Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. I NTRODUCCIÓN
B. Visión de máquina aplicada a la clasificación de dátiles.
El proyecto: Sistema Automático Clasificador de Manzanas Al Ohali.
está enfocado al diseño de un sistema de análisis por imagen
para clasificación por categorías de defectos, teniendo en De igual manera en la Universidad Técnica de Arabia Sau-
cuenta la reglamentación internacional expuesta por la OMS dita se desarrollo un prototipo de una máquina clasificadora
en el Códex Alimentarius (norma STAN 299-2010) para el de Dátiles [10], que permitia categorizar estos frutos según
control de calidad del producto. tamaño, forma, flacidez, y brillo reflejado, este desarrollo
empleó una red neuronal tipo Backpropagation para la clasifi-
cacion y usó captura por video para la obtencion de imágenes
II. E STADO DEL ARTE de la fruta en tiempo real, en general el prototipo tuvo un éxito
A. Selector de fruta. Ribot y Ruiz. del orden del 75% .
En primera instancia en la Universidad Politécnica de
Catalunya se tiene un sistema selector de fruta focalizado en la
deteccion de defectos de melocotones (duraznos) desarrollado
por Miriam Fernandez Ribot [3]. En general se trata de un
desarrollo en forma de simulación, que no implementa un
mecanismo físico, y que realiza la clasificación de los frutos.
No obstante realiza en forma computacional una catego-
rización de los mismos a partir de imágenes recopiladas,
es un estudio útil puesto que presenta las generalidades del
tratamiento que se debe realizar con frutos redondos para seg-
mentarlos correctamente y analizar su superficie. En este con-
texto las manzanas son ciertamente similares a los duraznos,
tanto en forma como en los posibles defectos que se pueden
presentar en ambos, principalmente pudrición, desgarramiento
de la piel y picadura. Figure 2. a) Imagen binarizada de un Dátil. b)Prototitpo del clasificador.
2
la superficie de la manzana. Para mejorar la composición cuales se pueden dividir en 2 grupos, las que analizan el
de la porción blanca, retirar pequeñas manchas del fondo y histograma de la imagen segmentada y las que se extraen de
retirar el pendúnculo de la manzana de la imagen, ya que la imagen segmentada.
no aporta características para la clasificación, se realiza un
filtro mofológico con un kernel de 17x17, completando el pre 1) Características del histograma: Son medidas
proceso para la segmentación. estadísticas del histograma de la imagen segmentada
que proporcionan informacíon util acerca de la coloración
de la fruta y de algunos defectos, principalmente los
relacionados con la textura y cambio de color en la superficie,
las características de esta categoría son:
Figura 6. a) Canal R segmentado. b) Canal G segmentado. c) Canal B 1) Nivel promedio de Rojo y de Verde de la manzana, estas
segmentado d) Imagen en color segmentada
características coresponden al promedio del canal R y el
canal G únicamente de la manzana, por tanto difieren de
la media del histograma y son un indicador directo del
estado de maduración de la fruta.
VI. E XTRACCIÓN DE CARACTERÍSTICAS
2) Número de píxeles amarillos dentro del area de la man-
A. Caracteristicas usadas zana, corresponde al numero total de pixeles con rangos
Para la correcta clasificación de las manzanas en las para RGB de R>110, G>110 y B<50 que en general
categorías planteadas se utilizaron 14 características, las se consideran como una gran variedad de tonalidades
5
C. Matriz de características
C. Entrenamiento
Se recopilo un conjunto de 100 muestras de imágenes de
Figura 11. Ejemplar de categoría 2 (C2)
manzanas Royal Gala que podían presentar defectos como
picadura, pardeamiento, cizallamiento, y falta de maduración.
Estas imágenes fueron obtenidas mediante una cámara fotográ-
fica digital, empleando una resolución de VGA de 640x480
píxeles, colocando las manzanas sobre una cartulina negra
• Categoría 3 (C3): La última clase donde se consideran (fondo), y directamente bajo una fuente de luz blanca, para
todas las manzanas con defectos pronunciados, por tanto evitar la aparición de la sombra de la fruta en la imagen. De
estas manzanas en la práctica no serían aptas para ningun la base de datos de imagenes en cuestión se organizo en 4
tipo de consumo, su uso se puede enfocar como abono o categorias dejando 60 imagenes (15 de cada clase) para el
usos afines a este. entrenamiento de la red neuronal.
7
A. Prueba 1:
Entrenando lo Red con 15 muestras por cada categoría se
probó con 12 elementos, 3 de cada clase obteniendose:
B. Prueba 2: A. Prueba 1:
Entrenando lo Red con 15 muestras por cada categoría se Para la prueba 1 se encontró un leve problema con la
probó con 12 elementos, 6 de cada clase CE y 6 de C1, el clasificación de una de las imágenes, la cual quedó ubicada
resultado obtenido fue: en la categoría 1 cuando pertenecía a la categoría extra.
8
• Verdaderos positivos: 2
• Falsos positivos: 0
• Verdaderos Negativos: 9
• Falsos Negativos: 1
C. Prueba 3:
En la prueba 3 se tuvo desacierto en las dos clases probadas,
Figure 17. Matriz de confusión Prueba 1. clasificando erróneamente dos elementos en cada una de
ellas, en el primer caso el sistema no identifico correctamente
la muesta en ninguna clase, la muestra 6 se clasifico como
categoria CE lo cual es un error grave dado que se tendría
Con lo cual se tienen los valores estadísticos siguientes: una manzana de baja calidad en la mejor categoría, y en las
muestras 10 y 11 se presento el mismo problema, en este
caso la muestras presentan sobre maduración es decir que por
el color rojo levemente oscuro el sistema las considera como
CE. Dada la situación se realizó el análisis para la “Categoría
2” y la “Categoría 3”, que presentan los siguientes resultados:
• Verdaderos positivos: 4
• Falsos positivos: 0
• Verdaderos Negativos: 6
• Falsos Negativos: 2
Figure 18. Estadísticos Prueba 1 Categoría Extra.
B. Prueba 2:
Para la prueba 2 se presentó un caso de error en la categoría
1, una imagen fue clasificada erróneamente. Realizando un
análisis para esta clase, se tiene: Figure 21. Matriz de confusión Prueba 3.
• Verdaderos positivos: 5
• Falsos positivos: 0
• Verdaderos Negativos: 6 Por lo cual para ambas clases se tienen los siguientes valores
• Falsos Negativos: 1 estadísticos: