Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
1.2. OBJETIVOS
1.3. JUSTIFICACIN
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:
Entorno informtico.
Control de procesos.
Control de calidad.
http://dmi.uib.es/~ygonzalez/VI/Material_del_Curso/Teoria/Aplicaciones_VC.PDF-
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)
El formato BMP no sufre prdidas de calidad y por tanto resulta adecuado para
guardar imgenes que se desean manipular posteriormente.
Admite gamas de menor nmero de colores y esto permite optimizar el tamao del
archivo que contiene la imagen.
A diferencia del formato GIF, admite una paleta de hasta 16 millones de colores.
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.
12
13
14
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.
16
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:
(
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
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:
{
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.
20
()
()
()
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
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.
23
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.
24
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:
25
26
Similitud: los pxeles agrupados del objeto deben ser similares respecto algn
criterio (nivel de gris, color, textura).
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
1=blanco).
27
28
1. Resumen Ejecutivo:
http://www.agrobanco.com.pe/pdfs/publicacionagroinforma/3_cultivo_del_mango.pdf
29
30
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
31
Cdigo de tamao
200-350
351-550
551-800
Fuente:https://www.jetro.go.jp/peru/topics/20100212080-topics/ficha.pdf-FICHA TECNICA
DEL MANGO PERUANO
32
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
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
38
39
40
41
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.
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
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
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.
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.
6.2. RECOMENDACIONES.
Implementar un sistema con una faja transportadora, para el transporte del mango.
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