Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El sistema de clasificación ciu (Real Visión, Dual Visión y Visión Pro), desarrollado por la
empresa, está integrado por dispositivos mecánicos, electrónicos y software, está diseñado para
alcanzar una clasificación por medida, y por color ende esta modalidad es posible alcanzar
hasta 5 clasificaciones.[ CITATION htt201 \l 2058 ]
Sistema de detección de naranjas dañadas, por IVIA y la empresa Rida Ibérica; actualmente
los daños en las naranjas se han detectado manualmente en cámaras oscuras con la ayuda de
luz ultravioleta que, mediante fluorescencia, ilumina los aceites esenciales de las cáscaras
dañadas. Esta tarea se realiza en turnos estrictos de trabajo por el riesgo que supone este tipo de
luz, en la investigación indicada establece una máquina capaz de realizar el trabajo de forma
automática.[ CITATION htt11 \l 2058 ]
3. Alcances y Limitaciones.
La condición inherente del proyecto nos permite establecer especificaciones en materia del alcance
programado en el presente proyecto, para tal efecto establecemos las siguientes condiciones de
objetivos frontera para validar las condiciones de éxito en la implementación del presente proyecto.
El proyecto esta basado en la herramienta de programacion Python aplicando las librerias Numphy y
OpenCV repectivamente para el tratmeiento matematico del sistema asi como para la manipulacion
digital de las imágenes.
Entre las limitaciones que podemos advertr en el preesente trabajo se enuncian las siguientes:
Costos, las condiciones de diseño se ven limitadas con respecto a la resolucion y capacidad instalada
del equipo de video o de captura de imagen de igual forma la velocidad de tratamiento de los datos
puede verse afectada por la tasa del procesador a implementar, se busca tener la capcidad de
procesamiento a taves de un procesador I7 o Ryzen 7 de 4 generacion.
Tiempo de implementacion, otro factor que vuelve critica para el desarrollo del dispositivo son los
tiempos definidos para el termino del presente, ya que se prospecta deteminarlo en niviembre del
presente loq ue limita aun lapso de 27 dias en promedio.
Diseñar e implementar una estructura que permita la integracion del algoritmo final de
adquisicion y tratamiento digital de imágenes asi como la ejecusion del mismo con la mecanica
de actuadores para la seleccion a traves de dispositivos de transporte y deteccion de imágenes
en condiciones controladas de iluminacion como parametros caracteristicos del citrico a
evaluar.
5. Hipotesis
En el presente protocolo se busca corroborar la siguiente teorizacion:
“Un sistema programable de adquisicion y tratamiento digital de imágenes con base a sistema de
codificacion Python, es capaz de ejecutar sentencias enfocadas a la correcta selección de frutas
citricas escpecificamente de limón persa (Citrus Latifolia Tanaka), con base a parametros de
dimension y color preestablecidos por la NOM referida para caso del uso de exportacion, con un
margen de error dentro del estandar comerial”.
El presente estudio pretende establecer las condiciones suficientes y necesarias para que la anterior
condicion pueda aceptarse o rechazarse con base a un analisis de pruebas en un prototipo funcional,
cabe mencionar que las condicones especficas involucran un sistema de bajo coste y especificado a la
toma de muestreos, no de lotes completos comprendidos de millares de unidades.
6. Justificacion
La produccion de limon persa en el estado de Veracruz se caracteriza por ser el principal estado
productor de dicho producto en el país con un volumen anual de 558 mil toneladas anuales lo cual
genera un valor de 1,484 millones de pesos (mdp), es decir, el 30% del total nacional. Le siguen en
importancia Michoacán con 1,053 mdp, Colima con 765 mdp y Oaxaca con 574 mdp. Esto significa
que estos cuatro estados concentran el 79% del valor de la producción nacional de limón y el 77% del
volumen de producción (un millón 588 mil toneladas).
Veracruz es gran productor gracias al volumen de producción que obtiene ya que dedica una extensa
parte de su territorio a producir limón, sin embargo, en términos de su rendimiento, su eficiencia es
muy baja y la calidad de su producto no le permite obtener mejores precios. Así, los productores de
limón veracruzanos tienen muchos retos por delante[ CITATION HIL14 \l 2058 ]. Con base al anterior
analisis se evidencia un requerimiento de mejora continua en los procesos especificos en la produccion
y tratemiento del limon persa cae menciononar que con base el analisis por parte de la universidad de
Chapingo, se comprueba que del total de productores que se ahn considerado pro ejemplo: en el
municipio de Martínez de la Torre, se les clasificó como pequeños productores de acuerdo con la
superficie en producción y el nivel tecnológico utilizado. En base a los resultados obtenidos en las
comunidades entrevistadas, se encuentra que el 77.5% de los productores tienen superficie menor a las
seis hectáreas, lo que corresponde al 45% de la superficie, mientras solo el 12.2% de ellos tienen
entre seis y nueve hectáreas, correspondiente al 20% de la superficie. Solo un 10% tiene una
superficie mayor a nueve hectárea[ CITATION Men15 \l 2058 ].
La informacion es clara en indicar que los niveles de produccion asi como el grado tecnologico del
sector que aplica en esta ctividad economica esta estratificado en como pequeños empresarios que
cuentan con bajos recursos presupuestales y tecnologia basica o nula, es por tanto una necesidad
importante actualizar y poner al alcance de estos grupos tecnologias eficientes asequibles en materia
de explotacion y manejo del producto, el hecho de que la selección sea una tarea de tipo artesanal, con
nulos palnes de entrenamiento o capacitacion para la misma asi como con fecuencia mal remunerada,
genra una desvantaja comeptitiva en detrimento de la calidad final del citrico por una selección
deficiente al aplica una variabilidad o subjetividad en la aplicacion de los criterios de discriminacion
del producto.
Es por tanto altamente meritorio en desarrollo de un estudio como el presente ya que es urgente
aplicar esfueroz para una reactivacion efectiva de este sector, quw ha venido en detrimento en los
ultimos años; el uso de tecnologia nos permite establecer nuevos paradigmas de trabjo que buscan
eficientar el proceso y ser una herrmamienta eficiente y dentro del alcance de los pequeños prodcutores
que sin duda alguna se han visto marginados de la aplicación de estas tecnicas debido au altocosto de
impelentnacion y adquisicion es por tanto tarea de este protocolo sentar las bases de sistemas
programables que coadyuven el desarrollo de la explotacion agricola en materia del limon persa dentro
del estado de Veracruz.
7. Tipo de investigacion
De acuerdo con la profundidad de la investigación, los tipos de investigación pueden ser
exploratorios, descriptivos, correlacionales o explicativos [ CITATION HER10 \l 2058 ].
Estudio exploratorio se efectúan, cuando el objetivo es examinar un tema o problema de
investigación poco estudiado, del cual se tienen muchas dudas o no se ha abordado antes.
Estudio descriptivo busca especificar las propiedades, las características y los perfiles
importantes de personas, grupos, comunidades, o cualquier otro fenómeno que se someta a un
análisis.
Estudio correlacional tienen como propósito evaluar la relación que existe entre dos o más
conceptos, categorías o variables.
Estudio explicativo van más allá de la simple descripción de conceptos o fenómenos del
establecimiento de relaciones entre conceptos. Están dirigidos a responder a las causas de los
eventos físicos o sociales.
Para las condiciones especificas de este protocolo estableceremos nuestro estudio en el marco de
una investigacion de un estudio descriptivo, ya que se busca especificar las caracterisiticas de un
elemento de la naturalieza, esto a traves de herramietnas tecnologicas enfocadas al procesamiento de
imágenes por captura de video a fin de establecer criterios de calidad y evaluacion a nuestro objeto de
estudio, sometiendolo a un analisis especifico con base a las herramientas definidas para tal efecto, en
nuestro caso metrologia dimensional y la colorometria del objeto de analisis, e sa forma establecemos
la premisa indicada en nuestra hipotesis de estudio la cual indica que es posible implementar el sistema
automatico para la seleccion de limon persa con un nivel de precision aceptable para estandares
comerciales.
8. Metodologia
La metodologia del proyecto se puede establcer en 5 fases globales que se mencionana a
continuacion:
Para esta operatividad se aplican los siguiente tecnicas de manipulacion de las imágenes con el cual
nos enfocamos en aplicar las operaciones de presentación de imagen:
Así como su modificación general con base a su representación matricial con lo anterior
establecemos las bases para el tratamiento digital que se desea implementar en nuestro proyecto a fin
de establecer competencias específicas en la codificación que manipulara y realizara muestreos de
imágenes con la finalidad de hacer un proceso de discriminación con base a estándares predefinidos.
Un formato es la codificación con la que se almacena la imagen. La codificación se puede ver como
el "lenguaje" que utilizará la computadora y el algoritmo para leer, procesar y almacenar imagen.
Dependiendo de este "lenguaje" o formato la imagen ocupará más espacio o se verá con mayor o menor
calidad.
A continuación se comentan algunos de los formatos más utilizados en el campo de la imagen digital:
• 8 bits entero sin signo representado entre O y 255
• 16 bits entero representado entre -32,768 y 32,767
• Punto flotante de -00 e 00
Archivos de Imagen Formatos Estándar para imágenes de 8 bits en escala de gris y RGB son:
• BMP
• TIFF
• JPEG
• PNG
Cualquier color puede ser representado mediante la combinación de los colores rojo, verde y azul,
cada uno en diferente proporción. La combinación RGB estándar indica 256 niveles por cada canal, es
decir por cada color rojo, verde o azul. Para representar el valor de 256, requerimos de 8 bits para cada
canal de color. Lo que nos permite una combinación del orden 2563 lo que nos permite una
combinación de casi 17 millones de colores. (16,777,216).
El analisis se aplica en forma primaria por el cambio del sistema a escala de grises a fin de utilizar
algoritmos de filtrado de la imagen, asi como la deteccion de bordes.
Una imagen (RGB) forma una matriz de dimensiones m x n, con elementos vectores en donde cada
vector estará compuesto o constituido por 3 componentes (canales RGB)l1, con valores contenidos en
los enteros de O a 255 en un intervalo cerrado. En este algoritmo lo que tratamos de comprobar es la
correspondencia que hay entre los canales RGB con sus tonalidades de gris, de tal manera que a partir
de sus planos, canales o componentes sea capaz el algoritmo de reconstruir la imagen, aproximándonos
lo más posible a la original en RGB.
Para este experimento seguimos una serie de procesado que consiste en la descomposición de la
imagen fuente; convertimos la imagen RGB a tonos de gris, obtenemos sus planos RGB en gris,
obtenemos cada una de las componentes o planos a partir de las otras dos componentes.
1 0 0
[ ]
V ( RGB )= 0 1 0
0 0 1
De la imagen debe realizarse como una media ponderada de las distintas componentes de color de
cada pixel:
Donde primeramente establecemos una funcion cartesiana como f (x,y) para los paremtros
especificos a manipular.
De donde se adquiere esta ecuacioon asociada a pixeles respectivos de la imagen a tratar, esto por
medo de la funcion “getpixel” posteriormente realizando un promedio simple.
f (i,j) = Y/3
La ecuación de la luminancia nos muestra es la expresión matemática de ese fenómeno y los factores
de ponderación de cada componente de color nos indican la sensibilidad del ojo humano a las
frecuencias del espectro cercanas al rojo, verde y azul.
De esta forma se aplicaron ensayos para la aplicación de funciones predfinidas de conversion a escala
de grises.
Umbralizacion.
Una ves establecida la conversion adecuada de las imagenes se aplican formulaciones y funciones de
umbralizacion, esta tecnica busca con la ayuda de los métodos de valor de principio de formacion
visible de la imagen, en las situaciones más sencillas se puede decidir qué píxeles conforman los
objetos y los delimitan ya que buscamos qué píxeles son sólo el entorno de estos objetos.
En primera instancia se aplica el metodo “global” o generalizado de umbralizacion; con este método
se elige un valor umbral para toda la imagen[ CITATION Cri15 \l 2058 ]. Este método es el más fácil
de calcular, pero también muy sensible a las pequeñas variaciones que puedan existir en la luminosidad
de la imagen.
El método global, por lo tanto, sólo se utiliza para segmentar imágenes con mucho contraste y lo
anterior consiste en establcer como una funcion t(g) especifica dento de parametros limites de la misma
desde 0< g < t1-n a fin de tener un contraste especifico entre imágenes[ CITATION Tri16 \l 2058 ].
0 , si g <t 1
{
f ( x )=
1 , si∧t 1 ≤ g ≤t 2
.
.
.
n , si∧g ≥ t 1−n
Filtracion
El proceso de filtrado consiste en la aplicación a cada uno de los pixels de la imagen de una matriz
de tamaño NxN (generalmente de 3x3 aunque puede ser mayor) compuesta por números enteros y que
genera un nuevo valor mediante una función del valor original y los de los pixeles
circundantes[ CITATION Gon96 \l 2058 ]. Para lo anterior debemos considerar a a imagen como una
función f, de R2 para toda R; de esta forma se puede expresar f ( x , y ) que nos devuelve la intensidad
en la posición (x, y), en la realidad, la imagen sólo está definida sobre un arreglo matricial [a, b]x[c, d].
Con base en lo anterior podemos verificar que la imagen en color es un arreglo vectorial de tres
funciones que son continuas en el espectro de los colores básicos:
r (x . y )
[ ]
f ( x , y )= ( x . y )
g
b(x , y)
Figura 11. Representacion en el espacio de los parametos de color con base a funciones continuas
en los campos vectoriales.
Teniendo en cuenta la representacion anterior podemos deducir que un punto especifico dentro del
espacio vectorial nos presentara cantidades especificas dentro del dominio de los valores en las tres
dimensiones de la colorimetria basica de esta forma por medio de tranformaciones de los vectores
especificos que conforman una imagen nos es posible trasladar la imagen a una escala de gris
conservando el ordenamiento de los pixeles estableciendo asi una imagen que guarda “fidelidad”, con
respecto a la original de forma tal que es suceptible, de ya en esta modalidad ser limpiada de las
discontinuidades o “ruido” presentes en la misma.
Lo anterior analizado constituye la base para las tecnicas de filtrado esta operación tiene
aplicaciones muy valiosas en el tratamiento digital de imágenes como son:
Recordando la función o modelo matemático evaluado con antelación del Filtro Gaussiano Paso
bajos (GLPF, Gaussian Low pass Filter ) con frecuencia de corte 𝞂0 está dado por:
2
2( x, y)/2 σ0
H ( x , y )=e− D
Por otro lado, La función de transferencia del Filtro Gaussiano Pasa altas (GHPF, Gaussian High
pass Filter ) con frecuencia de corte localizada a una distancia 𝞂0 desde el origen está dado por:
2
2 (x ,y) /2σ 0
H ( x , y )=1−e−D
La mayoría de los métodos para identicar los píxeles erróneos de una imagen consisten en calcular la
distancia entre un píxel y sus vecinos, y etiquetarlo como ruidoso cuando dicha distancia supere un
cierto umbral para la mayoría de los píxeles vecinos con que se ha comparado.
Existen diferente métricas, algunas en términos de la intensidad de dos píxeles, otras en función del
ángulo que pueden formar dos píxeles una técnica implementada en el presente ejercicio en forma
implícita en las funciones de OpenCV, es la métrica de coseno del ángulo, que es referida al ángulo del
coseno entre dos pixeles, denotado por:
x ti x j
C ( x i , x j )=
¿|x i|∨¿2 ¿|x j|∨¿2 ¿¿
2 2
−x +y
2
2σ
e
El filtro de Gauss es menos dañino en el sentido de la fidelidad de la iamgen debido a que no genera
un cambio drastico en los pixeles con cambio de intensidad a diferencia de otros filtros que afectan
diluyendo esas transiciones de imagen perdiendo definicion de la misma; en cambio en el modelo del
filtro Gaussiano permite suavizar las regiones en donde los valores de intensidad son homogeneos sin
diluir los bordes de la imagen este efecto se puede mostrar en la figura 13.
Figura 13. Representacion de la distribucion tipo campana tras la aplicacion del filtro Gaussiano.
Ya que hemos analizado la respuesta como función multivariable del filtro para un sistema continuo
en el espacio vectorial del sistema; ahora ejemplifiquemos también su aplicación utilizando algebra
lineal
A 11 ⋯ A1m
Is ( m, n )=
[ ⋮ ⋱
An 1 ⋯
⋮
Amn ]
Que será la imagen a la cual pretendemos filtrar espacialmente e It (m, n):
At 11 ⋯ At 1 m
It (m ,n)=
[ ⋮ ⋱
Atn 1 ⋯
⋮
Atmn ]
Acto seguido se implementa la siguiente matriz para la aplicacion del filtrado.
w 11 w 12 w 13
[
w=1/h w 21 w 22 w 23
w 31 w 32 w 33 ]
La representación de la operación especifica en la figura 12
Para transformar la matriz a una matriz de números enteros se divide toda la matriz por el menor de
los valores obtenidos. Ahora establezcamos un ejemplo numérico basado en los conceptos analizados
previamente de algebra lineal. Supóngase una imagen en el espacio dimensional RGB, determinada por
los siguientes puntos:
Esta imagen representada por un cuadrilátero, le aplicaremos una transformación por medio de una
matriz específica para tal efecto en la figura 15:
Figura 15. Representacion en el espacio de una imagen RGB para su tratamiento a traves de
transformaciones lineales.
Ya una vez establecida nuestra imagen procedemos a identificar el tipo de transformación que
deseamos implementar con base a la resultante de espacio vectorial requerido:
Dada una función continúa denotada por f , continua en un rango de números reales
f : R 2 R2
De esta forma se cumple que la función f es biyectiva o equinumerosa con una matriz especifica
a b c
[ ]
f∼ d f
h i
g
j
De esta forma las reflexiones dela imagen propuesta con respecto a un eje específico o color en
nuestro análisis se aplicarán las siguientes transformaciones:
1 0 0 −1 0 0 1 0 0
[
r x = 0 −1 0
0 0 1 ] [ ry= 0 1 0
0 0 1 ] [ r z= 0 1 0
0 0 −1 ]
Respectivamente para la rotación dela imagen dentro del campo vectorial con respeto a los ejes Y, X
y Z.
Aplicando estos conceptos establecemos la matriz correspondiente para la reflexión de la imagen
dentro del campo vectorial:
−1 0 0
[
m1= 0 1 0
0 0 1 ]
De esta forma obteniendo la transformación respeto al eje X se obtiene la imagen en reflejo de la
imagen original guardando los parámetros específicos de la original pero dentro de un rango de valores
de color modificado por la matriz específica, lo cual se muestra en la figura 16:
Figura 16. Resultado de la transformación de la imagen original dentro del espacio vectorial
RGB.
Detección de bordes.
Posterior al filtrado se procede a la detección de bordes el cual es un campo bien desarrollado por sí
mismo en el procesamiento de imágenes. Los límites de regiones y los bordes están estrechamente
relacionados, ya que a menudo hay un fuerte ajuste en la intensidad en los límites de las regiones can
base en lo anterior, las técnicas de detección de bordes pueden ser usadas como otra técnica de
segmentación más; para segmentar un objeto a partir de una imagen, sin embargo, es necesario que los
bordes formen figuras cerradas.
En visión computacional es de utilidad para hacer reconocimiento de objetos o bien para segmentar
regiones, extraer los bordes de objetos (que en teoría delimitan sus tamaños y regiones)[ CITATION
Dom96 \l 2058 ].
Con base en la anterior indicado, se analizará las tecnicas de tratamiento digital de imágenes por
métodos matemáticos con base en calculo infinitesimal y consideraciones de algebra lineal como
fundamento de análisis; de esta forma aplicando derivadas parciales a fin de determinar las parámetros
de la operación de tipo gradiente para una imagen bosquejada a traves de arreglos bidimensionales, de
esta forma esta técnica nos permitirá obtener una imagen depurada en su esquema por determinación de
bordes, de forma análoga se establecen los modelos a traves de las aproximaciones de la
diferenciación, específicamente diferencias finitas, que nos permiten obtener el filtrado de las
imágenes en forma binarizada entendiendo esta condición como una imagen que presenta dos
parámetros especificados de pixel por la reducción de la información de la misma, en la que sólo
persisten dos valores: verdadero y falso.
Iniciemos pues nuestro análisis; se debe considerar que, en una imagen digital, se avalúan diferentes
valores dentro de escalas de colores primarios, sin embargo, es factible tomar una concepción binaria
de la misma información de forma tal que los valores booleanos: verdadero y falso, pueden
representarse por los valores 0 y 1 o, más frecuentemente, por los colores negro (valor de gris 0) y
blanco (valor de gris 255).
De esta forma partiremos del concepto del análisis matemático considerando el paradigma de
gradientes, así como la interpretación de los resultados al trasladar los parámetros obtenidos a una
representación de imagen procesada y filtrada en la plataforma Python
f (x , y, z)
∇f= ( ∂∂ fy )( ∂∂ fy )( ∂∂ fz )
Con base a lo anterior si se considera una imagen como una representación de un arreglo
bidimensional de la siguiente forma:
f ( x , y )= [10 01]
El gradiente de esta expresión será por ende la diferencial parcial del sistema para cada uno de sus
valores vectoriales representados para el caso anterior tenemos vectores unitarios que nos representan
una imagen binaria para solo dos parámetros de negro y blanco.
V 1= {1,0 } V 2= { 0,1 }
∇ f ( x , y )= ( ∂ f∂(ix, j) , ∂ f∂(i,y j) )
El método nos involucra la implementación de las derivadas correspondientes una aproximación a
esta operación resulta de la aplicación de las diferencias finitas, que es una variación del método de
derivación por incrementos:
f ( x+ h )−f ( x )
h
Tambien debemos considerar incrementos por “arriba” del punto de interés y por “debajo” del
mismo, por lo que modificamos el modelo matemático a la forma siguiente:
f ( x+ h )−f ( x−h )
2h
La expresión del incremento se expresa tomando en cuenta el valor de la posición (i, j) y sus puntos
cercanos.
En todos los casos h = 1; de esta forma se evalúan los puntos en la vecindad del punto de interés;
para ejemplicar el analisis anterior analizemos lo siguiente:
Considermos una matriz como una imagen binaria donde las escalas de colores de colores se aplican
como dos parámetros específicos 0 y 255 (negro y blanco respectivamente), esta estimación se
visualiza en la figura 17.
Para calcular Ix se aplican las diferencias con respecto a cada elemento de la matriz a considerar con
base a la posición de inicio de análisis para este caso con base a la figura 17 la posición [i, j]= [2,4], a
este respecto solo la primera iteración arroja contraste de los parámetros:
[ 255 ] −[ 0 ]
I x =∂ x 1=
2
=125.5
0
I x =∂ x 2= [ ]=0
2
0
I x =∂ x 3= [ ]=0
2
∑ I x =125+0+0
x=0
Se procede de forma análoga para el elemento Iy, obteniendo resultados idénticos para la variación
de intensidad:
[ 255 ] −[ 0 ]
I y =∂ y 1= =125.5
2
0
I y =∂ y 2= [ ]=0
2
0
I y =∂ y 3= [ ]=0
2
∑ I y =125+0+ 0
y=0
Ahora se procede a realiar un sauvizado de la imagen de forma tal que partimos de la consideracion
anterior para la continuacion de nuestro analisis. Partiendo de nueva cuenta de la matriz inicial
propuesta, aplicaremos el filtrado a la imagen a fin de reducir el “ruido” de la misma, considerando
que, la operación se fundamenta matemáticamente, en un tipo interesante de transformación local
denominada convolucion discreta.
Con base a lo anterior expuesto, la convolucion discreta la podemos definir como una
transformación en la que el valor del píxel resultante es una combinación lineal de los valores de los
píxeles vecinos en la imagen.
Esto queda expresado de la siguiente forma:
f ( i , j )= ∑ ∑ M [ x , y ]∗ A [ (x+ i) ,( y + j) ]
i=0 … n j=0 … n
Figura 18. Resultados de la aplicacion de filtros con valore de pixel obtenidos para el
sector seleccionado
Con fundamento en los resultados obtenidos bajo el paradigma matemático aplicado se aplicara
ahora la implementación de un código para el cálculo de los gradientes por aproximación de las series
finitas, donde establecemos la captura de la imagen la trasladamos a escala de grises, aun considerando
que ya se implementó como imagen binaria, de tal forma se establece la siguiente formulación:
g ( x , y )= √ I 2x + I 2y
Figura 19. Código para la generación de gradientes de la figura generada por las sentencias
imshow, a partir de la matriz inicial.
De esta forma evaluamos las tecnicas para determinar elementos básicos necesarios del
procesamiento digital de imágenes (PDI) y de las estrategias y tecnicas matemáticas, que sirven para
sustentar los procedimientos computacionales pormenorizados en este trabajo.
En particular, hemos descrito las herramientas matemáticas necesarias y algunos de los métodos
convencionales de detección de bordes y filtración por los medios genéricos más extendidos en cuanto
su aplicación, así como su implementación de la herramienta computacional Python y la librería
OpenCV específicamente para el manejo de arreglos bidimensionales como base para la ejecución de
imágenes binarias, explicando en cada uno de éstos los pasos a seguir para implementar el algoritmo
correspondiente.
La función edge da la posibilidad de obtener los bordes de la imagen. La función permite encontrar
los bordes a partir de dos diferentes algoritmos que pueden ser elegidos, canny y sobel. El formato de
esta función es:
ImageT=edge(ImageS, algoritmo);
Donde ImageT es la imagen obtenida con los bordes extraídos, ImageS es la variable que contiene la
imagen en escala de grises a la cual se pretende recuperar sus bordes, mientras que algoritmo puede ser
uno de los dos canny o sobel. De tal forma que si a la imagen en escala de grises contenida en la
variable imagegray se le quieren recuperar sus bordes utilizando en algoritmo canny se escribiría en
línea de comandos:
> >ImageR=edge(imagegray,canny);
Hasta este punto queda concluido la fase de establecen los avances que permiten deteminar el
anteproyecto del sistema propuesto quedando por ejecutar las siguientes etapas del mismo, cabe
menciaonar que estos procesos pueden ser modificados con base a los requerimientos y avance en la
ejecusion de las tecnicas y ensayos propuestos.
Con base a lo antes mencionado llegamos a la etapa de integracion del proyecto en el prototipo fisico
donde integramos parcialente la estrucutura que se pretende estrucuturar de forma total para el
dispositivo, debido a los tiempos para pruebas y desarrollo de las aplicaciones se estrucutrua un primer
prototipo basado en la captura delas imágenes asi como al configuracion de luz requerida ante la
implementacion de los algoritmos, el avance estimado para diciembre de este año integra pues las
herramientas de visualizacion e iluminacion y captura de imágenes en un ambiente controlado para tal
efecto; debera ejecutarse una calibracion en los parametros antes mencionados para la correcta
ejecución del sistema en forma integral.
En las figuras 23 y 24 se meustran las imagens de la cosntrcucion del sistema ella en forma real
aplicando las consideracioens propuestas por el diseño que se planteo inicialmente
Figura 23 Estructura principal del prototipo con manpara para la captura de imágenes
Figura 24. Se anexa eyector final de rechazo que sera ejecutado a traves de una implementacion
de la Raspberry PI
Una vez estructurado el sistema se implementan pruebas a fin de establecer el criterio de iluminacion
que se aplicara en el sistema, lo anterior con el objetivo de lograr una captura de imagen lo mas limpia
respcto a las sombras que se observan en las aplicaciones previas del software desarrollado en Python,
la idea es obtener una previa de la interaccion de la luz ambiental y definir el requerimiento de
iluminacion especifico para la operación del prototipo asegurando asi, un nivel de precision acorde a l
opratividad preestablecida, lo anterior se muestra en la figura 25, donde se hace evidente que la
iluminacion estandar o ambiente genera una alta contaminacion de sombras en la captura.
Figura 27. Respuesta del algoritmo de Python con el arreglo de iluminacion proyectiva.
9. Analisis de resultados y conclusiones
Con base a los requerimientos indicados se procedio realizar 5 corridas con lotes de 20 piezas de
limones, las condiciones de respuesta ya con movimiento de traslacion de las piezas a evaluar donde se
puede observar que aun se mantiene cierta interferencia de las sombras aun con los 4 puntos de
proyeccion de luz, lo cual se observa en la figura 28, donde se presenta un sombra tipo “flor”, en la
base de la pieza a sensar lo cual conflictua hasta cierto del sistema.
A pesar de esta situacion el sistema mantuvo ua estabilidad adecuada con respecto a la variacion de
la medida de las muestras.
Bibliografía