UNIVERSIDAD NACIONAL DE

TRUJILLO

FACULTAD DE CIENCIAS AGROPECUARIAS

“ESCUELA DE INGENIERÍA AGROINDUSTRIAL”

TEMA: “VISION ARTIFICIAL DE MEZCLAS DISPERSAS”

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

Visión artificial es la ventana al mundo de muchos organismos. Su función principal

es reconocer y localizar objetos en el ambiente mediante el procesamiento de las

imágenes. Los sistemas de visión artificial se utilizan ampliamente en la fabricación o en

cualquier industria que requiera precisión y fiabilidad en los procesos de orientación,

medición, inspección o identificación.

Las técnicas de visión artificial han sido amplia-mente utilizadas en la identificación

y análisis de imágenes (Cárdenas & Prieto-Ortíz, 2015) Mediante el uso de técnicas

de adquisición y procesamiento de imágenes, segmentación, extracción de

características sobre los puntos de interés y, finalmente, la aplicación de clasificadores

del tipo bayesiano y red neuronal artificial.

Las implicaciones de la visión artificial para el futuro son enormes, y los beneficios se

extienden a sectores tan variados como la sanidad, la agricultura y el mundo empresarial

en general, esto debido que posee diversas herramientas como visión hiperespectral,

computacional, fractal y más.

Hoy en día, cualquier empresa que produzca artículos de acuerdo a un estándar específico

podría beneficiarse de la visión artificial como parte de su proceso de fabricación.

Con la minimización de riesgos en el foco de los procesos de fabricación, la visión

artificial jugará un papel cada vez más indispensable en la eliminación de los riesgos

asociados con el error humano.

 VISION ARTIFICIAL

La Visión artificial, (Competer Vision) o Visión técnica, es un subcampo de la

inteligencia artificial. El propósito de la visión artificial es programar un computador para

que "entienda" una escena o la característica también conocida como Visión por

Computador (una imagen).

La visión artificial está muy ligada a áreas del procesamiento de la señal o el

reconocimiento de patrones como una imagen que ha sido procesado (adquisición,

segmentación de la imagen, detección de contornos). Un sistema de visión ha de poder

distinguir qué elementos hay en la imagen, eso lleva a procesos de razonamiento,

algoritmos de resolución de problemas (habitualmente satisfacción de restricciones)

TIPOS

VISIÓN HIPERESPECTRAL:

Fundamentos de la imagen hiperespectral:

Con el fin de comprender mejor la técnica de imágenes hiperespectrales, se presenta una

breve introducción de la teoría en la que se basa. Por lo tanto, se proporcionará algunos

principios fundamentales de la técnica de imágenes hiperespectrales. Además, se

presentan algunos conceptos básicos como es el espectro electromagnético, firma

espectral, librerías espectrales, resolución espectral y espacial.

El término "imagen hiperespectral" fue utilizado por primera vez por (Goetz et al., 1985).

La imagen hiperespectral, conocida también como espectroscopia de imagen,

espectrometría de imagen, e imagen química o espectroscópica; es una técnica emergente

que combina las ventajas de la visión por ordenador tradicional y la espectroscopia para

obtener información espacial (localización) y espectral (identificación) de un objeto

simultáneamente. La respuesta de la materia a la luz (onda electromagnética) proporciona

un espectro unidimensional en cada píxel (Pu et al., 2015).

Los métodos de mejora de imágenes se dividen en dos categorías: dominio espacial y

dominio frecuencial. Se pueden combinar las dos categorías anteriores en el

procesamiento de una imagen digital (González & Woods, 2002).

 Los métodos en el dominio espacial se aplican al propio plano de la imagen, estos

consisten en la manipulación directa de los píxeles de una imagen. Dos categorías

principales de estos métodos son las transformaciones de intensidad que operan

en los pixeles individuales y filtrado espacial que opera en las vecindades de

pixeles pertenecientes a la imagen.

 Los métodos en el dominio frecuencial se aplican en la transformada de Fourier

de una imagen..

Muchas técnicas de procesamiento digital de imágenes son capaces de analizar imágenes

multidimensionales como las imágenes hiperespectrales.

Morfología:

La morfología matemática es una técnica para extraer elementos de la imagen que

representan y describen la forma de la región, tales como bordes, límites, esqueletos, etc.

Las operaciones morfológicas binarias son las operaciones de deslizamiento de un

elemento estructurante sobre la imagen. La forma y el tamaño escogido del elemento

estructurante depende de los objetos a analizar.

Hay dos operaciones morfológicas principales: dilatación y erosión. La dilatación

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

elimina detalles demasiado pequeños.

Histograma:

El histograma de la imagen en escala de grises es la frecuencia relativa de aparición de

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

rk es el valor de la intensidad de orden k y nk es el número de píxeles de la imagen con

intensidad rk (González & Woods, 2002). El proceso de ecualización del histograma

consiste en redistribuir los niveles de gris de la imagen por la reasignación de los valores

de brillo de los píxeles. Uno de los principales problemas en la ecualización de histograma

es la presencia de ruido, pues aumenta el contraste y distorsiona la imagen.

Filtro:

Un filtro es un conjunto de operaciones donde el valor de un pixel depende de su anterior

valor y el de los pixeles vecinos. No se modifica la geometría de la imagen resultante. El

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

trabajo: filtros en el dominio del espacio y filtros en el dominio de la frecuencia. Los

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:

La segmentación es la etapa donde la imagen de entrada se separa en cada uno de los

elementos que la integran. La mayoría de los métodos de segmentación se basan en

propiedades de intensidad como la similitud (referida a las regiones) y la discontinuidad

(referida a los bordes). Algunas técnicas de segmentación son:

 Segmentación por umbralización.

 Segmentación por homogeneidad: algoritmo de crecimiento de regiones y la

segmentación por División y Fusión.

 Segmentación basada en bordes.

 Segmentación basada en modelos.

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

crear fragmentos irregulares”. La descripción de los objetos irregulares fue desarrollada

ampliamente desde el punto de vista de la teoría fractal por Mandelbrot en su obra titulada

“The Fractal Geometry of Nature”, en donde se refiere a la geometría de lo irregular o

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

tiene valores no enteros (Mandelbrot, 1977).

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

de la rugosidad o irregularidad de la superficie de una imagen (Quevedo y col., 2008).

Mediante una imagen en escala de grises, es posible obtener un área que represente la

textura de la superficie de la imagen, esto considerando los niveles en escala de grises de

los pixeles. A la superficie generada a partir de la imagen en escala de grises se le llama

superficie de intensidad (Quevedo y col., 2008). A la dimensión fractal de superficies

también se le puede llamar dimensión fractal de textura.

El análisis de la dimensión fractal se ha utilizado como descriptor en la última década,

fundamentalmente para la segmentación basada en texturas y rugosidad. Sin embargo,

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,

en la geometría fractal de imágenes, partiendo de que la dimensión fractal (DF) es

relativamente insensible a cambios de escala de la imagen y muestra una fuerte

correlación con el criterio del ojo humano de rugosidad de superficies. La técnica

propuesta para extracción de contornos, está basada en el trabajo de A. Blake et al. [1]

sobre ajuste de contornos con curvas B-spline.

Método de Conteo Diferencial de Cajas:

El cual consiste en la determinación de áreas de una imagen usando un algoritmo de

geometría cuadrangular (caja o celda) de diferentes tamaños, con el cual se mide el

perímetro o área que ocupa el objeto. Los valores obtenidos del número de cajas (N)

contra el tamaño de la caja (r); se representa en un gráfico logarítmico, y la pendiente de

este grafico representa la dimensión fractal (Chanona, 2004).

Método Box-Counting
El Metodo Box-Counting es el más conocido, debido a su facilidad de implementación.

Consiste en dividir en mitad la imagen, con cuadrados de tamaños diferentes y contar la

cantidad de cuadrados necesarios para cubrir toda la forma presente en la imagen, tal

como se representa en la figura N°1 Matemáticamente se calcula la Dimensión Fractal

(Df) de la siguiente manera.

𝐷𝑓 = 𝐿𝑛(𝑛)/𝐿𝑛(𝑁) … … … … . … … … . . (1)

Donde 𝑛 es el numero de divisiones por lado, y 𝑁 es el numero de cuadrados que contiene

la imagen (cuadrado de color amarillo)

Figura 1: método Box-Counting

Técnica de movimiento de ventana

Para realizar un análisis de texturas se utiliza una técnica de movimiento de ventana de

forma similar a la técnica realizada en los filtros; al realizar el cálculo de la textura se

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

La visión computacional trata de emular en las computadoras la capacidad que tienen

nuestros ojos. Es decir, trata de interpretar las imágenes recibidas por dispositivos como

cámaras y reconocer los objetos, ambiente y posición en el espacio. La visión

computacional es un área científica que tiene como objetivo desarrollar algoritmos para

extraer y analizar automáticamente información útil sobre un determinado objeto o escena

de una imagen observada, conjunto de imágenes o secuencia de imágenes. (Peng Wan,

2018)

Lograr tal interpretación al mismo nivel que el ser humano es un problema complejo. Sin

embargo, ha habido avances considerables a lo largo de los años. Del procesamiento de

imágenes a la visión computacional, donde ésta ofrece un método preciso y no destructivo

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

ejemplo, documentos; pero gradualmente se desarrollaron métodos para manejar escenas

tridimensionales y escenas que varían con el tiempo. Todavía falta en gran parte un marco

teórico para diseñar soluciones para problemas de visión de computadora. (Rosenfeld,

1991). Esta tarea conduce inmediatamente a problemas inversos, que debido a lo

incompleto de la información visual, tienden a estar mal planteado, es decir, los

problemas no tienen estabilidad o soluciones únicas.

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

restricciones no se pudo llevar a mundos complejos.

Por lo que en su libro comenta que. Los problemas de satisfacción de restricciones juegan

un papel central en la inteligencia artificial. Una clase de algoritmos de consistencia de

red para eliminar inconsistencias locales en tales problemas ha sido descrita

anteriormente. En la aplicación de visión computacional de etiquetado de bordes, el

gráfico de restricción es plano y, por lo tanto, la complejidad temporal es lineal en el

número de variables. (Alan K.Mackworth, 1985)

Por otro lado, en el aporte a la visión computacional el trabajo de Berthold Horn se enfocó

en establecer modelos de cálculo que expresan la formación de imágenes a través de

ecuaciones diferenciales que relacionan los valores de intensidad de la imagen con la

geometría, la reflectancia de la superficie y el punto de vista del observador. Por lo que

al conocer el campo vectorial dado por el flujo óptico se pueden encontrar regiones con

discontinuidades y, de esta manera, segmentar la imagen obteniendo delimitantes entre

objetos (Horn, 1980).

Donde la idea que debía existir un nivel adicional de comprensión en el que el carácter

de las tareas de procesamiento de la información llevadas a cabo durante la percepción se

analice y comprendan de modo independiente a los mecanismos y escrituras particulares

que los implementa en nuestros cerebros.

Ahora bien, debemos considerar que la visión computacional y el procesamiento de

imágenes son cuestiones diferentes. El procesamiento de imagen trata sobre cómo

mejorar una imagen para su interpretación por una persona mientras que la visión

computacional trata de interpretar las imágenes por la computadora.

Teniendo en cuenta que la visión computacional se puede dividir en 3 etapas, el

procesamiento de nivel bajo donde se extraen propiedades como orillas, gradiente,

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.

Y el procesamiento de alto nivel el cual consiste en la interpretación utilizando modelos

y/o conocimiento del dominio del problema.

Ahora se tiene los recientes avances en la visión por computadora han brindado

oportunidades para nuevas aplicaciones en la agricultura. La estimación precisa del

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

de este método ha sido paulatinamente lento en el sector agroalimentario, principalmente

en países en desarrollo donde la generación de la ciencia y tecnología muestra rezagos

importantes, no obstante ante de haber sido lento, durante los últimos años la visión

computacional para inspección de productos ha sido muy importante en diversas áreas,

pero principalmente en el sector ya mencionado de los países desarrollados, que es donde

han adoptado esta tecnología de forma vertiginosa a sus procesos de producción y

evaluación de calidad.
 VISIÓN TERAHERTZ

La espectroscopia de terahercios detecta y controla las propiedades de la materia

con campos electromagnéticos que se encuentran en el rango de frecuencia entre100 GHz

a 30 THz, (A.A.Gowena, 2012). La región terahertz del espectro electromagnético abarca

el rango de frecuencia entre el infrarrojo y el microondas. Tradicionalmente, la

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

dieléctricos no polares de uso común e indicar los modos de vibración de muchas

biomoléculas, lo que la convierte en una herramienta extremadamente atractiva para la

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

fuentes y detectores de energía THz lo que hizo difícil de construir instrumentación

eficiente en este rango de longitud de onda. La ciencia y la ingeniería en la banda de los

terahercios han experimentado un rápido avance. Hasta el momento, sus aplicaciones

prácticas se han visto limitadas por problemas relacionados con el desarrollo de fuentes

de radiación adecuadas. (Stojanovic,2013)

Recientemente, se ha prestado gran atención al tema de la seguridad alimentaria de la

detección de cuerpos extraños en la industria alimentaria. Puesto que, las imágenes de

rayos X comercializadas se utilizan ampliamente para monitorear cuerpos extraños que

puedan estar incrustados en productos alimenticios. Sin embargo, los cuerpos extraños,

como los materiales orgánicos de baja densidad, no pueden observarse fácilmente

mediante métodos de detección convencionales. (Gyeongsik Ok, 2014).

Comparado con otros métodos espectroscópicos vibratorios, como NIR y espectroscopia

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

la detección no destructiva en la industria de alimentos con las ventajas de la no ionización

y la toma de huellas espectroscópicas. Donde la detección precisa y rápida de materiales

extraños en los productos alimenticios es esencial para garantizar la seguridad y la calidad

de los alimentos. (Aifeng Rena, 2019). La tecnología THz presenta técnicas de detección

y diversos problemas, al tiempo que brinda oportunidades significativas para detectar la

detección de contaminación de alimentos y agua.

MASA

El sector cárnico está promoviendo la aplicación de nuevas tecnologías que permitan

garantizar la calidad y seguridad de los productos en su origen en las granjas, tras el

sacrificio y despiece, y en los elaborados finales. Una de las tecnologías innovadoras que

más potencial tiene es la visión hiperespectral.

Principio de funcionamiento

En la banda del espectro del infrarrojo cercano, la luz es absorbida por la materia en

diferentes longitudes de onda que son armónicos o combinaciones de las principales

bandas de absorción asociadas a los enlaces covalentes O-H, C-H y N-H. Por tanto, es

posible obtener de manera rápida y no destructiva información cuantitativa y cualitativa

relacionada con algunos compuestos que presentan este tipo de enlaces (agua) o

agrupaciones de ellos (grasas, proteínas o carbohidratos). Este es el principio de

funcionamiento de la espectroscopia NIRS, en la que se mide un punto de una muestra.

En muestras complejas, como los productos cárnicos, es conveniente obtener información

composicional de toda la muestra, no sólo de un punto, es decir, generar un mapa de

composición o imagen química. La visión hiperespectral permite combinar la

información espectroscópica con la información espacial. Su funcionamiento se basa en

el empleo de una óptica que es capaz de descomponer la luz en sus diferentes longitudes

de onda y proyectarla sobre un sensor de imagen. El procedimiento más habitual consiste

en captar una única línea de la muestra en cada imagen, siendo el resultado una imagen

en la que el eje de abcisas es el eje espacial, correspondiente a cada punto de la línea

escaneada, y el eje de ordenadas es el eje espectral, correspondiente a la absorción de la

luz en cada longitud de onda.

Aplicaciones relacionadas con la calidad y seguridad en productos

cárnicos

Los productos cárnicos tienen un importante valor como fuente de proteína, energía y

minerales en una dieta equilibrada. Se trata en muchos casos de productos de un cierto

valor por los que el consumidor está dispuesto a pagar un precio según su calidad y sus

cualidades organolépticas. Desde el punto de vista sensorial, algunas características que

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

medida de la composición se han realizado numerosos estudios para medir la cantidad de

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

carne de cerdo procesada se ha determinado la grasa presente midiendo entre 1.100 y

2.500 nm logrando un modelo predictivo con un rcv2 del 0,94 (Cervera et al., 2011).

La medida de contaminación microbiológica asociada a la seguridad alimentaria es una

fuente de preocupación en el sector que también ha sido abordada mediante la visión

hiperespectral. La detección de enterobacterias ha sido estudiada obteniendo un r2 entre

el 0,86 y el 0,89 en filetes de pollo midiendo entre 900 y 1.700 nm por reflectancia (Feng

et al, 2012). También se ha desarrollado un sistema para la detección de contaminación

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

abordado con esta tecnología es la detección de cuerpos extraños de diferente naturaleza

y densidad, consiguiendo detectar e identificar objetos de diferente composición como

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

selección de longitudes de onda (Barbin et al, 2012).

EMULSIONES

Las emulsiones encuentran aplicaciones en diversos campos: alimentación, cosmética,

farmacia, química agrícola, detergencia, industria de la pintura y polímeros,

pretratamientos de crudos de petróleo en refinerías, tratamiento de mareas negras,

recuperación terciaria de petróleo, asfaltos, etc. No obstante, esta revisión hace especial

énfasis en las emulsiones alimentarias.

Lógicamente en una emulsión agua en aceite (W/O), la fase dispersa es de naturaleza

acuosa y la continua oleosa. Ejemplos: mantequilla, margarina, emulsiones para

protección solar, algunas emulsiones de petróleo.

Aplicación de la visión hiperespectral en el yogurt:

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

eficiencia durante todo el proceso.

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.

Posicionamiento: Las aplicaciones de posicionamiento tienen como función principal

localizar y ubicar cualquier elemento de las cadenas de producción durante todo el

proceso. Se trata de una aplicación que va a permitirnos conocer, en tiempo real, la

ubicación total de la línea de producción, incluyendo los elementos que no forman parte

intrínseca de ella, como es el producto. Esto permite controlar la manipulación y el guiado

de los robots, así como transferir los resultados y la información a otras aplicaciones y

herramientas que forman parte del proceso.

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

encuentra. Las aplicaciones destinadas a la identificación utilizan herramientas de visión

artificial destinadas a la lectura de caracteres impresos y decodificación de símbolos en

1D y 2D que van a permitir la identificación de cada uno de los elementos que forman

parte del proceso.

Verificación: Las aplicaciones industriales destinadas a la verificación van a permitir

obtener una información mucho más detallada de los objetos que estamos posicionando

e identificando en el proceso productivo. Se trata de aplicaciones que van a dar

información relacionada con el estado de cada uno de los elementos que son verificados,

por lo que el control sobre la línea de producción va a ser aún mayor.

Medida: Dentro de las aplicaciones destinadas a la verificación, cabe mencionar en un

apartado propio las aplicaciones destinadas a la medida. Estas aplicaciones van a

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

de defectos de producción van a usar toda la información obtenida de las aplicaciones

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

problemas de la manera más eficiente posible.

Las aplicaciones industriales van a estar apoyadas por diferentes herramientas que van a

permitir la ejecución de cada una de sus funciones. Es importante comprender que la

visión artificial se apoya en un conjunto de herramientas que permiten mejorar la eficacia

de su trabajo. En este sentido, habrá procesos que necesiten identificar correspondencias

de patrones o colores, otros que necesitarán realizar lecturas de códigos de barras o

códigos 2D Matrix, algunos que requieran el control de los embalajes y el posterior

etiquetado, etc. En resumen, cada proceso requerirá de unas soluciones concretas y

adaptadas de forma singular, por lo que las aplicaciones deberán ser igualmente adaptadas

a cada caso de forma individualizada.

Los principales sectores en los que van a tener utilidad este tipo de aplicaciones son la

automoción, la alimentación, el embalaje y empaquetado, así como el sector de la

electrónica. Sin embargo, los usos de las aplicaciones industriales también van a estar

presentes en otros sectores fundamentales de la economía y el bienestar, como puedan ser

medicina, logística, artes gráficas, patrimonio, o cosmético y transporte entre otros.

 Coloides

El objetivo de este estudio fue medir el contenido de almidón en queso fresco utilizando

adulterado hiperespectrales técnica de imagen. Adulteración queso fresco

Primero se obtuvo la absorbancia del queso extrayéndose 2g de la muestra diluido en 10g

de agua lo cual se obtuvo una absorbancia de 620 nm, se procedió a obtener imágenes

hiperespectrales en un rango de 200 y 1000nm y con una resolución espectral de 2,5nm.

Los pasos a seguir para obtener una imagen hiperespectrales son los siguientes:
Primera imagen obtenida

Fig1. La imagen sin ningún retoque

Fig. 2 con un alto contraste de 168nm

Se obtiene la data modulando a través de la técnica de mínimos cuadrados parciales

Fig.3: Los espectros promedio representativo para cada uno de los seis tratamientos se

aplicaron al queso muestras mostradas en la Fig.4. Para la muestra de control (M 0),

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

residuos predecibles (PRESS) es minimizada mediante la aplicación del modelo con

cinco variables latentes.

La determinación de la latencia las variables, hecho con el método de PLSR y betas de

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

muestran en la Fig. 3. Es observaron que la nm de longitud de onda 598 y el rango de 976

- 1000 nm, están estrechamente relacionados con elcontenido de almidón,entonces esta

zona seria usada para predeciccion de la cantidad de almidon y notar la calidad del

producto
CONCLUSIONES

 Conocimos la aplicación de imágenes hiperespectrales proporcionando medidas

cualitativas como cuantitativas, por la alta resolución espectral y no ser un método

invasivo y no destructivo.

 Detectamos distintos usos para las imágenes hiperespectrales y distinguir muchos

objetos diferentes, incluso si tienen colores similares, características morfológicas

o espectros superpuestos

 Tras la revisión de algunos de los trabajos de investigación publicados, queda

demostrada la enorme potencialidad de la tecnología de la visión hiperespectral y

el gran número de aplicaciones que se han hecho en el sector cárnico para mejorar

el control de la calidad y la seguridad alimentaria. Sin lugar a dudas, el combinar

la información de la huella espectral con la información espacial y poder obtener

mapas químicos es una herramienta de indudable valor.

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.

 Barbin, D, Sun, D, & Su, C. (2013). NIR hyperspectral imaging as non-destructive

evaluation tool for the recognition of fresh and frozen- thawed porcine
longissimus dorsi muscles. Innovative Food Science and Emerging Tecnologies,
(18), 226-236.

 Calderón - Rangel, A, Rodríguez, V, & Martínez- H, N. (2013). Determinación

de adulterantes en leches crudas acopiadas en procesadoras de quesos en Montería
(Córdoba). Orinoquia, 17(2), 202-206.

 Gowen, A, O'Donnell, C, Cullen, P, Downey, G, & Frias, JM. (2007).

Hyperspectral imaging – an emerging process analytical tool for food quality and
safety control. Trends in Food Science & Technology, 18(12), 590-598
 Sharma, A., Jana, A.H., Chavan, R.S., 2012. Functionality of milk powders and
milkbased powders for end use applicationsda review. Compr. Rev. Food Sci.
Food Saf. 11 (5), 518e528.
 Cama-Moncunill, R., Markiewicz-Keszycka, M., Dixit, Y., Cama-Moncunill, X.,
Casado-Gavalda, M.P., Cullen, P.J., Sullivan, C., 2016. Multipoint NIR
spectroscopy for gross composition analysis of powdered infant formula under
various motion conditions. Talanta 154, 423e430.
 Gowen, A., O’Donnell, C., Cullen, P., Downey, G., Frias, J., 2007. Hyperspectral
imagingean emerging process analytical tool for food quality and safety control.
Trends Food Sci. Technol. 18 (12), 590e598.
 Vidal, M., Amigo, J.M., 2012. Pre-processing of hyperspectral images. Essential
steps before image analysis. Chemom. Intelligent Lab. Syst. 117, 138e148
 Munir, M.T., et al., An evaluation of hyperspectral imaging for characterising
milk powders, Journal of Food Engineering (2017)