See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/259891195

Diseño de un sistema de visión artificial para seleccionar limón

Conference Paper · May 2013

DOI: 10.13140/2.1.2308.7043

CITATIONS READS
3 4,118

4 authors, including:

Luis Humberto Rivera Cambero Juan CARLOS Rodriguez

Instituto Tecnológico José Mario Molina Pasquel y Henríquez, Unidad Académica La … Instituto Tecnológico Superior de La Huerta
35 PUBLICATIONS 34 CITATIONS 2 PUBLICATIONS 3 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Determinación de compuestos por cromatografía de gases View project

All content following this page was uploaded by Luis Humberto Rivera Cambero on 27 January 2014.

The user has requested enhancement of the downloaded file.

Instituto Tecnológico de La Paz CIRC 2013

Diseño de un sistema de visión artificial para

seleccionar limón

Rivera Cambero L. H.*, Martínez Orozco G.* Jiménez Vicencio M. L.*, Rodríguez
Ramos J. C.*

*Instituto Tecnológico Superior de La Huerta,

La Huerta, Jalisco. C.P. 48850 México
(Tel: 357-384-1884; e-mail: luis.rivera@itslahuerta.edu.mx).

Resumen: En este proyecto se presenta el diseño de un sistema de visión artificial capaz de

determinar el grado de madurez y tamaño del limón con base en el procesamiento de
imágenes utilizando filtros y algoritmos con el programa Matlab. Se desarrolló una tarjeta
de adquisición de datos con el microcontrolador PIC18F4550 para detectar la presencia del
limón con un sensor de proximidad y para seleccionar la fruta con el resultado del
procesamiento.
Palabras claves: Sensor, procesamiento de imagen, PIC18F4550, filtros, algoritmo

1. INTRODUCCIÓN
Actualmente, la implementación de la visión artificial
en la agricultura se ha intensificado
considerablemente en los últimos años, como por
ejemplo agricultura de precisión, monitoreo de
cultivos, robótica, inspección no destructiva de las
propiedades del producto, clasificación en líneas de
procesamiento, control de calidad y en general en la
automatización de procesos. El uso en estas
aplicaciones se debe a que los sistemas de visión
artificial proporcionan información acerca de la
naturaleza y atributos de la escena capturada. Por otra
parte, esta tecnología permite la posibilidad de
estudiar escenas en regiones del espectro
electromagnético en las que el ojo humano no es
sensible, como es el caso de la radiación ultravioleta
(UV) o regiones del infrarrojo (IR) (Zude, 2008).
La inspección de productos agroalimentarios es un
campo donde se implementa esta tecnología y se ha
extendido rápidamente (Sun, 2007, Lorente et al.,
2012) y particularmente en la inspección automática
de frutas y verduras. La calidad de una pieza de fruta
o verdura, sea fresca o procesada, se define por una
serie de características fisicoquímicas que la hacen
más atractiva para el consumidor, tales como su
grado de madurez, tamaño, peso, forma, color, entre
otras (Du y Sun, 2006).
Estudios efectuados con variedades diferentes de
manzanas en donde personal cualificado comparó
varias características de forma, tamaño y color,
demostró la limitada capacidad humana para
reproducir la estimación de la calidad, a esto los
autores definen como inconsistencia (Paulus et al.,
1997). Además, las exigencias de calidad son cada
vez mayores que se expresa en las Normas Oficiales
Mexicanas (NOM). El aumento de parámetros
considerados en un proceso de selección para la toma
de decisiones, lo hace también el error de
clasificación.
Con la finalidad de contribuir con el desarrollo
tecnológico en la región de la Costa Sur en Jalisco
para los productores de limón, se propone el diseño
de un sistema con base en la visión artificial y el
procesamiento de imágenes para selección de limón,
aplicando un algoritmo que sea capaz de identificar
las características morfológicas como el grado de
madurez y su tamaño utilizando captura, filtros de
imagen y toma de decisiones con el programa de
Matlab y una tarjeta de adquisición de datos.

ISBN: 978-607-95534-5-6 211

Instituto Tecnológico de La Paz CIRC 2013

2. CONCEPTOS BÁSICOS DE UN SISTEMA DE La salida del proceso de segmentación es una imagen

VISIÓN ARTIFICIAL.
2.1. Formación y representación de la imagen.
Una imagen es una representación visual de un
objeto iluminado por una fuente radiante. Las que se
perciben en las actividades cotidianas provienen
normalmente de la luz reflejada por los objetos. La
naturaleza básica de una imagen, representada por
, 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.
Las componentes reciben el nombre de iluminación y
reflactancia, notándose y (ROI) o rasgos que son básicos para diferenciar una
respectivamente. Estas funciones al combinarse
como producto obtienen
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 de dimensiones de la forma:
de datos que contiene la frontera de la región o los
puntos. Dos formas de representación de la imagen
son 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.
Una vez seleccionada la representación de la imagen,
se debe especificar el método que obtenga los datos
de interés.
La cuarta etapa es la parametrización que se dedica a
extraer rasgos que producen las regiones de interés
clase de objetos de otra. La quinta etapa se encuentra
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. En la figura 1, se muestra el
diagrama de bloques de todas las etapas que
intervienen en un sistema de visión artificial (SVA)
(González, 2006).

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

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

donde cada elemento, pixel, da la intensidad de la

imagen en ese punto (González, 2006).

2.2. Etapas en un proceso de visión artificial

La primera etapa en el proceso es adquirir la imagen

digital utilizando sensores ópticos con capacidad para
digitalizar la señal producida. La segunda etapa es el
preprocesamiento de la imagen donde se aplican
filtros y algoritmos.

La tercera etapa es la segmentación de la imagen que

consiste en la división de la imagen en las distintas
regiones que la componen, de las que se obtienen los
objetos de interés en la imagen. Una forma de
segmentar una imagen es clasificando cada pixel
como perteneciente a una clase, para lo que existen
numerosos métodos descritos en la bibliografía Fig. 1. Diagrama de bloques de las etapas de un
(González y Woods, 2002; Russ, 2006). sistema de visión artificial.

ISBN: 978-607-95534-5-6 212

Instituto Tecnológico de La Paz CIRC 2013

2.3. Componentes de un sistema de visión artificial 1 capacitor electrolítico de 47 µF y 2 capacitores

cerámicos de 22 pF, un cristal de 4 MHz, leds,
Los elementos mínimos necesarios para un sistema terminales, un programador PICkit 2, un sensor de
de visión artificial (SVA) son los siguientes: proximidad y un prototipo de banda transportadora.

Sensor óptico: Es un dispositivo capaz de capturar 3.1. Adquisición de imagen

una escena y digitalizarla, puede ser una cámara. Las
cámaras industriales más populares están basadas en
CCD (dispositivo de carga acoplada), que consisten
en una serie de sensores (pixeles) compuestos cada
uno de ellos por una fotocélula y un capacitor
(Peterson, 2001).
Tarjeta de adquisición de imagen: Permite digitalizar
la señal de video entregada por el sensor óptico.
En el SVA se ubicó la cámara a 90° y a 25 cm sobre
la posición del limón en la banda transportadora y se
conectó a la tarjeta de adquisición de imágenes de la
computadora. Se instaló una lámpara led a 25° de la
superficie del limón con referencia al eje horizontal
para eliminar la sombra generada (Fernández, 2005).
En la figura 3 se observa el prototipo utilizado para
obtener la imagen del limón.

Computadora: Su funcionamiento es para almacenar

y procesar la escena capturada por un programa.

Monitor de video: Permite visualizar las imágenes o

escenas captadas como resultados del procesamiento
de dichas imágenes.

En la figura 2 se puede analizar 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, Fig. 3. Prototipo del sistema de visión artificial.
desestimarlo, actuar sobre él, entre otras funciones
(González, 2006). Se utilizó un sensor de proximidad ubicado en la base
de la cámara para detectar la presencia del limón
(Figura 4) enviando la señal por medio de la tarjeta
de adquisición de datos (Figura 5) conectada a la
computadora por el puerto USB indicando al
programa que realice la captura de la imagen y
proceda con el procesamiento de la imagen.

Fig. 2. Diagrama de bloques de un sistema SVA.

3. DESARROLLO DEL SISTEMA DE VISIÓN

ARTIFICIAL.

Para el diseño del sistema se utilizó una computadora

portátil con un procesador Intel Celeron de doble
Fig. 4. Sensor de proximidad.
núcleo a 2 GHz y 2 GB de memoria RAM, una
cámara web USB Encore, un microcontrolador
PIC18F4550, un cable USB, 8 resistencias de 220 ,

ISBN: 978-607-95534-5-6 213

Instituto Tecnológico de La Paz
Fig. 5. Tarjeta de adquisición de datos con
microcontrolador PIC18F4550.
3.2. Transformación y filtrado
Se aplicó un filtro de moda que suaviza los bordes
entre regiones de diferentes clases y elimina los
pixeles aislados que no forman ninguna región y que
solo constituyen ruido en la imagen. Para la
aplicación de este filtro, se recorre la imagen
segmentada y se calcula, para cada pixel, el valor que
aparece con más frecuencia en la ventana de 8-
vecinos. Se podría haber aplicado un filtro de
mediana, pero se consideró más apropiado el filtro de
moda ya que con este último se consigue, además,
suavizar la frontera entre regiones adyacentes, lo que
permite acelerar los procesos siguientes de extracción
y análisis de contornos de las ROI (Cubero, 2012).
El algoritmo seguido para filtrar la imagen es el
siguiente
Para cada píxel en la ROI de la Imagen Segmentada
{ convertirlos a Hunter L, a, b que es una escala de
Calcular el valor más repetido de los 8-vecinos del
píxel
Copiar el valor obtenido en la Imagen Filtrada
} rojo-verde y amarillo-azul, el valor de L indica el
3.3. Segmentación
Para implementar la segmentación de la imagen, se
realizó un recorrido secuencial desde la coordenada
(x=0, y=0). Al obtener el valor RGB de un pixel se
clasificó utilizando la tabla de consulta (LUT) y se
obtuvo la clase con la que se etiqueta ese pixel. El
resultado de este proceso es una nueva imagen en la
que cada pixel tiene un valor entre 0 y 9. Este método
ha sido probado con anterioridad en problemas
similares y tiene la ventaja de ser muy rápido desde
el punto de vista de costo computacional, en cada
pixel se tiene que acceder a la LUT que se encuentra
ISBN: 978-607-95534-5-6
CIRC 2013
almacenada en memoria para comprobar el valor
asociado o si pertenece a un intervalo determinado.
Una de las desventajas que presenta este método
supervisor es que necesita calibración previa y en
ocasiones se debe realizar de nuevo cuando varían
las condiciones originales (Cubero, 2012). El
algoritmo para segmentar la imagen es el siguiente:
Para cada píxel en la ROI de la Imagen Original
{
Extraer RGB del píxel
Comprobar la clase a la que pertenece el píxel en la
LUT
Copiar el valor obtenido de la clase en la Imagen
Segmentada
}
3.3. Parametrización
Para procesar el contorno de la imagen se utilizó el
método de código de cadena (Freeman, 1961). Este
método se aplica a la totalidad de los pixeles en la
imagen. Cuando se detecta un pixel perteneciente al
contorno, se inspeccionan todos sus vecinos en el
sentido de las agujas del reloj (iniciando en el mismo
pixel, por ejemplo el que se encuentra situado a la
derecha) en busca de los pixeles que continúan el
contorno hasta finalizar en el pixel inicial. En caso de
llegar a una frontera abierta, todos los pixeles de este
contorno se descartan y se continúa el proceso
alrededor buscando otro pixel perteneciente a un
nuevo contorno (Cubero, 2012).
3.4. Clasificación
Los valores de color en la imagen se ofrecen en
coordenadas de color RGB y es necesario
color basado en la teoría de colores opuestos, asume
que los receptores del ojo humano perciben el color
como los siguientes pares de opuestos: claro-oscuro,
nivel de claridad u oscuridad, el valor de a es el
enrojecimiento o tono verde y el valor de b es el tono
amarillo o azulado. Los tres valores son necesarios
para describir completamente el color de un objeto
(Hunter Lab, 2008), se estima posteriormente el
índice de color de los cítricos (ICC) (Jiménez et al.,
1981). Para realizar la conversión del espacio de
color RGB a cualquier otro es necesario convertir
previamente los valores originales al espacio XYZ
utilizando la matriz (2) como transformación
estandarizada propuesta por la Comisión
Internacional para la Iluminación (CIE) en 1931.
214
Instituto Tecnológico de La Paz
(2)
Este paso representa una pérdida de precisión ya que
el espacio RGB es limitado en cuanto a número de
colores; en RGB no se pueden definir todos los
colores posibles que aporta un espectro.
Algoritmo para decidir el color de la fruta:
Se estima la moda de todos los valores RGB
pertenecientes a fruta de cada imagen. El valor de la
moda se convierte finalmente a espacio Hunter Lab
para obtener el ICC de cada fruta utilizando la
siguiente ecuación:
(3)
Una vez obtenidos los resultados del análisis, estos se
transfieren a un espacio de memoria en la
computadora para que el programa desarrollado los
clasifique según los parámetros deseados del usuario.
3.5. Diseño del programa para el procesamiento
El programa se desarrolló con Matlab en el entorno
gráfico GUI utilizando el la caja de herramientas de
adquisición de imágenes para generar el código de
captura como se muestra a en la figura 3. Puede
observarse la imagen capturada, la relación de
valores RGB en gráficos y la moda correspondiente
al área analizada, además muestra si la fruta es
aceptada o rechazada.
Fig. 5. Interfaz gráfica del programa desarrollado en
Matlab.
Se programaron los algoritmos utilizando las
funciones del programa y se validaron con imágenes
preestablecidas. El funcionamiento del programa
ISBN: 978-607-95534-5-6
CIRC 2013
que permite poner en funcionamiento la banda
transportadora que a su vez envía una señal de
detección de la fruta por medio del sensor de
proximidad indicándole que realice la captura de la
escena. Una vez obtenida la imagen, se procesa y se
determina su selección indicando si es aceptada o
rechazada enviando el programa una respuesta a la
tarjeta de adquisición de datos para que realice la
acción de selección.
4. RESULTADOS
Se sincronizaron manualmente la detección de la
fruta por el sensor de proximidad y la orden de
captura de la imagen, así mismo se encontró el
ángulo óptimo de incidencia de iluminación a 25°
evitando sombras en la captura de la imagen.
En la figura 6 se demuestra en síntesis las etapas del
proceso de visión artificial. Se analiza la captura de
la imagen de la fruta, los valores de los colores en
formato RGB y los resultados obtenidos al
implementar el filtro de moda para determinar el
grado de madurez, así mismo se implementó el
algoritmo de contorno, selección de objeto y cálculo
de área para obtener el tamaño de la fruta. Se realizó
la calibración del algoritmo utilizando el índice de
color de cítricos (ICC) comparando el color de
madurez con el espectro Hunter Lab y el tamaño con
las características deseadas del productor.
Se realizaron pruebas controladas y se obtuvo un
porcentaje de precisión considerable cercano al 97%.
El principal problema es encontrar el ángulo de
iluminación eficiente para que elimine en su totalidad
las sombras.
Fig. 6. Ejecución del programa.
215
Instituto Tecnológico de La Paz CIRC 2013

5. CONCLUSIONES artificial. Editorial Universidad de La Rioja.

Al desarrollar el sistema de visión artificial, se
analizaron algoritmos de procesamiento de imágenes
capaces de ofrecer resultados variados, se
seleccionaron los algoritmos propuestos por
González (2006) y Cubero (2012) obteniendo un
resultado óptimo bajo restricciones de prueba. El
sistema tiene la capacidad de analizar el grado de
madurez y el tamaño del limón con un grado
considerable de aceptación con un error cercano al
3% en pruebas controladas.
Como trabajos futuros se mejorará la proyección de
la iluminación y se optimizarán los algoritmos para
detectar los defectos de la fruta para incluirlo como
restricción en la selección del limón, además de
realizar el análisis en movimiento de la banda
transportadora para reducir tiempos.
AGRADECIMIENTOS
Al Instituto Tecnológico Superior de la Huerta por
facilitar el uso del laboratorio de cómputo y ciencias
básicas para desarrollar este proyecto.
REFERENCIAS
España.
González, R.C. y Woods, R.E. (2002). Digital image
processing. Prentice Hall, USA.
Hunter Lab, (2008). Application note: Hunter L,a,b
versus CIE 1976 L*a*b*. Disponible en:
http://www.hunterlab.com/appnotes/an02_01.pdf
. Recuperado en Abril de 2013.
Jiménez, M., Cuquerella, J. y Martínez, J.M. (1981).
Determination of a color index for citrus fruit
degreening. Proceedings of the International
Society of Citriculture (2), 750-753.
Paulus, I., De Busscher, R. y Schrevens, E. (1997).
Use of image analysis to investigate human
quality classification of apples. Journal
Agricultural Engineering Research, 68, 341-53.
Peterson, C. (2001). How it works: the charged-
coupled device or CCD. Journal of young
investigators. Available at:
Russ, J.C. (2006). The Image Processing Handbook,
Fifth Edition. CRC Press, Boca raton, USA.
Sun, D.W. (2007). Computer vision technology for
food quality evaluation. Academic Press,
Elsevier Science, London, UK.
Zude, M. (2008). Optical monitoring of fresh and
processed agricultural crops. CRC Press, Boca
Raton, USA.

Cubero, S., (2012). Diseño e implementación de

nuevas tecnologías basadas en visión artificial
para la inspección no destructiva de la calidad
de fruta en campo y mínimamente procesada.
Tesis Doctoral. Universidad Politécnica de
Valencia.
Du, C.J., Sun, D.W. (2006). Learning techniques
used in computer vision for food quality
evaluation: a review. Journal of Food
Engineering, 72, 39 55.
Lorente, D., Aleixos N., Gómez, J., Cubero, S.,
García, O.L. y Blasco, J. (2012). Recent
advances and applications of hyperspectral
imaging for fruit and vegetable quality
assessment. Food and Bioprocess Technology.
1-22. 10.1007/s11947-011-0725-1
Fernández, L., Castillero, C. y Aguilera, J.M. (2005).
An application of image analysis to dehydration
of apple discs. Journal of Food Engineering, 67,
185 193.
Freeman, H., (1961). On the encoding of arbitrary
geometric configurations. IEEE Trans. Elect.
Computers. EC-10:260-268.
González, A., Martínez, F., Pernía, A., Alba, F.,
Castejón, M., Ordieres, J. y Vergara, E. (2006).
Técnicas y algoritmos básicos de visión

ISBN: 978-607-95534-5-6 216

View publication stats