz tiene la distinta ventaja de que puede penetrar muchos
materiales orgánicos. (por ejemplo, plásticos, papel, piel). (Shen, 2011) Por lo que (Chen
Wang, 2019)comenta Las imágenes Terahertz (THz) son una tecnología emergente para
de los alimentos. (Aifeng Rena, 2019). La tecnología THz presenta técnicas de detección
MASA
sacrificio y despiece, y en los elaborados finales. Una de las tecnologías innovadoras que
Principio de funcionamiento
En la banda del espectro del infrarrojo cercano, la luz es absorbida por la materia en
bandas de absorción asociadas a los enlaces covalentes O-H, C-H y N-H. Por tanto, es
relacionada con algunos compuestos que presentan este tipo de enlaces (agua) o
el empleo de una óptica que es capaz de descomponer la luz en sus diferentes longitudes
en captar una única línea de la muestra en cada imagen, siendo el resultado una imagen
cárnicos
Los productos cárnicos tienen un importante valor como fuente de proteína, energía y
valor por los que el consumidor está dispuesto a pagar un precio según su calidad y sus
se han medido mediante visión hiperespectral con buenos resultados son, por ejemplo, la
terneza en ternera habiendo conseguido estimarla con un rcv2 del 0,91 (ElMasry et al,
2012) midiendo entre 400 y 1.000 nm por reflectancia difusa, o el color en ternera con un
rcv2 del 0,96 para L*, del 0,96 para a* y del 0,97 para b* (Wu et al, 2010). Sobre la
agua presente. En el caso del jamón cocido se han logrado modelos con un rcv2 del 0,87
trabajando en la banda entre 900 y 1.700 nm por reflectancia (Talens et al, 2013). En
2.500 nm logrando un modelo predictivo con un rcv2 del 0,94 (Cervera et al., 2011).
el 0,86 y el 0,89 en filetes de pollo midiendo entre 900 y 1.700 nm por reflectancia (Feng
fecal en carne de ave en canal logrando una capacidad de detección entre el 89% y el 98%
(Yoon et al, 2011) midiendo entre 400 y 1.000 nm por reflectancia. Otro problema
plásticos, insectos, metales, cartón o huesos a partir de 2 milímetros (Díaz R. et al, 2012).
Otro de los problemas abordado con la visión hiperespectral ha sido la clasificación de la
carne en función de su calidad. Aplicando un sistema con una cámara hiperespectral entre
900 y 1.700 nm se consiguió una correcta clasificación de filetes de lomo de cerdo entre
RFN (rojizo, firme y no exudativa), PSE (pálida, suave y exudativa) y DFD (oscura, firme
y seca) mediante clasificación de imágenes a partir de los PCA obtenidos con una
EMULSIONES
recuperación terciaria de petróleo, asfaltos, etc. No obstante, esta revisión hace especial
Los procesos industriales cuentan con un gran número de fases de producción como es el
yogurt que es una emulsión. Actualmente, la tendencia más común que se puede observar,
y que cada vez es más popular en cualquiera de los sectores que podamos imaginar,
incluye aplicaciones de visión artificial que permiten obtener mejores resultados y mayor
Como se puede ver, la cantidad de las aplicaciones con las que se va a trabajar son
ingentes. Sin embargo, todas ellas se pueden agrupar en una de las siguientes cinco
categorías, que representan el conjunto de las aplicaciones industriales relacionadas con
la visión artificial.
ubicación total de la línea de producción, incluyendo los elementos que no forman parte
de los robots, así como transferir los resultados y la información a otras aplicaciones y
Identificación: En cualquier línea de producción no basta con saber dónde están los
elementos, es necesario saber qué elemento es cada uno y las condiciones en las que se
1D y 2D que van a permitir la identificación de cada uno de los elementos que forman
obtener una información mucho más detallada de los objetos que estamos posicionando
información relacionada con el estado de cada uno de los elementos que son verificados,
aportarnos una información muy concreta sobre el estado del producto, que es la relativa
a su tamaño y dimensiones.
Detección de defectos: Finalmente, las aplicaciones industriales destinadas a la detección
anteriores para poder realizar su trabajo de manera eficiente. Este tipo de aplicaciones
van a permitir identificar de manera automática los productos en mal estado y el fallo
concreto de cada uno de ellos, lo que permitirá actuar con mayor rapidez y resolver los
Las aplicaciones industriales van a estar apoyadas por diferentes herramientas que van a
adaptadas de forma singular, por lo que las aplicaciones deberán ser igualmente adaptadas
Los principales sectores en los que van a tener utilidad este tipo de aplicaciones son la
electrónica. Sin embargo, los usos de las aplicaciones industriales también van a estar
El objetivo de este estudio fue medir el contenido de almidón en queso fresco utilizando
de agua lo cual se obtuvo una absorbancia de 620 nm, se procedió a obtener imágenes
Los pasos a seguir para obtener una imagen hiperespectrales son los siguientes:
Primera imagen obtenida
Fig.3: Los espectros promedio representativo para cada uno de los seis tratamientos se
Esto demuestra que los valores más altos de brillo (intensidad) están en el intervalo de
200 - 1000 nm, y cuando aumenta el contenido de almidón, los valores de espectro de
intensidad disminuyen.
Fig.4: Análisis PLSR obtuvo un RMSECV de 0,3979 y un R 2 de 0,9915 (Fig7B)
El análisis PLSR resultados muestra que el valor de la suma mínima de cuadrados de los
cálculo, permite la determinación de las longitudes de onda para el análisis (Fig. 3).
Los valores de longitudes de onda seleccionadas de acuerdo con los coeficientes beta se
zona seria usada para predeciccion de la cantidad de almidon y notar la calidad del
producto
CONCLUSIONES
invasivo y no destructivo.
o espectros superpuestos
el gran número de aplicaciones que se han hecho en el sector cárnico para mejorar
REFERENCIAS BIBLIOGRAFICAS
Goetz, A. F. H., Vane, G., Solomon, J. E., & Rock, B. N. (1985). Imaging
spectrometry for earth remote sensing. Science, 228(4704), 1147-1153.
González, R. C., & Woods, R. E. (2002). Digital Image Processing (2ª Ed.) New
Jersey: Prentice Hall, Inc.
Pu, Y. Y., Feng, Y. Z., & Sun, D. W. (2015). Recent progress of hyperspectral
imaging on quality and safety inspection of fruits and vegetables: a review.
Comprehensive Reviews in Food Science and Food Safety, 14(2), 176-188.
Blake and M. Isard, Active Contours. Springer Verlag, 1998.
Mandelbrot, B. (1977). The Fractal Geometry of Nature, Londres.
Quevedo, R., Mendoza, F., Aguilera, J., Chanona, J., & Gutierrez, G. (2008).
Determination of senescent spotting in banana (Musa cavendish) using fractal
texture Fourier image. Journal of Food Engineering, 84: 509–515.
Chanona, J., Alamilla, L., Gutierrez, G. (2001). Caos y geometría de fractales,
herramientas auxiliares para evaluar la complejidad del entorno biológico.
Biotecnología, 5(3): 117-126.
A.A.Gowena, C. C. (2012). Terahertz time domain spectroscopy and imaging:
Emerging techniques for food process monitoring and quality control. Trends in
Food Science & Technology, 40-46.
Aifeng Rena, A. Z. (2019). State-of-the-art in terahertz sensing for food and water
security – A comprehensive review. Trends in Food Science & Technology, 241-
251.
Alan K.Mackworth, E. C. (1985). The complexity of some polynomial network
consistency algorithms for constraint satisfaction problems. Artificial
Intelligence, 65-74.
Chen Wang, R. Z. (2019). Terahertz spectroscopic imaging with discriminant
analysis for detecting foreign materials among sausages. Food Control, 100-104.
D.S. Jayas, P. G. (2008). Computer Vision Technology for Food Quality. 351-
376.
Gyeongsik Ok, H. J.-W. (2014). Foreign-body detection in dry food using
continuous sub-terahertz wave imaging. Food Control, 284-289.
Horn, B. S. (1980). Determining Optical Flow.
Kaiqiang Wang, D.-W. S. (2017). Emerging non-destructive terahertz
spectroscopic imaging technique: Principle and applications in the agri-food
industry. Trends in Food Science & Technology, 93-105.
Peng Wan, A. T. (2018). A methodology for fresh tomato maturity detection using
computer vision. Computers and Electronics in Agriculture, 43-50.
Rosenfeld, A. (1991). Computer vision—Past, present, and future. Information
Sciences, 241-243.
Shen, Y.-C. (2011). Terahertz pulsed spectroscopy and imaging for
pharmaceutical applications: A review. International Journal of Pharmaceutics,
48-60.
Stojanovic, N., & Drescher, M. (2013). Accelerator-and laser-based sources of
highfield terahertz pulses. Journal of Physics B: Atomic, Molecular and Optical
Physics.
Barbin, D. F., ElMasry, G., Sun, D. -W., & Allen, P. (2012). Non-destructive
determination of chemical composition in intact and minced pork using near-
infrared hyperspectral imaging. Food Chemistry, 138(2–3), 1162–1171.
Cervera L., Fenollosa S., Ávila C. Díaz R. (2011). Determination of the
percentage of intramuscular fat in meat by hyperspectral vision in the near
infrared. VI Congreso Nacional de Ciencia y Tecnología de los Alimentos.
Valencia (Spain)
Díaz R., Cervera L., Fenollosa S., Ávila C., Belenguer J. (2011). Hyperspectral
system for the detection of foreign bodies in meat products. 25th Eurosensors
Conference. Athens (Greece)
ElMasry, G., Sun, D. -W., & Allen, P. (2012). Near-infrared hyperspectral
imaging for predicting colour, pH and tenderness of fresh beef. Journal of Food
Engineering, 110(1), 127–140.
eng, Y. -Z., ElMasry, G., Sun, D. -W., Walsh, D., & Morcy, N. (2012). Near-
infrared hyperspectral imaging and partial least squares regression for rapid and
reagentless determination of Enterobacteriaceae on chicken fillets. Food
Chemistry, 138(2–3), 1829–1836
Talens, P., Mora, L., Morsy, N., Barbin, D. F., ElMasry, G., & Sun, D. -W. (2013).
Prediction of water and protein contents and quality classification of Spanish
cooked ham using NIR hyperspectral imaging. Journal of Food Engineering,
117(3), 272–280.
Wu, J. H., Peng, Y. K., Chen, J. J., Wang, W., Gao, X. D., & Huang, H. (2010).
Study of spatially resolved hyperspectral scattering images for assessing beef
quality characteristics. Spectroscopy and Spectral Analysis, 30(7), 1815–1819.
Yoon, S. C., Park, B., Lawrence, K. C., Windham, W. R., & Heitschmidt, G. W.
(2011). Line-scan hyperspectral imaging system for real-time inspection of
poultry carcasses with fecal material and ingesta. Computers and Electronics in
Agriculture, 79(2), 159–168.