UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE INGENIERIA INDUSTRIAL

ESCUELA PROFESIONAL DE INGENIERIA
MECATRNICA

INFORME FINAL DE TESINA

TITULO: Diseo de un Sistema de Seleccin Automatizada del Mango por
Calibres utilizando Visin Artificial

RESPONSABLES:
Curay Quevedo Jhan Carlos
Palacios Ortiz Martin Benito
Rimapa Bustamante Wilder Ivn

Piura, 2014

CAPTULO I
1. DEL PROBLEMA DE INVESTIGACIN
1.1. PLANTEAMIENTO DEL PROBLEMA
El presente trabajo de investigacin se bas en el estudio, mejora y automatizacin en el
proceso de seleccin del mango, debido a que dicho proceso es realizado manualmente en
las distintas fbricas de la ciudad de Tambogrande.
1.1.1.Realidad Problemtica
Todas las empresas hoy en da buscan optimizar su calidad en produccin para garantizar
un nivel superior a las dems debido a la alta competitividad.
Como muchas de estas empresas agroindustriales dedicadas al rubro del comercio del
mango, existen en la ciudad de Tambogrande y buscan liderar en los niveles de
exportaciones. Dentro de la estructura organizacional de estas empresas se encuentra el
Departamento de Procesos que es el encargado de la seleccin

por el mtodo de

calibracin, cuya funcin es cumplir con los estndares de calidad requerido por el cliente.
Sin embargo se observ que en dicho Departamento los trabajadores sufran de niveles de
stress generado a partir del trabajo continuo del proceso de seleccin manual establecido
por la empresa, disminuyendo de esta forma el grado de eficiencia en sus labores. En
consecuencia el mango no se clasificaba ni se distribua correctamente ya que, los tiempos
designados en su proceso de seleccin daban lugar a impases de algunos mangos que no
cumplan con el estndar requerido, generndose grandes prdidas.
Adems se observ que al tener demasiada produccin, el mtodo de seleccin usado no
satisfaca la totalidad del producto, por lo que se echaba a perder gran nmero de fruta
debido a la sobre maduracin. De esta forma la empresa pierde un porcentaje en sus
ganancias.
Para combatir estos problemas se puede emplear el uso de tecnologa basado en visin
artificial, que permite reducir el tiempo de seleccin del mango, cumpliendo con los

estndares de calidad de una forma eficiente logrando as aumentar el grado de satisfaccin

en el cliente.
En caso de que sigan persistiendo estos problemas en el Departamento de Procesos de la
empresa, estos le ocasionaran un desperdicio de fruta, que dar lugar a grandes prdidas
econmicas para la empresa.
1.1.2. Formulacin del Problema
Pregunta General
Cmo mejorara el proceso de seleccin del mango utilizando un prototipo basado
en visin artificial en el departamento de Procesos de las empresas dedicadas a este
rubro en la ciudad de Tambogrande?
Pregunta Especfica
Cmo identificaremos las tcnicas de reconocimiento y seleccin de mango
utilizando Visin Artificial?

1.2. OBJETIVOS

1.2.1. Objetivo General

Disear e implementar un prototipo basado en visin artificial para la seleccin del
mango.

1.2.2. Objetivos Especficos

Analizar las tcnicas de visin artificial para el reconocimiento y seleccin
automtico del mango.
Identificar los elementos del Sistema de Visin Artificial, basndonos en un
Diagrama de Bloques.

1.3. JUSTIFICACIN

El estudio se realiz con el fin de resolver la problemtica que se est presentando en

las empresas de la ciudad de Tambogrande y dems valles costeros dedicados a la
exportacin de mango y conservas, ya que en el proceso de seleccin del mismo, se
utiliza en muchos casos el mtodo de calibracin manual, el cual por factores humanos,
no llega a seleccionar de forma correcta y eficiente el mango destinado para las
exportaciones, el cual lleva un rgimen laboral para poder cumplir todos los estndares
de calidad requeridos por los diversos mercados de destino.
El inters de este estudio es mejorar la calidad en exportaciones y disminuir las prdidas
de mango en el proceso de su clasificacin, a partir de una mejora en el sistema de
seleccin que nos garantice rapidez y eficiencia aplicando un campo de la Inteligencia
Artificial denominado Visin Artificial con grandes resultados, que nos permitan
incrementar los intereses econmicos de la empresa y aumentar el grado de satisfaccin
de los clientes, con un producto de calidad, causando un impacto de ejemplo para las
dems empresas que realizan el mismo proceso.
Desde el punto de vista de optimizacin de procesos, con la implementacin del
Sistema Basado en Visin Artificial para el Reconocimiento de mangos exportables, el
margen de error que esperamos alcanzar ser menor al 5% frente al margen de error
actual en promedio del 20% generado por el reconocimiento manual realizado por el
personal encargado de la Seleccin en las diversas empresas de los diferentes valles
costeros productores de mango en la ciudad de Piura, aproximadamente una reduccin
del margen de error del 15%.

CAPTULO II
2. MARCO REFERENCIAL DEL PROBLEMA DE INVESTIGACIN
2.1 MARCO REFERENCIAL
2.1.1. Marco Terico
2.1.1.1 Conceptos Bsicos
a) Imagen: Es la proyeccin en perspectiva en el plano bidimensional de una escena
tridimensional en un determinado instante de tiempo t0.
b) Fotograma: Es una matriz bidimensional de valores de intensidad lumnica
obtenidos para un tiempo t0.
c) Pixel (Picture Element): Es cada de una de las posiciones en que es discretizada
una imagen, o lo que es lo mismo, cada una de las posiciones de un cuadro.
d) Imagen Binaria: son aquellas imgenes cuyos pixeles so tiene dos valores cero y
uno.
2.1.1.2. Sensor
Un sensor es un dispositivo elctrico y/o mecnico que convierte magnitudes fsicas (luz,
magnetismo, presin, etc.) en valores medibles de dicha magnitud. Esto se realiza en tres
fases:

Un fenmeno fsico a ser medido es captado por un sensor, y muestra en su salida

una seal elctrica dependiente del valor de la variable fsica.

La seal elctrica es modificada por un sistema de acondicionamiento de seal,

cuya salida es un voltaje.

El sensor dispone de una circuitera que transforma y/o amplifica la tensin de

salida, la cual pasa a un conversor A/D, conectado a un PC. El convertidor A/D
transforma la seal de tensin continua en una seal discreta.

(Ing. Jos Roberto Vignoni; Instrumentacin y Comunicaciones Industriales, 2003)

2.1.1.3. Visin Artificial

Se puede definir la Visin Artificial como un campo de la Inteligencia Artificial que,
mediante la utilizacin de las tcnicas adecuadas, permite la obtencin, procesamiento y
anlisis de cualquier tipo de informacin especial obtenida a travs de imgenes digitales.
La visin artificial la componen un conjunto de procesos destinados a realizar el anlisis de
imgenes. Estos procesos son: captacin de imgenes, memorizacin de la informacin,
procesado e interpretacin de los resultados.
2.1.1.4. Sistema de Visin Artificial
Los sistemas de visin industriales, son una combinacin de hardware y software, que
permiten capturar una imagen y aplicarle una serie de tcnicas, que ayudan a transformar y
sustraer informacin importante, con la finalidad de que el sistema tome una decisin
binaria.
Estos sistemas reciben el nombre de: sistemas de inspeccin visual automatizados o
automticos. Actualmente estos sistemas se han convertido en una importante herramienta
en diversos campos; tales como: medicina, astronoma, geografa, biologa, industria
agrcola, manufactura, industria, militar, etc.
La inspeccin visual automtica se define como: proceso de control calidad que mediante
tcnicas de procesamiento digital de imgenes y reconocimientos de patrones, determina
automticamente si un producto se desva de las especificaciones de calidad. ([Newman y
Jain, 1995]; Tesis para obtener el grado de: Maestro en Ingeniera de Manufactura: Vctor
Vargas Baeza.)
2.1.1.5. Caractersticas y Aplicaciones Principales en un Sistema de Visin Artificial
Las principales caractersticas de un sistema de visin artificial son:

Analizan luz o color reflejado: Miden nivel de luz

Detectan bordes y formas.

Actan sin contacto: No deforman el material.

Se puede analizar un objeto en movimiento.

Son automticos: Alta velocidad de procesado.

Flexibles: basados en software.

Entorno informtico.

Las aplicaciones de Visin Artificial se dividen en tres grandes categoras:

Control de procesos.

Control de calidad.

Aplicaciones no industriales (por ejemplo, control del trfico).

2.1.1.6. Etapas en un Proceso de Visin Artificial

La visin artificial lleva asociada una enorme cantidad de conceptos relacionados con
hardware, software y tambin con desarrollo tericos.
Pasos fundamentales para llevar a cabo un proceso de visin artificial:
El primer paso en el proceso es adquirir la imagen digital.
Una vez que la imagen digitalizada ha sido obtenida, el siguiente paso consiste en
procesamiento de dicha imagen. El objetivo del procesamiento es mejorar la imagen de
forma que el objetivo final tenga mayores posibilidades del xito.
El paso siguiente es la segmentacin. Definida en sentido amplio, su objetivo es dividir la
imagen en las partes que la constituyen o los objetos que la conforman. En general la
segmentacin autnoma es uno de los problemas ms difciles en el procesamiento de la
imagen.
En ltimo lugar se encuentra el reconocimiento y la interpretacin. El reconocimiento es el
proceso que asigna una etiqueta a un objeto basada en la informacin que proporcionan los
datos. La interpretacin lleva asignar significada al conjunto de objetos reconocidos.

FIGURA 2. 1. Diagrama de Bloques de las Etapas se un Sistema de Visin Artificial

Fuente: Diseo de un sistema de visin artificial para seleccionar limn/Rivera Cambero L. H.
/ Martnez Orozco G. /Jimnez Vicencio M. L. / Rodrguez Ramos J. C./Instituto Tecnolgico
Superior de La Huerta,

2.1.1.7. Componentes de un Sistema de Visin Artificial

Los elementos de hardware mnimo necesario para un sistema de visin artificial son los
siguientes:
Sensor ptico: El sensor puede ser una cmara color o monocromo que produce
una imagen completa del dominio del problema. La naturaleza del sensor y la
imagen que produce vienen determinada por la aplicacin.
Tarjeta de adquisicin de datos: Permite digitalizar la seal entregado por el
subsistema anterior.

 Computador: Una vez digitalizada la imagen, debe ser almacenada en la memoria

de un computador para su posterior procesamiento y manipulacin por programa.
Monitor de video: Permite visualizar tanto las imgenes o escenas captadas
como los resultados del procesamiento de dicha imagen.
En la Figura 2.2 se puede ver el objeto observado, la iluminacin, la cmara y el
proceso de digitalizacin que permite por un lado la visualizacin de la imagen digital y
por otro lado el proceso de extraccin de parmetros y su posterior proceso de anlisis
y control que acta sobre el entorno del objeto, ya sea para clasificarlo, desestimarlo,
actuar sobre l, etc.

FIGURA 2.2. Diagrama de Bloques de un Sistema de Visin Artificial

Fuente:http://www.etitudela.com/celula/downloads/visionartificial.pdf-Visin Artificial

2.1.1.8. Reconocimiento y Clasificacin

La clasificacin de objetos por su tamao y en su caso el recuento de los mismos, ver
figura 12. Por ejemplo, para contar monedas en funcin del rea de la moneda, permetro o
nmero de Euler tras el correspondiente proceso de binarizacin.

En Cspedes y col. (1998) se muestra una tcnica para el reconocimiento de caras de

personas mediante visin artificial utilizando perfiles de intensidad. En Intrator y col.
(1996) se utilizan redes neuronales con el mismo fin, y en Kwon y Lobo (1999) se
clasifican las edades a partir de imgenes de caras. Feng y Yuen (1998) reconocen ojos en
caras humanas. Purnell y col. (1998) reconocen caras de entre un grupo de personas.

Figura 2.3. a) Imagen Original. b) rea de las monedas Originales.

Fuente:

http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF-

Aplicaciones De La Visin Artificial

En JIVA (1991) se propone un procedimiento de lectura automtica de datos del

Documento Nacional de Identidad, as como reconocimiento de objetos basados en el color.
El reconocimiento de huellas dactilares tambin es posible mediante visin, as en Capelli y
col. (1999) se utiliza un conjunto de mscaras para obtener un vector numrico
representando cada huella digital como un vector de atributos multidimensional, luego
mediante optimizacin se realiza la clasificacin. Los trabajos de Caru y Jain (1996) y
Kawagoe y Tojo (1984) tambin presentan mtodos de reconocimiento de huellas
dactilares. (Aplicaciones de Visin Artificial-RA-MA.)
2.1.1.9. Imagen Digital
Es el principal elemento de la Visin Artificial y es una representacin bidimensional de
una imagen a partir de una matriz numrica, frecuentemente en binario (unos y ceros).
Dependiendo de si la resolucin de la imagen es esttica o dinmica, puede tratarse de
una imagen matricial (o mapa de bits) o de un grfico vectorial.

10

Las imgenes digitales se pueden guardar en distintos formatos. Cada uno se corresponde
con una extensin especfica del archivo que lo contiene. Los ms utilizados en la
actualidad son: BMP, GIF, JPG, TIF y PNG.
BMP (Bitmap = Mapa de bits)

Ha sido muy utilizado porque fue desarrollado para aplicaciones Windows.

La imagen se forma mediante una parrilla de pxeles.

El formato BMP no sufre prdidas de calidad y por tanto resulta adecuado para
guardar imgenes que se desean manipular posteriormente.

Ventaja: Guarda gran cantidad de informacin de la imagen.

Inconveniente: El archivo tiene un tamao muy grande.

GIF (Graphics Interchange Format = Formato de Intercambio Grfico).

Ha sido diseado especficamente para comprimir imgenes digitales.

Reduce la paleta de colores a 256 colores como mximo (profundidad de color de 8

bits).

Admite gamas de menor nmero de colores y esto permite optimizar el tamao del
archivo que contiene la imagen.

Ventaja: Es un formato idneo para publicar dibujos en la web.

Inconveniente: No es recomendable para fotografas de cierta calidad ni originales

ya que el color real o verdadero utiliza una paleta de ms de 256 colores.

JPG-JPEG (Joint Photographic Experts Group = Grupo de Expertos Fotogrficos

Unidos).

A diferencia del formato GIF, admite una paleta de hasta 16 millones de colores.

Es el formato ms comn junto con el GIF para publicar imgenes en la web.

La compresin JPEG puede suponer cierta prdida de calidad en la imagen. En la

mayora de los casos esta prdida se puede asumir porque permite reducir el tamao
del archivo y su visualizacin es aceptable. Es recomendable utilizar una calidad del
60-90 % del original.

11

Cada vez que se modifica y guarda un archivo JPEG, se puede perder algo de su
calidad si se define cierto factor de compresin.

Las cmaras digitales suelen almacenar directamente las imgenes en formato JPEG
con mxima calidad y sin compresin.

Ventaja: Es ideal para publicar fotografas en la web siempre y cuando se

configuren adecuadamente dimensiones y compresin.

Inconveniente: Si se define un factor de compresin se pierde calidad. Por este

motivo no es recomendable para archivar originales.

TIF-TIFF (Tagged Image File Format = Formato de Archivo de Imagen Etiquetada).

Almacena imgenes de una calidad excelente.

Utiliza cualquier profundidad de color de 1 a 32 bits.

Es el formato ideal para editar o imprimir una imagen.

Ventaja: Es ideal para archivar archivos originales.

Inconveniente: Produce archivos muy grandes.

PNG (Portable Network Graphic = Grfico portable para la red).

Es un formato de reciente difusin alternativo al GIF.

Tiene una tasa de compresin superior al formato GIF (+10%)

Admite la posibilidad de emplear un nmero de colores superior a los 256 que

impone el GIF.

Debido a su reciente aparicin slo es soportado en navegadores modernos como IE

4 o superior

2.1.1.10. Representacin de las imgenes en los computadores digitales

Aunque el sistema de visin humano tiene mayor resolucin en la fvea y menos en la
periferia, se ha observado que a pesar de que la distribucin de los foto receptores no es
uniforme, la percepcin visual si lo es. Los humanos percibimos con una nica resolucin.

12

Esta circunstancia ha conducido a la utilizacin de sensores con matrices de resolucin

uniforme. Por tanto, la organizacin corresponde a una matriz 2D uniforme.
Las imgenes para ser procesadas en el computador han sido adquiridas a travs de la
cmara de vdeo y puestas en su memoria empleando las tarjetas de adquisicin de vdeo.
Esta seal es de carcter bidimensional y emplea variables discretas. Los elementos de la
matriz se llaman pxeles. El acceso a esta elemental informacin se hace indicando la fila y
la columna que ocupa. El origen de coordenadas de la imagen se encuentra en la esquina
superior izquierda. El eje horizontal corresponde con las columnas y el eje vertical con las
filas. Se emplearn ndices enteros para posicionar el pxel. Se denotar el valor del pxel a
travs de una funcin, del tipo f(x, y), siendo x el ndice de la fila e y de la columna.
Si la imagen es acromtica, slo se presenta la luminancia, esto es, los niveles de grises. La
funcin f(x, y) retornar el nivel de gris del pxel mencionado. En caso de que la imagen
sea en color, f(x, y) devolver un vector. Normalmente suele expresarse como una
proyeccin del color sobre el sistema RGB (Red-Green-Blue).
La imagen puede ser de tipo 3D, por ejemplo, en resonancia magntica, luz estructurada,
etc. stas se presentan como una pila de imgenes 2D. Se les aade otro ndice,
denominado k o z, que indica el orden de la rodaja de imagen 2D dentro de la pila.
La secuencia temporal de imgenes estticas da lugar al vdeo. En el cine se emplea 25
fotogramas por segundo, gracias a la inercia visual del ojo humano, da sensacin de
continuidad en la escena.

13

FIGURA 2.4. Organizacin matricial uniforme de una imagen digital

Fuente:http://www.elai.upm.es/moodle/pluginfile.php/2246/mod_resource/content/2/cap1_Intr
oVA_v1.9.pdf-Introduccin a la Visin Artificial

2.1.1.11. Procesamiento de Imagen

Una vez preparada la escena para ser capturada por las cmaras de Visin Artificial, se
deber de tratar el aspecto tanto de la cuantificacin como de la codificacin que sufre la
seal de vdeo al ser introducida en el computador. Depositada la informacin, como una
matriz o conjunto de matrices de valores discretos se proceder, tal cual se vio en las etapas
de visin, a un procesado de la imagen. Esta etapa, de bajo nivel, trata de obtener una nueva
imagen que o bien mejore su calidad o bien destaque algn atributo primario de los objetos
capturados. En el aspecto de la calidad tratar de corregir las posibles faltas de iluminacin,
la eliminacin del ruido o de aumentar el contraste en la imagen. Mientras en el realce, su
objetivo es destacar los bordes de los objetos, regularizar sus colores, acentuar sus texturas,
etc.
Las tcnicas de procesamiento de las imgenes pueden ser clasificadas en dos grandes
ramas: a) las procedentes del procesamiento de seales y b) aquellas que son de carcter
heurstico y que nacieron para mejorar algn aspecto primario de la imagen.

14

2.1.1.12. Muestreo y Cuantificacin

Las imgenes digitales son obtenidas por el proceso de muestreo y cuantificacin de las
seales de vdeo adquirida a travs de sensores especializados (bien de cmaras u otro tipo
de adquisicin). El muestreo consiste en la tarea de discretizacin del escenario en el plano
sensor. La imagen es convertida en una matriz discreta de MxN pxeles. El muestreo est
relacionado con la resolucin espacial de la imagen.

FIGURA 2.5. Resoluciones distintas tomadas sobre un mismo escenario

Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes
VA/cap3ProcesadoImagv1.pdf-Procesamiento digital de imgenes

La segunda operacin es la cuantificacin de la seal. Consiste en representar el valor de

cada pxel con un conjunto finito de bits. Los niveles de cuantificacin suelen ser potencias
de 2 para facilitar su almacenamiento en el computador. El nmero de niveles posibles

15

define la resolucin radiomtrica. Cuando las imgenes solo tienen informacin sobre la
luminancia se habla de una imagen en niveles de grises. En este caso, la cuantificacin del
pxel es de tipo escalar. Si el escalar slo tiene dos valores, se dice que la imagen es binaria.
El valor del cero es negro y el uno es blanco. En general, se suele emplear un byte de
cuantificacin por pxel, consiguiendo 256 niveles de grises. El cero ser el color negro y el
valor 255 corresponder con el blanco. Entre el cero y el valor 255 estarn los diversos
valores de grises. Para el caso del color, la cuantificacin se vuelve vectorial; por cada pxel
se representara una terna de valores que haga reflejar la luminancia y crominancia en cada
pxel. La terna depender del sistema de representacin del color: RGB. Comnmente, se
emplear el sistema RGB con 1 byte por cada color, de forma que se obtendr 16 millones
de colores. Las aplicaciones industriales suelen emplear una resolucin radiomtrica de 256
niveles de grises o de 16 millones de colores. Evidentemente, si la aplicacin exige ms
resolucin, el volumen de informacin se incrementa exponencialmente.

FIGURA 2.6. Niveles de cuantificacin

Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes
VA/cap3ProcesadoImagv1.pdf-Procesamiento digital de imgenes

16

2.1.1.13. Distancia Entre Pixeles

Antes de empezar el procesamiento, se definen ciertas relaciones que se establecen entre los
pxeles de una imagen y que sern aplicadas en las tcnicas de procesamiento de las
imgenes. En primer lugar, se mencionarn los diferentes conceptos de distancias, para una
vez establecidas pasar a las relaciones de vecindad:
a) Relaciones de distancia: La distancia ms usual entre dos pxeles es la distancia
geomtrica o distancia eucldea. La distancia eucldea entre el pxel p de
coordenadas (x,y) y el pxel q de posicin (s,t) ser:

El problema de esta mtrica est en el tiempo de clculo que requiere. Por dicha
razn tambin se suele emplearse, en imgenes digitales, la distancia rectangular o
Manhattan, definida como:
(

Y la distancia de Tchebychev, tomada como:

Para realizar una comparativa entre estas tres distancias, vanse en la Figura 6 el
lugar geomtrico de estas distancias en el entorno de vecindad de un pxel centrado
en la cuadrcula.

17

Figura 2.7. a) Eucldea b) Rectangular c) Tchebychev

Fuente:Uso de Tcnicas Avanzadas de Visin Artificial aplicadoa la Industria
Frutcola/Trabajo de Titulacin para optar al Ttulo de Ingeniero Civil en
ComputacinMencin Informtica/Universidad Tecnolgica Metropolitana Escuela
de Informtica

b) Relaciones de conectividad: Mediante el concepto de conectividad se quiere

expresar que dos pxeles adyacentes del elemento sensor puedan pertenecer al
mismo objeto proyectado. Se define el conjunto de los 4-vecinos de un pxel dado p,
definido como N4 (p), como el conjunto de vecinos de p formado por los pxeles de
norte-sur-este-oeste a p. Desde un punto de vista ms formal sern aquellos pxeles
que respecto de p tengan una distancia rectangular igual a la unidad, Dm (p, q) = 1.
La vecindad a 8, denotado por N8 (p), est formado por el conjunto de pxeles que
estn a una distancia de Tchebychev igual a la unidad, Dt (p, q) = 1.
2.1.1.14. Procesamiento Lineal de las Imgenes
La Teora de Seales y Sistemas da un marco de trabajo para el procesamiento digital de las
imgenes. Con este objetivo, se proceder a extender los conocimientos dados sobre seales
unidimensionales y sistemas discretos monovariables, estudiados en anteriores asignaturas,

18

a las imgenes digitales. Las imgenes digitales son consideradas como seales discretas
multi-dimensionales, las cuales son procesadas por sistemas discretos o filtros.
Segn la Teora de la Seal, una seal discreta unidimensional que es procesada por un
filtro discreto lineal (Linear Time Invariant, LTI), la secuencia de salida es explicada por el
proceso de convolucin discreta entre la entrada y la secuencia de ponderacin del filtro:
{

Se denomina secuencia de ponderacin a la que se obtiene en la salida del sistema cuando

se aplica a la entrada una secuencia tipo impulso.
{

Si el sistema es causal, gk es igual a cero para k < 0.

2.1.1.15 Filtraje Espacial

El filtraje espacial es una de las operaciones comunes en la visin computacional ya sea
para realizar efectos de eliminacin de ruido o bien deteccin de bordes. En ambos casos la
determinacin de los pixeles de la nueva imagen depende del pixel de la imagen original y
sus vecinos. De esta forma es necesario configurar una matriz (mascara o ventana) que
considere cuales vecinos y en qu forma influirn en la determinacin del nuevo pixel.
2.1.1.16 Tcnicas de Pre procesado
Las tcnicas de procesado pretenden mejorar o realzar las propiedades de las imgenes para
facilitar las siguientes operaciones de la Visin Artificial, tales como las etapas de
segmentacin, extraccin de las caractersticas y finalmente la interpretacin automtica de
las imgenes. Recuerde que el fin ltimo de la Visin Artificial es la interpretacin
automtica de la imagen o una mejora de la calidad de la imagen.

19

Las tcnicas de pre procesado se basan bien en tcnicas derivadas del procesamiento lineal
de seales o bien en un conjunto de procedimientos heursticos que han dado resultados
satisfactorios. Las tcnicas heursticas son una combinacin de procedimientos basados en
el procesamiento lineal de seales y en otros tipos de manipulaciones matemticas. Estos
algoritmos se pueden catalogar en funcin de las pretensiones de sus transformaciones en
alguna de las siguientes facetas:
A. Realce o manipulacin del contraste: Las tcnicas de realce pretenden aumentar el
contraste de las imgenes. No en el sentido estricto de aumentar la calidad
radiomtrica, sino de mejorar algunas de sus caractersticas visuales para las
siguientes etapas del anlisis automtico de las imgenes. Las causas de aplicar
estos algoritmos se deben bien a una falta de iluminacin uniforme en la escena o
bien al deseo de aumentar el contraste entre los objetos presentes en la imagen.
Normalmente, la escena capturada por el sistema de visin se encuentra con unas
fuentes de iluminacin no colimadas y variables con el tiempo y con objetos que
producen reflejos y sombras no deseadas. De otro lado, las ganancias de las cmaras
no son lineales. El doble de intensidad radiada en un pxel, no se traduce en el doble
de cuantificacin en el nivel de gris de ese pxel. Todas estas imperfecciones deben
ser corregidas tanto en la formacin de las imgenes como con el uso de tcnicas
pre procesado de realce. Ambas deben ser utilizadas.

Estas tcnicas de realce tambin se aplican cuando se pretende utilizar tcnicas de

segmentacin. El objetivo de este procesado es facilitar las tareas de la particin de
la imagen. Con este fin se aumenta el contraste entre los objetos de la imagen.

Muchas de las aplicaciones de realzado se fundamentan en operaciones punto a

punto. Para su estudio se requiere introducir los conceptos de histograma, brillo y
contraste. Los fundamentos de estas tcnicas estn en la adecuacin del rango
dinmico de la imagen y en la ecualizacin del histograma. Para acabar, tambin se
explorarn algunos procedimientos basados en el uso de filtros paso banda.

20

Histograma, brillo y contraste:

El histograma es una funcin discreta que contabiliza el nmero de
ocurrencias de cada nivel de gris presente en una imagen. Se representa en
un eje de coordenadas donde en abscisa est el nivel de gris y en el de
ordenadas la frecuencia de cada nivel de gris en la imagen. Si al histograma
se le divide por el nmero de pxeles de la imagen se obtendr la funcin de
probabilidad muestreal de cada nivel de gris en la imagen:

h(i)=nmero de ocurrencia del nivel de gris i en la imagen

()

()

Siendo M y N el nmero de filas y columnas de la imagen, h(i) es la funcin

histograma y p(i) su probabilidad muestreal. Un histograma no dice nada
sobre la disposicin espacial de las distintas intensidades. Dos imgenes
diferentes pueden tener igual histograma. Sin embargo, el histograma habla
sobre el tipo de adquisicin que ha sido realizado.

El histograma proporciona informacin estadstica de la imagen. Esta

informacin es bastante til para conocer cmo se ha producido el proceso
de formacin de la imagen. As, se define el brillo de la imagen como el
valor medio de la imagen que coincide con el valor medio del histograma:

()

Donde f(x,y) retorna el nivel de gris del pxel situado en las coordenadas
(x,y), I es el nmero de grises que se ha empleado en el proceso de
cuantificacin de la imagen. Una imagen que presente un valor de brillo
mayor que otra sobre la misma escena, indica que el nivel de radiacin
medio que ha llegado a la cmara es mayor en una imagen que en la otra,

21

bien porque se disminuy el nmero F de diafragma o debido a que se vari

el tiempo de integracin. Este efecto se observa en el histograma como un
desplazamiento neto hacia la derecha del eje de abscisa. A medida de que la
imagen sea ms clara, el histograma se mueve hacia valores ms altos de los
niveles de grises. La variacin del brillo se efecta con la operacin
aritmtica de suma o resta a cada pxel de una cantidad determinada.

FIGURA 2.8. Imagen con dos valores distintos de brillo a) 76 b) 126

Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArt
ificial/ApuntesVA/cap4Procesadov1.pdf-Tcnicas de pre procesado

La varianza del histograma suele ser asociada al contraste de la imagen.

El contraste indica la dispersin de los niveles de grises en la imagen.
Aunque se puede encontrar otras definiciones matemticas del contraste,
todas son medidas de dispersin. En todo caso, una imagen con poco
contraste indica que hay poca variabilidad de los niveles de grises en la
imagen. Su efecto se muestra en un histograma muy concentrado, con un
rango dinmico pequeo. El rango dinmico es la variacin de niveles de
grises en la imagen.

22

B. Tcnica de Suavizado:
Las tcnica de suavizado de las imgenes intentan eliminar el nivel de ruido
presente en la imagen. En el proceso de formacin de la imagen se ha generado
ruido que se ha sumado a la seal. Este ruido se explica como una variable aleatoria
que sigue una funcin de densidad determinada. El origen del ruido es mltiple y
existen tres tipos bsicos: gaussiano, impulsional y multiplicativo.

El ruido ms comn se origina en el proceso de captacin al convertir los fotones en

carga elctrica, debido al carcter no determinista de esta transformacin. Este tipo
de ruido se explica mediante el modelo de funcin de densidad normal o gaussiana.
El segundo tipo de perturbacin se consigue como consecuencia de la saturacin de
la carga que recibe un pxel ya sea por exceso o por defecto. A este tipo de ruido se
le denomina de sal y pimienta. Este segundo tipo de comportamiento se modela
con una funcin de densidad de tipo impulsional. Por ltimo, hay ruido generado
por la falta de iluminacin uniforme sobre la escena capturada. Este error es como si
la imagen estuviera formada por la multiplicacin de dos imgenes, por un lado la
imagen que refleja la intensidad de iluminacin sobre los objetos y de otro en
funcin de la textura de los cuerpos vistos en la escena. A esta categora de ruido es
relacionado con los filtros homomrficos.

23

FIGURA 2.9. Fuentes de error a) original b) gaussiano c) impulsional d)

multiplicativo.
Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArt
ificial/ApuntesVA/cap4Procesadov1.pdf-Tcnicas de preprocesado

C. Deteccin de bordes
Se entiende como borde aquella regin donde aparece una fuerte variacin del nivel
de intensidad en los pxeles adyacentes. Su causa principal es originada por la
interseccin de varios objetos, con diferentes niveles de reflactancia, que al ser
proyectados sobre la cmara generan discontinuidades de intensidad en los pxeles
correspondidos. Sin embargo, estas discontinuidades tambin aparecen de forma no
deseada por la presencia del ruido, por el efecto de sombras sobre los propios
objetos o por una iluminacin no uniforme dentro la escena.

El fundamento para la deteccin de los bordes est en la aplicacin del operador

derivada en un entorno de vecindad. Si se construye una imagen sinttica con
franjas de alto contraste y se adquiere una fila de la imagen, se observar una fuerte

24

variacin de la intensidad en el entorno de los bordes de las franjas. Al aplicar el

operador derivada, se observa que sta toma un valor de mximo o mnimo
justamente cuando en la transicin se pasa de cncavo a convexo o viceversa, esto
es, en el punto de inflexin del borde. Si en vez de emplear la primera derivada se
realiza con la segunda, el punto de inflexin de la primera deriva coincidir con un
paso por cero (zero-crossing). Ambos razonamiento son empleados para la
deteccin de los bordes. Cuando se aplica el operador gradiente en la imagen se
localizar valores que tengan un gran valor, normalmente, en el mdulo del
gradiente. Por el contrario, al emplear la laplaciana se trata de detectar pxeles en la
imagen que sean pasos por cero.

El problema reside en los bordes de las escenas reales, donde el modelo propuesto
no est tan claramente definido y no se ajusta a la simplificacin indicada. Las
discrepancias entre el modelo de los bordes y lo almacenado en el computador, tras
un proceso de formacin de la imagen, est en:

Las imgenes digitales son de carcter discreto y no continuo.

La presencia de ruido en la imagen, la cual produce variaciones locales de

intensidad, produce falsos bordes al aplicar los operadores derivadas. Por
esta razn, la deteccin de bordes est unida a etapas de eliminacin del
ruido.

Los orgenes diversos de los bordes, tales como oclusiones, superficies de

diferentes orientaciones, cambios de texturas o de iluminacin, reflejos,
sombras, etc, hace que sea difcil la determinacin de los bordes.

25

FIGURA 2.10. Bordes Ideales

Fuente: Procesamiento Digital de Imgenes/Pablo Roncagliolo B. /N18.

FIGURA 2.11. Bordes Reales

Fuente: Procesamiento Digital de Imgenes/Pablo Roncagliolo B. /N18.

26

El desarrollo de estas tcnicas se realizar con la informacin de luminancia de las

imgenes, slo se analizarn sobre imgenes en niveles de grises. Muchas de ellas pueden
ser luego trasladadas a imgenes en color. Sin embargo, no se puede generalizar. Las
tcnicas de pre procesado sobre imgenes en color requieren un tratamiento diferenciado.
2.1.1.17 Segmentacin
En las tcnicas de procesamiento de las imgenes cada pxel era transformado de un valor a
otro. Estos cambios, mayoritariamente, se realizan para facilitar la particin de la imagen en
reas de pxeles con significado. En esta nueva fase se trata de agrupar los pxeles, por
algn criterio de homogeneidad, para particionar la escena en regiones de inters. Estas
reas deben de tener algn significado fsico. Por tanto, la segmentacin de una imagen es
un proceso de extraccin de los objetos de inters insertados en la escena capturada. La
agrupacin de los pxeles se hace a razn de que sus vecinos sean similares en criterios
como de luminancia, color, texturas, movimientos. Una vez que la imagen ha sido
particionada, la unidad dejara de ser el pxel para ser la agrupacin de pxeles que
constituye el objeto. La imagen estar definida por un conjunto de objetos, habiendo pasado
de un nivel bajo a otro ms elaborado o nivel medio visual. La informacin estar
preparada para el reconocimiento e interpretacin de la imagen.
Para la segmentacin de las imgenes se usan tres conceptos bsicos:

Similitud: los pxeles agrupados del objeto deben ser similares respecto algn
criterio (nivel de gris, color, textura).

Conectividad: los objetos corresponden a reas de pxeles con conectividad. Las

particiones corresponden con regiones continuas de pxeles.

Discontinuidad: los objetos tienen formas geomtricas que definen unos contornos.
Estos bordes delimitan unos objetos de otros.

2.1.1.18 Binaracin
Es la conversin

de una imagen en escala de grises a una imagen lgica (0=negro,

1=blanco).

27

Aqu se tienen cuenta el valor umbral, que es el nivel de transaccin.

2.1.1.19 Espacio de Colores
A. Espacio de Color RGB: Este modelo es el ms utilizado para visualizar imgenes
digitales en una pantalla en los formatos actuales. En el modelo, un color se describe
mediante la especificacin de los niveles de intensidad de los colores rojo, verde y azul. El
rango tpico de valores de intensidad para cada color, 0 - 255, se basa en la consideracin
de un nmero binario de 32 bits con y dividirlo en cuatro bytes de 8 bits cada uno. 8 bits
puede contener un valor de 0 a 255 El cuarto byte se utiliza para especificar el "alfa", o la
opacidad, del color. Opacidad entra en juego cuando se apilan capas con diferentes colores.
Si el color de la capa superior es menos que completamente opaca (alfa <255), el color de
las capas subyacentes "muestra a travs", produciendo un color combinado.
En el modelo RGB, tonos se representan mediante la especificacin de un color como de
intensidad completa (255), un segundo color con una intensidad variable y el tercer color
con intensidad cero (0).
B. Espacio de Color HSV: El modelo HSV (del ingls Hue, Saturation, Value Matiz,
Saturacin, Valor), tambin llamado HSB (Hue, Saturation, Brightness Matiz, Saturacin,
Brillo), define un modelo de color en trminos de sus componentes.
Es comn que deseemos elegir un color adecuado para alguna de nuestras aplicaciones,
cuando es as resulta muy til usar la ruleta de color HSV. En ella el matiz se representa por
una regin circular; una regin triangular separada, puede ser usada para representar la
saturacin y el valor del color. Normalmente, el eje horizontal del tringulo denota la
saturacin, mientras que el eje vertical corresponde al valor del color. De este modo, un
color puede ser elegido al tomar primero el matiz de una regin circular, y despus
seleccionar la saturacin y el valor del color deseados de la regin triangular.
2.1.1.20 Sensor de Peso
Las celdas de carga o sensores de peso son aquellos dispositivos electrnicos desarrollados
con la finalidad es la de detectar los cambios elctricos provocados por una variante en la

28

intensidad de un peso aplicado sobre la bscula o balanza, informacin que a su vez

transmite hacia un indicador de peso o controlador de peso.
2.1.1.21. Fruta de Mango
A. Resumen Ejecutivo1
Siendo un cultivo aparentemente originario del noroeste de la India, llegando a
occidente por intermedio de los portugueses, su cultivo en el Per se inicia con la
llegada de los espaoles.
Las extensiones mundiales de siembra se han venido incrementando en la ltima
dcada, llegando a ser en el ao 2005 cercanas a las 3 870 070 hectreas siendo el
principal productor la India, seguido de otros pases importantes como China,
Tailandia, Pakistn, Mxico, Indonesia, entre otros.
En la actualidad, los valles Piura (77.42 % de la produccin nacional total
pertenecen a este departamento) y Lambayeque son los que poseen el mayor
porcentaje de produccin de mangos en el Per. Esto se debe a las condiciones
favorables en cuanto a la naturaleza, la tecnologa y la mayor capacidad
empresarial. El principal productor mundial de mango es India quien junto a Cabo
Verde son los pases que poseen los mayores rendimientos de este cultivo a nivel
mundial (45 TN /HA).
Las exportaciones peruanas de este cultivo se han convertido en la principal fruta
fresca de exportacin (fue valorizada en 63 millones de dlares FOB. Durante el
ao 2006), siendo sus principales competidores los pases de Sudfrica, Brasil y
Ecuador. La principal forma de exportacin de mango se da como fresco,
representando el 82% del total de exportaciones y el principal destino es EE.UU
seguido de Holanda.

1. Resumen Ejecutivo:
http://www.agrobanco.com.pe/pdfs/publicacionagroinforma/3_cultivo_del_mango.pdf

29

B. Descripcin del Producto

Llamado en el hemisferio norte como manzana de los trpicos se considera
actualmente como una de las frutas ms finas en el mundo, existiendo una gran
variedad de este, entre las cuales se destacan las siguientes:

a. Variedad Roja: Edward, Haden, Kent, Tommy Atkins, Zill.

a.1. Kent: Esta variedad es de tamao grande, pesando aproximadamente de
500 a 800 gr. , posee un color amarillo anaranjado adquiriendo en la
madurez una chapa rojiza, es de forma ovalada orbicular, de agradable
sabor, jugoso de poca fibrosidad y de alto contenido de azcares (variedad
semi- tarda).
a.2. Haden: Es de tamao medio grande, pesando aproximadamente de 380
a 700 gramos, adquiriendo en la madurez un color rojo amarillo tambin
con capa rojiza. Posee forma ovalada, de pulpa firme y de color y sabor
agradable (variedad de media estacin).
a.3. Tommy Atkins: Posee un tamao grande, pesando aproximadamente
600gr. posee una forma oblonga, oval, resistente a daos mecnicos y con
mayor periodo de conservacin pero no posee las mejores caractersticas en
cuanto a sabor y aroma (variedad tarda).

b. Variedad Verde: Keitt, Amelia, Julie, Alphonse

b.1. Keitt: Posee un tamao mediano grande, pesando aproximadamente
600
gr. es de forma ovalada y posee una pulpa de poca fibrosidad, jugosa y muy
firme.
b.2. Amelia: Posee poco contenido de fibra.

c. Variedad Amarilla: Ataulfo, Manila sper, Nam Doc Mai.

c.1. Ataulfo: Posee un tamao de pequeo a mediano, siendo bajo en fibra y
principalmente desarrollado en Mxico.

30

c.2. Manila Sper: Posee un tamao pequeo pesando aproximadamente

10gr. una forma aplanada y alargada, con un sabor fuerte, esta se produce
principalmente en Filipinas.
c.3. Nam Doc Mai.- Es poco fibrosa y de semilla pequea
C. Calibre del mango2
El mango segn su peso se puede clasificar en los siguientes calibres segn la tabla 2.1.
Tabla2.1. Calibres Comerciales del mango.

Calibre

Peso (gr)

630-720

555-620

488-555

425-488

10

380-425

12

320-379

14*

280-319

16

225-279

18

200-224

20

180-199

26

155-179

34

120-154

Fuente: https://www.jetro.go.jp/peru/topics/20100212080-topics/ficha.pdf-FICHA TECNICA

DEL MANGO PERUANO
*Del calibre 14 al 34 son los calibres del mango criollo

2. Calibre del mango:

Parmetros de calidad y estndares de clasificacin en mango//revisin de informacin disponible y
futuras necesidades de investigacin 2008-adel a. Kader consultor manejo post-cosecha de frutas y
vegetales, KaderConsultingServices, //P.O. Box 600, Davis, ca 95617-0600, Usa

31

Otra manera de clasificar el mango se muestra en la tabla 2.2

Tabla 2.2. Clasificacin segn tamao en categora

Cdigo de tamao

Rango de peso (gr)

200-350

351-550

551-800

Fuente:https://www.jetro.go.jp/peru/topics/20100212080-topics/ficha.pdf-FICHA TECNICA
DEL MANGO PERUANO

2.1.1.22. Inspeccin y Control de Calidad.

La inspeccin de un objeto manufacturado puede tomar muchas formas, que podra
involucrar las siguientes tareas:
a) verificar la presencia de cada caracterstica esperada
b) verificar las dimensiones de esas caractersticas (por ejemplo radio y
longitud )
c) verificar las interrelaciones entre caractersticas (por ejemplo distancias
entre centros de gravedad y ngulos entre planos).
La inspeccin en el sentido ms amplio se refiere a la verificacin de si un objeto cumple
con determinados criterios. Esto implica comparar el objeto con algn objeto modelo que
describe las caractersticas relevantes del objeto. Para muchos tipos de datos existen
tolerancias definidas dentro de las cuales las medidas realizadas pueden considerarse como
aceptables. Abordaremos en primer lugar el problema de la inspeccin geomtrica para
posteriormente tratar otros tipos de inspeccin. Marshall y Martin (1992), Davies (1997),
Demant y col. (1999) o Soloman (2000). Marshall y Martin (1992) constituye una buena

32

referencia para procesos de inspeccin visual automatizada con abundantes detalles en

cuanto a mtodos y procedimientos, que en
Una de las finalidades de los controles de calidad consiste en detener la produccin de
algn producto si el sistema de produccin comienza a generar productos que no cumplen
con las normas estndares generales. Imaginemos que para la fabricacin de galletas se
exige que las mismas tengan un tamao con unos mrgenes de confianza, mediante la
segmentacin de la misma se determina el rea

2.1.2 Marco Conceptual

La Visin Artificial, tambin conocida como visin por computador (del ingls computer
vision) o visin tcnica, es un subcampo de la inteligencia artificial. El propsito de la
visin artificial es programar un computador para que "entienda" una escena o las
caractersticas de una imagen..
segn: Vision Artificial Fundamentos Practica y Aplicaciones de Antonio Garca Serrano- 1era
Edicin Ao 2012.

Sistema Automatizado, es un sistema donde se trasfieren tareas de produccin, realizadas

habitualmente por operadores humanos a un conjunto de elementos tecnolgicos.
Segn: Sistemas de Control Automtico- Benjamn C. Kuo 7tma Editorial. Personal Education
Ao 1996

33

2.2. ANTECEDENTES.
2.2.1. Antecedente Regional
Tesis: Sistema de Visin Artificial para la Clasificacin De mango
En la Universidad Nacional de Piura-Piura-Per, los Seores Rueda Villegas y Carrasco
Talledo (2013), realizaron el estudio sobre la clasificacin del mango mediante un sistema
de visin artificial para hallar su peso, tamao y color del mango. Teniendo como objetivos
analizar tcnicas de visin por computadora para el reconocimiento de la fruta y describir la
fiabilidad, robustez y aplicacin de la tcnica desarrolladas, teniendo como conclusin que
en un sistema de visin artificial, la adquisicin determina la sencillez o complejidad de las
etapas, y que durante la adquisicin de dichas imgenes se deben evitar los efectos del
brillo y sombras.
2.2.2. Antecedente Nacional
Tesis: Redes neuronales para el reconocimiento de la calidad morfolgica de mangos
exportables para la empresa Biofruit del Per S.A.C.
En la Universidad Federico Villareal el Seor Lima-Per, el Seor Vega Huerta (2011),
presento un estudio de un Sistema Experto que le permita reconocer los mangos cuyas
formas cumplan con los estndares de calidad. Usando un software basado en el proceso
de imgenes digitales de mango mediante redes neuronales artificiales, utilizando como
patrones muestras de mango de buena calidad para que software reconozca otros mangos y
le d como respuesta si el mango cumple con los estndares de calidad o no, teniendo como
objetivo entrenar una Red Neuronal para ser capaz de reconocer la calidad del mando con
el mnimo margen de error.

34

2.2.3. Antecedente Internacional

Tesis: Clasificacin por calidades del mango Manila mediante procesamiento de
imgenes y segn la norma NMX-FF-058-SCFI-2006
En el Instituto Politcnico Nacional-Mxico, el Seor Bocanegra Rodrguez (2013), realiz
una metodologa para la clasificacin del mango Manila segn su calidad, a partir de la
adquisicin de dos imgenes que representa ambas caras del mango a tratar, donde
estimaba el rea daada en la superficie de la fruta, donde le permita clasificar el mango
por su calidad, utilizando operadores morfolgicos sobre las imgenes del mismo,
desarrollando un sistema de visin computacional donde aplicaba su metodologa propuesta
de manera automtica y con las adecuaciones necesarias para poder ser til en la calidad de
la fruta en la industria.

35

CAPTULO III
3. METODOLOGA
El tipo de orientacin es orientada y aplicada: orientada porque se busca mediante el diseo
dar solucin a la problemtica identificada, y aplicada porque se enfoca a la utilizacin de
criterios precisos de los principios y requisitos establecidos en normativas estndares de
calidad.
El nivel de investigacin es exploratoria: es exploratoria porque permite un acercamiento a
la problemtica y a la vez posibilita familiarizarnos con el tema.
El mtodo de investigacin es inductivo, puesto que parte del anlisis de una zona en
particular, cuyos resultados servir para aplicar en otras zonas agroindustriales.
La presente investigacin es de clase experimental y transversal. Dado que se har una
simulacin y porque la obtencin de los datos ser en un periodo de tiempo definido.
3.1. DESCRIPCIN DE LA POBLACIN Y MUESTRA.
3.1.1. Poblacin.
La poblacin est constituida los mangos que han sido seleccionados como exportables por
la inspeccin ocular hecha por los trabajadores de la empresa exportadora SUNSHINE
EXPORT S.A.C., que exporta mangos de tipo Kent en un da de 12 horas laborales, que
son aproximadamente 4000 cajas diarias de diferente calibre de mango.
3.1.2. Muestra para el Proceso de Visin Artificial.
Segn la Tabla 1, la exportacin por tipos de calibres de mangos se clasifican por lo tanto,
estadsticamente deberamos seleccionar una muestra que contenga los tres tipos de mangos
en cifras proporcionales.
Pero, para el proceso de Visin Artificial debemos contar con ciertos patrones, se debe
tener una muestra especialmente seleccionada, por cada de patrn que se desea reconocer,

36

considerando que todos los elementos de cada muestra tengan diferencias considerables
entre s y al mismo tiempo representen toda la variedad posible de su poblacin.
Por lo tanto, para resolver problemas mediante el proceso de reconocimiento de patrones el
tamao de la muestra no depende del tamao de la poblacin sino de cuan diferentes son
entre s los elementos que conforman dicha poblacin.
Como el objetivo de la presente investigacin es reconocer los siete diferentes tipos de
calibre y adems su estado de maduracin que en este caso lo hemos clasificado en cuatro
tipos de estado de maduracin de los mangos exportables, entonces, debemos tomar en total
diez muestras independientes entre s, una por cada tipo de mango.
Analizando las diferencias morfolgicas existentes entre mangos por cada tipo de mango
exportable, determinamos que 6 unidades por cada tipo seran suficientes para conformar
cada muestra que represente la variedad de formas existentes de su respectiva poblacin.
3.2. DESCRIPCIN DEL INSTRUMENTO DE INVESTIGACIN.
3.2.1 Tcnica de Recoleccin de Datos
3.2.1.1 Observacin
Tcnica que permiti entrar en contacto en el proceso de seleccin de mango y adems ver
como los trabajadores seleccionaban el mango en forma manual, y se vio que criterio ellos
tomaban para dicha seleccin, la cuan variaban segn la capacidad y habilidad de cada
persona.
3.2.1.2. Entrevista
Tcnica que se le realizo al encargado de calidad del producto exportado, lo cual nos
permiti obtener datos sobre los diferentes calibres y estndares de calidad que debe pasar
cada mango para ser seleccionado como mango de exportacin.
3.2.1.3. Anlisis Documental
Tcnica que permiti recopilar informacin sobre la aplicacin de Visin Artificial

37

3.2.2 Instrumentos de Recoleccin de Datos

3.2.2.1. Gua de Observacin
Instrumento que permiti recoger datos a travs de la observacin simple.
3.2.2.2. Gua de Entrevista
Instrumento que permiti recoger datos a travs del dilogo directo.
3.2.2.3 Fichas de Resumen
Instrumento que permiti recoger informacin sobre conceptos bsicos de Visin Artificial.
3.3. MATERIALES Y MTODOS.
La presente investigacin tiene dos etapas bien diferenciadas, en la primera etapa se ha
empleado un diseo no experimental y en la segunda etapa un diseo experimental.
La etapa no experimental corresponde al manejo de los valores de las formas de los mangos
y su calidad exportable de los mismos, estos son tomados de la naturaleza como tales y no
pueden ser manipuladas por el investigador, son datos adquiridos en la recoleccin de datos
que se hizo previamente. En esta etapa se elabora un modelo matemtico para la captura del
patrn morfolgico de los mangos basado las imgenes de los mismos capturados mediante
una cmara digital.
Para la segunda etapa, el modelo el diseo experimental utilizando los patrones para la
seleccin de los diferentes mangos.
3.3.1. Etapas de la metodologa propuesta
El proceso de seleccin de mango segn su calidad consiste en examinar y medir
caractersticas de un producto, para determinar si cumple o no los estndares para que el
producto sea considerado como mango de exportacin. En el sector de la agroindustria es
una industria donde la automatizacin ha tardado ms en introducirse muchas veces debido
a la diversidad de formas que presentan los productos naturales; tal es el caso del mango,
Con los sistemas de Visin Artificial se pueden mejorar los procesos productivos en la

38

agroindustria. En particular nos interesa el proceso de inspeccin de calidad, en donde la

Visin Artificial es una herramienta muy til y confiable, que ha tenido casos de xitos en
la inspeccin de la produccin.
En el presente capitulo se muestra con detalles la metodologa propuesta en este trabajo
para llevar a cabo el proceso de seleccin de mango segn su calidad. Se muestran las
condiciones para la toma de imgenes, la segmentacin de las mismas y como se realiza la
clasificacin segn la calidad del fruto.
En general la metodologa propuesta se puede resumir en tres bloques como se muestra en
la Figura 12.

Figura 3.1. Diagrama de Bloques de la Metodologa Propuesta.

Fuente:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/Apuntes
VA/cap4Procesadov1.pdf

39

3.3.1.1. Repositorio de Imgenes

Las imgenes fueron tomadas bajo un ambiente controlado, es decir, controlando la
iluminacin evitando sombras y ruido en la imagen, distancia del fruto a la cmara y el
fondo. As que, como parte del desarrollo de este trabajo se construy un mdulo de toma
de imgenes. El mdulo nos permite que las condiciones para tomar la imagen sean las
mismas para todas las muestras adquiridas.
En dicho Repositorio previamente se encuentra un sensor de peso que pesara el mango y lo
enviar a la PC para el seleccionar el calibre del mango.
El propsito de utilizar el mdulo, para la toma de imgenes es el de garantizar las mismas
condiciones de iluminacin, as como para mantener esttica la cmara, en distancia y
posicin con respecto al objetivo para todas las imgenes capturadas.
El modulo cuenta con iluminacin constante, se evita que entre luz ajena a la del sistema y
posee un compartimiento para fijar la cmara a una plataforma que puede moverse en
cualquier posicin segn como se requiera.
3.3.1.2. Procesamiento de Imgenes
Despus de acondicionar el repositorio de imgenes, el siguiente paso, es capturar la
imagen de la fruta del mango, la delimitacin de este problema se reduce a la adquisicin
de una sola fruta del mango a la vez. Es decir no se tratar imgenes con varios mangos al
mismo tiempo, ya que surgen problemas de separacin en el procesamiento de imagen.
La imagen es capturada en el modelo RGB (Rojo-Verde-Azul), es decir cada pixel de la
imagen est representado por 3 canales.
Luego de tener la imagen digital esta ser pasada a una imagen binaria, luego ser
segmentada para el clculo de sus dimensiones, dimetro, largo y el rea del mango.
Para determinar el color hacemos uso del modelo de espacio de color llamado HSV (Tinte,
Saturacin y Valor)

40

3.3.1.3 Clculo de reconocimiento de patrones

Despus de haberse hecho el tratamiento o procesamiento de imagen esta ser comparada
con los patrones iniciales, como porcentaje de color para ver su estado de maduracin y que
calibre es.
3.3.1.3. Seleccin del Mango Kent
Despus de haber comparado la imagen con patrones iniciales de los estndares de calidad
este me indicara que calibre, tamao y en qu estado de maduracin se encuentra, me
seleccionara un mango correcto para la exportacin.
3.4. PROCEDIMIENTO.
Es una secuencia lgica de pasos que sigue el diseador a partir de ciertos datos de entrada,
para obtener la solucin de ingeniera ms prctica y funcional que satisfaga un problema
particular. El proceso es un ejercicio de creatividad y aplicacin de conocimientos, pero
requiere de un mtodo estricto y organizado que facilita, pero no garantiza, la obtencin de
resultados. En general, el proceso de diseo puede verse como un conjunto de bloques
operacionales que requieren datos de entrada tanto al inicio como durante el proceso, y
generan resultados, que son a su vez entradas del siguiente paso.
Los pasos a seguir en esta investigacin fueron los siguientes:
a) Diseo Preliminar
Planteamiento inicial de la necesidad, Revisin del estado del arte del problema y
Recoleccin de datos cuantitativos y cualitativos y Definicin del problema.
b) Diseo Bsico
Divisin en subsistemas, Planteamiento de alternativas de solucin de subsistemas,
Seleccin de alternativas de solucin.
c) Diseo De Detalle
Seleccin de elementos comerciales, Sntesis y el programa en que estar basada la
Visin Artificial.
d) Prototipos & Pruebas
Prototipos: Reales y pruebas estticas y dinmicas y Retroalimentacin.

41

3.5. ANLISIS ESTADSTICOS.

No se empleara ninguna tcnica de procesamiento de datos, debido a que no se realizara
ningn anlisis estadstico. Pero si se utilizara computadora y calculadora como
herramientas para el clculo de los datos de diseo.
El estudio por ser del tipo descriptivo, no se ha hecho un mtodo estadstico.

42

CAPTULO IV
4. PRESENTACIN DE LOS RESULTADOS
El Entorno de Trabajo
Se tuvo que hacer una cabina para la toma de imgenes, la cual nos proporciona un
ambiente controlado con iluminacin constante. Con un fondo blanco para evitar
reflejos y sombras. Eso hace que el procesamiento de imgenes sea menos costoso.
Por cada muestra se tom una captura de imagen.

Hardware
Cabina para toma de fotografas
Laptop Samsung NV4
Cmara Web Cybertel

Software
Sistema Operativo Windows 7
Mat Lab R2012A

Resultados Obtenidos
La metodologa fue aplicada a 40 muestras de 2 tipos de mango diferentes. Al
aplicar la metodologa a todas las muestras se obtuvieron los resultados mostrados
en el cuadro 4.1.

Cuadro 4.1. Pruebas de Seleccin de Calibres del Mango Kent.

Mango

Kent

Calibre

Calibre

Calibre

Calibre

Calibre

Muy

No

12

Grande

Apto

43

En el cuadro 4.3 se muestra a detalle los resultados obtenidos por el sistema de visin
artificial que se propone en este trabajo contra la clasificacin realizada tradicionalmente.
Como resultado tenemos una coincidencia en la clasificacin automtica contra la humana.
Cuadro 4.2. Pruebas de Seleccin de Calibres del Mango Criollo.
Mango

Calibre

Calibre

Calibre

Calibre

Calibre

Calibre

No

34

26

29

18

16

14

Apto

Criollo

Cuadro 4.3. Pruebas de acuerdo al Estado de Maduracin (Mango Kent)

Calibre

Calibre

Calibre

Calibre

12

Maduro

Maduro

Maduracin

Verde

Calibre 6

Muy

No

Grande

Apto

Semi-

SobreMaduro

Total Peso
(Gr)

1900

3135

3423

2998

786

44

Cuadro 4.3. Pruebas de acuerdo al Estado de Maduracin (Mango Kent)

Maduracin

Verde

Calibre

Calibre

Calibre

Calibre

Calibre

Calibre

No

34

26

20

18

16

14

Apto

SemiMaduro

Maduro
1

SobreMaduro

Total Peso
(Gr)

556

949

567

1312

45

CAPTULO V
5. DISCUSIN DE LOS RESULTADOS
Los resultados obtenidos con respecto a la clasificacin del mango segn su maduracin
son similares a los obtenidos en la Tesis: Sistema de Visin Artificial para la
Clasificacin De mango realizada en la Universidad Nacional de Piura-Piura-Per, por
los Seores Rueda Villegas y Carrasco Talledo (2013), que lograron clasificar el mango
segn su color: amarillo, rojo y verde, a diferencia de esta investigacin que logro clasificar
el mango en cuatro estado de maduracin: verde, semi-maduro, maduro y sobre maduro,
que para clasificarlo de tal modo tuvo en cuenta la combinaciones de colores de dicha fruta
aplicando el espacio de color HSV.
Para la seleccin del mango segn su calibre se utiliz un sensor para pesar el mango el
cuan nos indicara en que rango de calibre pertenece y que tipo de mango es el cual se
diferencia de la Tesis: Redes neuronales para el reconocimiento de la calidad
morfolgica de mangos exportables para la empresa Biofruit del Per S.A.C.realizada
en la Universidad Federico Villareal el Seor Lima-Per, por Seor Vega Huerta (2011),
que clasifico varios tipos de mango teniendo como base patrones de datos de tamao de los
diferentes tipos de mangos,
Y con respecto a las anomalas que puede presentar un mango se realiz un tratamiento de
imgenes similar utilizado en la Tesis: Clasificacin por calidades del mango Manila
mediante procesamiento de imgenes y segn la norma NMX-FF-058-SCFI-2006
realizada en el Instituto Politcnico Nacional-Mxico,por Seor Bocanegra Rodrguez
(2013), el cual utilizo un proceso de segmentacin de las imgenes obtenidas.
Segn los resultados obtenidos se logr cumplir con el objetivo.

46

CAPTULO VI
6. CONCLUSIONES Y RECOMENDACIONES
6.1. CONCLUSIONES.

Al finalizar la presente investigacin, podemos concluir que con un Sistema basado

en Visn Artificial, se puede realizar la clasificacin de mangos exportables segn
su maduracin y calibre.

Se implement un prototipo de Visin Artificial, basndonos en imgenes digitales

de fotografas reales de mango, para la realizacin de las pruebas de simulacin
correspondientes al jurado.

Se logr analizar las tcnicas de Visin Artificial Teniendo donde se tuvo como
principales inconvenientes el ruido, sombras y el brillo en la imagen, el cual se
logr controlar mediante un buen procesado de imagen, con este control se pudo
evitar que al momento de ejecutar el tratamiento aparezcan agentes externos al rea
de inters.

Se determin los elementos del Sistema de Visin Artificial, basndonos en el

Diagrama de Bloques propuesto.

6.2. RECOMENDACIONES.

Hacer la seleccin del mango cuando se tenga ms de un mango en la escena donde

se toma la imagen.

Implementar un sistema con una faja transportadora, para el transporte del mango.

Implementar un sistema electrnico basado en sensores para la deteccin del mango

al ingresar a la cabina para que envi una seal para la captura de imagen y
procesado automtico,

Realizar la clasificacin del mango considerando informacin obtenida de otro tipo

de hardware, como puede ser la acidez, etc.

47

REFERENCIAS BIBLIOGRFICAS
LIBROS.
Jos Francisco Vlez Serrano, Ana Beln Moreno Daz, ngel Snchez Calle y Jos Luis
Esteban Snchez-Marn (2002). Visin Por Computador
Ana Gonzles Marco y Eliseo Vergara Gonzlez (2006). Tcnicas Y Algoritmos Bsicos De
Visin Artificial .Universidad de La Rioja,
Juan Humberto Sossa Azuela (2013). Visin Artificial. Universidad de Mlaga.
Rafael C. Gonzales y Richard E. Woods (1986) Tratamiento Digital De Imgenes. USAAddison Wesley Iberoamericana S.A.
CITAS ELECTRNICAS EN INTERNET
Visin Artificial
En: http://www.etitudela.com/celula/downloads/visionartificial.pdf
Ficha Tcnica Del Mango
En:http://agrofreshtrading.com.pe/archivos/Agrofresh%20%20Ficha%20T+%C2%AEcnica

%20del%20Mango.pdf
Procesamiento Digital De Imgenes
En:http://www.elai.upm.es/webantigua/spain/Asignaturas/MIP_VisionArtificial/ApuntesV
A/cap3ProcesadoImagv1.pdf
Sistema De Visin Artificial
En: http://www.it.uc3m.es/jvillena/irc/practicas/09-10/21mem.pdf
Uso De Tcnicas Avanzadas De Visin Artificial Aplicado La Industria Frutcol
En: http://serroba.files.wordpress.com/2009/08/vision-artificial-para-seleccion-defrutos.pdf
Aplicaciones De La Visin Artificial
En: http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF

48