Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Asesor
Carlos Augusto Meneses
Ingeniero de Sistemas y Computacin
_______________________________
_______________________________
_______________________________
_______________________________
_______________________________
_________________________________
Firma del Presidente Jurado
_________________________________
Firma del Jurado
_________________________________
Firma del Jurado
A mi madre que con su esfuerzo hizo esto posible, a mis hermanos por su
apoyo incondicional y finalmente a Dios que nunca me ha desamparado.
4
AGRADECIMIENTOS
Primero agradecer a mi familia por el duro esfuerzo que hicieron para que
estudiara en esta Universidad, por la paciencia que me tuvieron durante
todos estos aos de estudio y por la fe que depositaron en m para ser todo
un profesional.
5
Tabla de contenido
TABLA DE GRAFICOS ................................................................................... 9
2 OBJETIVOS ........................................................................................ 12
3 JUSTIFICACION ................................................................................. 13
4 INTRODUCCION ................................................................................ 16
5 RESUMEN .......................................................................................... 17
7.3.3 Percepciones............................................................................. 43
En Fbricas...................................................................................... 47
En Medicina ..................................................................................... 47
En la Agricultura............................................................................... 48
8.1 Arquitectura...................................................................................... 50
12 CONCLUSIONES ............................................................................... 89
13 BIBLIOGRAFIA ................................................................................... 91
8
TABLA DE GRAFICOS
9
LISTA DE TABLAS
Tabla 1. Prueba de mapeo y percepcin en un Agente Inteligente .............. 46
Tabla 2. Mejor opcin prueba de mapeo y percepcin en un Agente
Inteligente ..................................................................................................... 47
Tabla 3. Aplicaciones de la visin Artificial................................................... 74
10
1 PLAN FUNDAMENTAL
11
2 OBJETIVOS
12
3 JUSTIFICACION
13
Rpida adquisicin de datos en el campo agropecuario ya que debido
al alto volumen de informacin en cosechas, adquisicin de materiales
para produccin y almacenamiento variable, es decir, carga que no
puede estar almacenada por mucho tiempo debido a su rpida
descomposicin.
Manipulacin eficiente y eficaz de la informacin de las bases de datos
Actualizacin constante de la informacin ya que no puede mantener
dichos datos por mucho tiempo debido a la alta rotacin constante de
mercanca hacia las zonas de demanda.
14
Las empresas pertenecientes al campo de la agricultura, se han preocupado
por tecnificar sus procesos productivos, pero han dejado de lado la
tecnologa para tecnificar sus procesos administrativos, razn por la cual no
han podido ser conscientes de la necesidad de aprovecharla para dar frutos
a un mercado globalizado. Bases de datos, publicidad, mercadeo,
presupuestos, son conceptos que muchas empresas realizan a papel y
lpiz.
15
4 INTRODUCCION
16
5 RESUMEN
Qu es un Agente?
Qu es un Agente Inteligente?
Cmo se caracteriza un Agente?
Por qu utilizar Agentes?
Qu clases de Agentes existen en la actualidad?
Cmo los Agentes interactan en el medio?
19
Primero que todo empezaremos analizando la historia y evolucin en lo que
se refiere a la utilizacin de agentes inteligentes y de cmo dichos agentes
conllevan a la implementacin de la INTELIGENCIA ARTIFICIAL (IA). Ms
adelante, se mostrar lo que se est haciendo en el mundo con stas nuevas
tecnologas, y terminaremos con reconocer algunas aplicaciones que se han
hecho en la actualidad y especficamente en el campo de la agricultura.
20
6 MARCO TERICO
1
V.Julian,V.Botti, Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial,
Horizonte 2025, 2000
22
realizada con los parmetros que l ha tratado de encontrar por sus propios
medios.
Ahora, cuando se observan los agentes como una recopilacin de entes para
formar un sistema, nos referimos a lo que se denomina multi-agente [Huhns
1998], dando paso a la interaccin de agentes para la resolucin de un
problema en particular, permitiendo permisos de escucha y habla entre
ellos mismos, los procesos ms habituales como consultas y peticiones
proceden a emancipar la comunicacin efectiva y selectiva de dichos
procesos para tener siempre presente la funcin de cada uno y as montar el
papel que juega el sistema dentro de cada agente. Esta comunicacin se
realiza mediante un lenguaje de agentes denominado (ACL Agent
Communication Language).
23
6.2 CMO SE CARACTERIZA UN AGENTE
Social, debe de poder comunicarse con otros agentes mediante algn tipo
de lenguaje de comunicacin de agentes. Como vemos en este caso, hemos
identificado una serie de caractersticas que de por s debe tener un agente.
24
Aplicando estas caractersticas a un agente de informacin tenemos: sera
reactivo? Podemos pensar que s a juzgar por el hecho de que el agente
debera reaccionar frente a los mandatos que le indicamos, adems debe
poder reaccionar frente a posibles eventos que le lleguen de una red de
datos. Sera pro-activo?, evidentemente que s, nuestro agente debera auto
plantearse su curso de accin para poder realizar todas sus tareas
adelantndose a las peticiones de su usuario. Por ltimo debemos pensar si
nuestro agente sera social. Esta caracterstica desde nuestro punto de vista
no sera bsica en una definicin general de agente, no obstante, s que
podemos claramente identificar una conducta social en nuestro ejemplo si
observamos que debera poder comunicarse con infinidad de recursos en la
red y, por qu no, con otros agentes existentes en la misma. Pero, en
definitiva, cules son las caractersticas bsicas y de cuales ms
disponemos para poder calificar a un agente?. Revisemos algunos de los
atributos que en la literatura se suelen atribuir a los agentes en mayor o
menor grado para resolver problemas particulares y que han sido descritos
por autores tales como Franklin y Graesser [Franklin1996], y Nwana
[Nwana1996], stas son:
25
Sociabilidad: este atributo permite a un agente comunicarse con otros
agentes o incluso con otras entidades.
26
Estas podran ser las caractersticas bsicas del desarrollo de un agente
segn Wooldridge2, sin embargo no se puede definir el grado de la
importancia que cada uno de stos posea, al parecer estas definiciones son
las que caracterizan a los agentes a no confundirlos con los programas que
hoy en da conocemos.
2
V.Julian,V.Botti, Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial,
Horizonte 2025, 2000
27
La Figura 2 podra parecer algo normal, pero lo que se trata de representar
es la navaja en su estado simple y sus accesorios representan las
necesidades de resolver los problemas sin tener cada herramienta por
separado permitiendo una mayor cohesin al momento de abordar el tema.
De la misma forma ocurre con un agente inteligente, ya que se representa
como un ente activo en el que se le puede aadir varios atributos no
importando el tipo, y recordando que cada atributo se relaciona entre s con
otro atributo hasta formar una solucin a uno o varios problemas.
3
V.Julian,V.Botti, Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial,
Horizonte 2025, 2000
28
Esta frase fue pronunciada por el Dr. Nicholas Jennings en su discurso al
recoger el premio al mejor investigador novel del ltimo congreso
internacional de Inteligencia Artificial celebrado en Estocolmo (IJCAI99).
29
existentes; se nos presentase con una periodicidad apropiada el conjunto de
nuevos artculos que se han publicado en la red sobre una temtica que nos
interesa o una lista de libros en los que podramos estar interesados, de tal
forma, que, al decidirnos por alguno de ellos, se nos indicase donde
podramos obtener el precio ms econmico. Adems, se encargara tambin
de priorizar, ordenar los mensajes de correo electrnico, as como de
eliminar automticamente los que no nos interesasen. Y as podramos
pensar muchas ms cosas.
Esta entidad sera capaz de aprender nuestros gustos y actuar tal y como lo
haramos nosotros, pero adelantndose y realizando tareas que nosotros
podramos realizar si dispusisemos de ms tiempo. Pues bien, dicha
entidad se podra considerar como un agente; este agente, conocido como
agente de informacin, realizara toda la gestin, de una forma racional, de
la informacin proveniente de Internet para un usuario concreto4.
4
V.Julian,V.Botti, Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial,
Horizonte 2025, 2000
30
7 AREAS DE APLICACIN
Los agentes no necesitan de la voluntad del ser humano para poder operar,
por ende su autonoma permite ms actividad en la rama en la cual se
especialice.
31
7.2 CLASES DE AGENTES
32
7.2.3 Agentes Racionales:
33
7.2.5 Agente reflejo simple.
34
En la Figura 3 observamos la forma en que el Agente interacta con el
ambiente con acciones y reacciones simples, tomando como partida la
obtencin de datos mediante la utilizacin de sensores. En el ejemplo del
carro los sensores reciben la informacin necesaria para determinar el punto
actual de su mundo, en este caso, el estar pendiente a reaccionar si el carro
de adelante enciende sus stop traseros. Si el carro de adelante hace esta
accin, los sensores determinan mediante las reglas de condicin-accin,
reaccionar con el frenado de nuestro vehculo. Obviamente nuestro
ambiente es el lugar o espacio en el cual se desarrolla esta interaccin.
Algoritmo:
accin Regla-Accin[regla]
35
Es un agente reflejo simple, pero que almacena sus percepciones
anteriores, por lo tanto tiene ciertos atributos como:
Tiene memoria
En la Figura 4 nos damos cuenta que tiene relacin con la Figura 3 pero le
agregamos 3 conceptos ms los cuales hacen determinar el estado de este
36
Agente. Aplicndolo al ejemplo del carro, ste Agente guarda en un historial
los eventos realizados anteriormente, es decir, los cambios que se han
presentado a lo largo del suceso, con el fin de valorar las situaciones
anteriores con las de la actualidad.
Algoritmo:
accin
accin Regla-Accin[regla]
37
7.2.7 Agentes basados en metas
38
Figura 5. Grfica Agentes basados en metas
Son aquellos agentes que tienen mltiples metas que cumplir, mide
el grado de satisfaccin del grado de cumplimiento de sus metas.
39
Las metas no bastan por s mismas para generar una conducta de alta
calidad.
7.3.1 Mapeo:
5
http://www.wiphala.net/courses/intelligent_systems/090666/2006-
class/class_22_intelligent_agents.ppt - 2006
41
Los mapeos son aquellos que logran caracterizar al agente, dependiendo de
una secuencia de percepciones, ste responder con alguna accin lo cual lo
podemos representar mediante una tabla o matriz de percepciones vs.
Acciones.
Los mapeos ideales son los que caracterizan a los agentes ideales. El
especificar qu tipo de accin deber emprender un agente como respuesta
a una determinada secuencia de percepciones constituye lo que se
denomina Diseo de un Agente ideal. El mapeo ideal se produce cuando la
42
percepcin es un nmero positivo x, y la accin correcta consiste en
presentar un nmero positivo z tal que z 2 x, con una precisin de 15 cifras
decimales utilizando el mtodo de Newton (Figura 7):
7.3.3 Percepciones
Observaremos la figura 8 la cual nos muestra una entrada y varias rutas las
cuales se enfocan a un determinado fin, encontrarle la zanahoria al conejo.
43
Primero que todo debemos colocar este problema de modo que el agente
comience a identificar el objetivo, para luego realizar una posible solucin,
puede ser la mejor solucin, aunque no siempre. De esto depende que el
agente aprenda de las posibles soluciones para su posterior decisin.
Primero que todo debemos realizar el mapeo para alcanzar nuestro objetivo
que es ayudarle al conejito a encontrar su zanahoria. Note que cada camino
44
esta nombrado con una letra del abecedario, puede tener 1 o ms caminos y
ciertos caminos podran devolvernos hacia la misma entrada.
1. entrada a
2. entrada b
3. a entrada
4. a b
5. a c
6. b entrada
7. b a
8. b d
9. c a
10. c d
11. c e
12. c f
13. d b
14. d c
15. d f
16. e c
17. e d
18. e f
19. f d
20. f e
21. f c
45
22. f h
23. f g
24. g h
25. g f
26. h f
27. h g
28. h i
29. i h
30. i j
31. j i
32. j salida
1. entrada a
2. a c
3. c f
4. f h
5. h i
6. i j
7. j salida
46
Tabla 2. Mejor opcin prueba de mapeo y percepcin en un Agente
Inteligente
Podemos utilizar los agentes como una tecnologa que aplica a diversos
campos los cuales necesitan de la correcta funcin y administracin para el
ptimo desenvolvimiento de sus actividades, dichos campos pueden ser:
47
o Atencin al paciente: Estos Agentes se encargaran de seguir
el tratamiento de un paciente controlando todos los aspectos
relativos a la enfermedad que tenga el mismo.
48
8 DISEO DE AGENTES
Al igual que los seres humanos, los agentes se comportan de manera similar,
al proceder como un ente que percibe el ambiente mediante sensores para
reaccionar de acuerdo a una secuencia determinada de estmulos. Los seres
humanos en su relacin como agentes inteligentes tienen: rganos que les
sirven como sensores para percibir el ambiente a su alrededor, as como las
manos, piernas, boca, ojos, odos, y otras partes de su cuerpo que les sirven
de efectores. En el caso de un agente software, sus percepciones y
acciones vienen a ser las cadenas de bits codificadas.
49
8.1 Arquitectura.
8.2 Programa.
Percepciones
Acciones
Metas
Ambiente
Percepciones
50
Sntomas, evidencias, y respuestas del paciente
Acciones
Metas
Ambiente
Paciente, hospital
Percepciones
Acciones
Metas
Ambiente
Percepciones
Acciones
51
Metas
Estado Final
Ambiente
Los seres humanos utilizamos nuestros sentidos para captar el mundo que
nos rodea, por ejemplo, para obtener imgenes de dicho espacio utilizamos
el sentido de la vista cuya fuente radica en los ojos, para sentir los alimentos
utilizamos el gusto cuya fuente es la lengua y as sucesivamente hasta
acabar con nuestros cinco sentidos. De igual forma pasa con un agente, al
52
convertirse en la fusin entre arquitectura ms programa. Podramos decir lo
siguiente, o tratar de explicar esto con la siguiente analoga: para un Agente
el poder ver sera de la siguiente manera. Primero, sus ojos seran la
arquitectura que necesita para poder captar imgenes, en este caso se
refiere a un sensor encargado de captar imgenes como una cmara digital,
la cual se vale de un lente sensible a la luz para poder realizar dicho fin, su
sentido sera el programa que la respalde, aquel cdigo que es capaz de
decirle al lente que es lo que tiene que hacer con esa imagen. As se trata
de similar la percepcin en el mundo real.
53
9 AGENTES INTELIGENTES Y RECONOCIMIENTO DE
IMGENES
54
avances en materia de investigacin, lo que aproxima la demanda formativa
e investigadora propia de un doctorado.
9.1 Visin
Es comn pensar que es simple lograr que un robot vea lo mismo que
nosotros. En realidad esto es muy cierto en el sentido de captura de
imgenes, e incluso puede ser mejorada, sobre todo con los ltimos avances
en electrnica y video que permiten capturar imgenes en un amplio rango
del espectro lumnico, rayos X, infrarrojo, o con amplificadores lumnicos que
permiten tomar imgenes con mnimas cantidades de luz, que para el ojo
humano equivaldran a una completa oscuridad.
Una vez que la imagen es depurada se debe separar a los objetos del fondo,
identificarlos, diferenciarlos entre s, determinar si son obstculos fijos o en
55
movimiento, etc. Esta tarea asume la forma de millones de clculos que
deben ser realizados rpidamente, esto es as porque el robot se encuentra
desplazndose mientras controla el sistema de locomocin, definiendo un
plan de accin a cada instante con la realimentacin visual. Por consiguiente
si el robot se demora mucho tiempo en identificar un obstculo, la accin
correctiva para esquivarlo llegara demasiado tarde y no podra evitarse la
colisin con el mismo.
56
Figura 10. Robot Marvin de Technische Universitat Mnchen
57
trayectoria marcada por una lnea de color sobre el suelo, resultando
vencedor el robot que logre recorrerla en el menor tiempo posible.
Figura 11. Robot Khepera con cmara integrada Imagen cortesa Grupo
de Inteligencia Computacional aplicada a Robtica Cooperativa UBA
58
Figura 12. Robot Rastreador Imagen cortesa Instituto De Educacin
Secundaria Emrita Augusta
60
9.3 Sistemas expertos en la agricultura
6
The Central lab for Agricultural Expert Systems
http://www.claes.sci.eg/&sa=X&oi=translate&resnum=3&ct=result&prev=/search%3Fq%3Dag
ricultural%2Bsystems%2Bartificial%2Bintelligence%26hl%3Des%26client%3Dfirefox-
a%26channel%3Ds%26rls%3Dorg.mozilla:es-ES:official%26hs%3D6OG%26sa%3DX
61
Aunque estos desarrollos encuentren varios paradigmas debido a la alta
complejidad que representa el tratar de reconocer imgenes de cualquier tipo
en cuanto a la forma de cmo las capturan (puede ser reconociendo puntos
en particular), con las nuevas tecnologas ya es un hecho, aunque presentan
un cierto margen de error.
64
regiones generadas durante la segmentacin son las nicas que pueden
contener los objetos de inters.
65
10 PROYECTOS DE VISIN ARTIFICIAL VIGENTES
Y se mantienen en desarrollo:
67
Desarrollo de una herramienta para el modelado automtico de objetos
alfaflexibles (Figura 14).
Localizacin de objetos en imgenes en color utilizando textura, aplicacin
a objetos alfaflexibles.
Modelado de un subconjunto del lenguaje espaol (Figura 13).
69
Diseo de un sistema de calibracin automtica para un sistema de visin
robtica modular.
70
AREA PROBLEMA TEMAS APLICABLES
Agrcola Control y tratamiento
de cosechas Procesamiento digital de imgenes
Identificacin de
enfermedades y reconocimiento de formas flexibles,
parsitos manejo del color y textura
Conteo y
cuantificacin de la
foresta de bosques
Valoracin de frutas
Identificacin de
polen
Valoracin de la
madurez
Identificacin de la
especie
Anlisis de maderas
Valoracin de la
produccin
Documentacin Clasificacin del
correo Procesamiento digital de imgenes
Digitalizacin de Reconocimiento de caracteres impresos y
documentos manuscritos
Traduccin de
documentos escritos
71
Identificacin de
documentos y/o
personas
Industrial Automatizacin de
procesos de Automatizacin y uso de arquitecturas
produccin flexibles de visin robtica
Componentes
Procesamiento digital de imgenes
Circuitos integrados Reconocimiento de formas y visin
artificial
Cuero
Papel
Conteo partculas
Circuito impreso y
puntos de soldadura
Acero
Textiles, Madera
Reconocimiento de
partes y su
orientacin
Control de proceso
Metrologa Conteo automtico
de clulas Procesamiento digital de imgenes
Conteo de partculas Reconocimiento de objetos rgidos, en
algunos casos objetos deformables
72
Medicin de
parmetros de
fenmenos fsicos Seguimiento de objetos
Determinacin de
volmen Caracterizacin de objetos deformables
Clculo de Espesor
Caracterizacin de
cepas
Industria de Clasificacin de alta
alimentos velocidad
Procesamiento digital de imgenes
Inspeccin de
contaminantes Reconocimiento digital de imgenes
Textura y color Reconocimiento de objetos rgidos, en
algunos casos objetos deformables
Etiquetado Seguimiento de objetos
Acabados
Caracterizacin de objetos deformables
Validacin de fechas
de caducidad Cuantificacin de parmetros
Usos diversos Publicidad
Modelado automtico de objetos
Cheques bancarios
Procesamiento digital de imgenes
Lectura de cdigos de
barra Reconocimiento de formas
Verificacin de fechas
de caducidad
Verificacin de papel
moneda
73
Identificacin y
verificacin de la
firma
Verificacin de sellos
74
Paralelamente, en el proceso de investigacin, se forman con habilidades de
investigacin ya que participan de manera directa y activa en el desarrollo de
estos conocimientos y herramientas. De esta forma se capacita, desarrolla y
se ofrecen soluciones reales a problemticas reales7.
7
Aplicaciones de la Visin Artificial - Dr. Ral Pinto Elas Versin disponible en internet -
http://www.plazacolima.com/tecnoplaza/iartificial/Visionapl.pdf
75
11 APLICACIONES DE AGENTES INTELIGENTES E
INTELIGENCIA ARTIFICIAL AL CAMPO DE LA
AGRIGULTURA
76
11.1 Ingeniera de Pos cosecha
8
Benne, M.; Grondin- Perez, B.; Chabriat, J.-. & Herve, P. (2000), 'Artificial neural networks for modelling and predictive
control of an industrial evaporation process', Journal of Food Engineering 46(4), 227--234
9
Farkas, I.; Remenyi, P. & Biro, A. (2000), 'A neural network topology for modelling grain drying', Computers and Electronics
in Agriculture 26(2), 147--158
10
Chen, C.R. & Ramaswamy, H.S. (2002), 'Modeling and optimization of variable retort temperature (VRT) thermal
processing using coupled neural networks and genetic algorithms', Journal of Food Engineering 53(3), 209--220.
77
lnea de transporte11, y una simulacin de un proceso de secado de
Echinacea Angustifolia con redes neuronales12.
11
Bielza, C.; Barreiro, P.; Rodriguez-Galiano, M.I. & Martin, J. (2003), 'Logistic regression for simulating damage occurrence
on a fruit grading line', Computers and Electronics in Agriculture 39(2), 95-- 113.
12
Erenturk, K.; Erenturk, S. & Tabil, L.G. (2004), 'A comparative study for the estimation of dynamical drying behavior of
chinacea angustifolia: regression analysis and neural network', Computers and Electronics in Agriculture 45(1-3), 71--90
13
Singh, N. (2004), 'Expert system prototype of food aid distribution', Journal of the American Dietetic Association
04(Supplement 2), 53-- 53
14
Doganis, P.; Alexandridis, A.; Patrinos, P. & Sarimveis, H. (2005), 'Time series sales forecasting for short shelf-life food
products based on artificial neural networks and evolutionary computing', Journal of Food Engineering In Press, Corrected
roof, --.
15
Goel, P.K.; Prasher, S.O.; Patel, R.M.; Landry, J.A.; Bonnell, R.B. &Viau, A.A. (2003), 'Classification of hyperspectral data
by decisiontrees and artificial neural networks to identify weed stress and nitrogen status of corn', Computers and Electronics in
Agriculture 39(2), 67--93
16
Shahin, M.A.; Tollner, E.W. & McClendon, R.W. (2001), 'AE-- Automation and Emerging Technologies: Artificial
Intelligence Classifiers for sorting Apples based on Watercore', Journal of Agricultural Engineering Research 79(3), 265--274
17
Diez, J.; Bahamonde, A.; Alonso, J.; Lopez, S.; del Coz, J.J.; Quevedo, J.R.; Ranilla, J.; Luaces, O.; Alvarez, I.; Royo, L.J. &
Goyache, F. (2003), 'Artificial intelligence techniques point out differences in classification performance between light and
tandard bovine carcasses', Meat Science 64(3), 249--258
78
tcnicas de visin computacional18, un sistema para la clasificacin de
Manzanas por medio de su consistencia usando diferentes algoritmos de
clasificacin como por ejemplo redes neuronales19, la autentificacin de
jugos fermentados de uvas blancas por medio de sensores de aroma,
Transformadas de Fourier (IR) y espectrometra (UV) usando algoritmos
genticos, sistemas expertos y clasificacin multi variable20, una revisin de
las diferentes aplicaciones de sistemas de visin de computadora por medio
de tomografa para evaluar propiedades fsicas de la comida21, una base de
datos de propiedades fsicas de materiales provenientes del sector
agropecuario como apoyo a sistemas inteligentes basados en casos22, una
revisin de literatura de tcnicas de aprendizaje usadas para el uso de visin
de computadora para la evaluacin de calidad de comida23.
18
Kawamura, S.; Natsuga, M.; Takekura, K. & Itoh, K. (2003), 'Development of an automatic rice-quality inspection system',
Computers and Electronics in Agriculture 40(1-3), 115--126
19
Moshou, D.; Wahlen, S.; Strasser, R.; Schenk, A. & Ramon, H. (2003), 'Apple mealiness detection using fluorescence and
selforganising maps', Computers and Electronics in Agriculture 40(1-3), 103--114
20
Roussel, S.; Bellon-Maurel, V.; Roger, J. & Grenier, P. (2003), 'Authenticating white grape must variety with classification
models based on aroma sensors, FT-IR and UV spectrometry', Journal of Food Engineering 60(4), 407--419
21
Abdullah, M.Z.; Guan, L.C.; Lim, K.C. & Karim, A.A. (2004), 'The applications of computer vision system and tomographic
radar imaging for assessing physical properties of food', Journal of Food Engineering 61(1), 125--135
22
Nesvadba, P.; Houska, M.; Wolf, W.; Gekas, V.; Jarvis, D.; Sadd, P.A. & Johns, A.I. (2004), 'Database of physical properties
of agrofood materials', Journal of Food Engineering 61(4), 497--503
23
Du, C. & Sun, D. (2005), 'Learning techniques used in computer vision for food quality evaluation: a review', Journal of
Food Engineering 72(1), 39--55
24
Fleurat-Lessard, F. (2002), 'Qualitative reasoning and integrated management of the quality of stored grain: a promising new
approach', Journal of Stored Products Research 38(3), 191--218
25
Shuso Kawamura, M.K. (2004),Milk-Quality Monitoring By Near- Infrared Spectroscopy For Artificial Intelligence In Dairy
Farming, in
79
11.2 Control Ambiental
26
Pasgianos, G.D.; Arvanitis, K.G.; Polycarpou, P. & Sigrimis, N. (2003), 'A nonlinear feedback technique for greenhouse
environmental control', Computers and Electronics in Agriculture 40(1-3), 153--177
27
Aerts J.M, B.D. (2004),Development Of Virtual Animals For Climate Control Design, in '5th IFAC Workshop On Artificial
Intelligence In Agriculture, March 8-10 2004, Cairo, Egypt'
80
sistema de control de ventilacin natural para instalaciones porccolas que
usa tcnicas de Inteligencia Artificial28.
28
Daskalov, P.; Arvanitis, K.; Sigrimis, N. & Pitsilis, J. (2005), 'Development of an advanced microclimate controller for
naturally ventilated pig building', Computers and Electronics in Agriculture In Press, Corrected Proof,
29
Gottschalk, K.; Nagy, L. & Farkas, I. (2003), 'Improved climate control for potato stores by fuzzy controllers', Computers
and
Electronics in Agriculture 40(1-3), 127--140
81
El uso de tcnicas de IA en la administracin de maquinara agrcola no ha
tenido auge en los ltimos aos, sin embargo se pueden nombrar para aos
anteriores al ao 2000, un sistema experto para el soporte de decisiones en
la administracin de maquinara agrcola (Lal et at, 1992) y un sistema
basado en conocimiento para el diseo y mantenimiento de maquinara
agrcola (Kusz & Marciniak, 1995).
30
Deniz Yilmaz, I.A. (2004),Kbs-selection of universal joint used in agricultural machinery, in '5th IFAC Workshop On
Artificial Intelligence In Agriculture, March 8-10 2004, Cairo, Egypt'.
31
K. Maertens, J.D.B. (2004),Genetic Polynomial Regression As Input Selection Algorithm For Engine Load Prediction In
Combine Harvesters, in '5th IFAC Workshop On Artificial Intelligence In Agriculture, March 8-10 2004, Cairo, Egypt
82
11.4 Ingeniera de Riegos
32
Bergez, J.-.; Deumier, J.-.; Lacroix, B.; Leroy, P. & Wallach, D. (2002), 'Improving irrigation schedules by using a
biophysical and a decisional model', European Journal of Agronomy 16(2), 123--135.
33
Rafea, A.; Hassen, H. & Hazman, M. (2003), 'Automatic knowledge acquisition tool for irrigation and fertilization expert
systems', Expert Systems with Applications 24(1), 49--57.
34
Bergez, J.-.; Garcia, F. & Lapasse, L. (2004), 'A hierarchical partitioning method for optimizing irrigation strategies',
Agricultural Systems 80(3), 235--253
35
Iman Hassen, M.R. (2004),Configuration Irrigation Schedule Based On Expert Systems And Operations Research, in '5th
IFAC Workshop On Artificial Intelligence In Agriculture, March 8-10 2004, Cairo, Egypt'.
36
Samhaa R. El-Beltagy, G.A. & Hassan, H. (2004),Towards Specialized Expert System Building Tools: A Tool For Building
Irrigation Expert Systems, in '5th IFAC Workshop On Artificial Intelligence In Agriculture, March 8-10 2004, Cairo, Egypt'.
83
Una de las aplicaciones ms interesantes de la IA en el rea de la Ingeniera
de Riegos es la determinacin del estrs hdrico de un cultivo, entre los
trabajos realizados en los ltimos aos se puede nombrar, un sistema de
visin de mquina para indicar el nivel de estrs hdrico de un cultivo
de Tomate37.
85
En esta figura tratamos de plasmar las funciones que desempea un agente
para la correcta manipulacin de lo que se tiene, en este caso la adquisicin
de imgenes por medio de lentes digitales y estos a su vez representados en
informacin.
86
11.6 Funciones del Agente Inteligente a la Percepcin de
Imgenes
11.7 Captura
11.8 Almacenamiento:
87
11.9 Anlisis:
11.10 Manipulacin:
88
12 CONCLUSIONES
89
buscar nuevas formas de romper los truncamientos antes
mencionados.
Este tipo de proyectos fomenta la investigacin, haciendo fuerza a la
implementacin de las TICs y contribuyendo al desarrollo de la
comunidad, enfrentando la actual problemtica en cuanto al uso
debido del tiempo.
90
13 BIBLIOGRAFIA
Abdullah, M.Z.; Guan, L.C.; Lim, K.C. & Karim, A.A. (2004), 'The
applications of computer vision system and tomographic radar imaging
for assessing physical properties of food', Journal of Food Engineering
61(1), 125135.
Benne, M.; Grondin- Perez, B.; Chabriat, J.-. & Herve, P. (2000),
'Artificial neural networks for modelling and predictive control of an
industrial evaporation process', Journal of Food Engineering 46(4),
227234.
Bergez, J.-.; Deumier, J.-.; Lacroix, B.; Leroy, P. & Wallach, D. (2002),
'Improving irrigation schedules by using a biophysical and a decisional
model', European Journal of Agronomy 16(2), 123--135.
91
Bergez, J.-.; Garcia, F. & Lapasse, L. (2004), 'A hierarchical
partitioning method for optimizing irrigation strategies', Agricultural
Systems 80(3), 235253.
Diez, J.; Bahamonde, A.; Alonso, J.; Lopez, S.; del Coz, J.J.; Quevedo,
J.R.; Ranilla, J.; Luaces, O.; Alvarez, I.; Royo, L.J. &.
92
Du, C. & Sun, D. (2005), 'Learning techniques used in computer vision
for food quality evaluation: a review', Journal of Food Engineering
72(1), 3955.
Erenturk, K.; Erenturk, S. & Tabil, L.G. (2004), 'A comparative study for
the estimation of dynamical drying behavior of chinacea angustifolia:
regression analysis and neural network', Computers and Electronics in
Agriculture 45(1-3), 7190.
Farkas, I.; Remenyi, P. & Biro, A. (2000), 'A neural network topology
for modelling grain drying', Computers and Electronics in Agriculture
26(2), 147158.
Goel, P.K.; Prasher, S.O.; Patel, R.M.; Landry, J.A.; Bonnell, R.B.
&Viau, A.A. (2003), 'Classification of hyperspectral data by
decisiontrees and artificial neural networks to identify weed stress and
nitrogen status of corn', Computers and Electronics in Agriculture
39(2), 6793.
93
Gottschalk, K.; Nagy, L. & Farkas, I. (2003), 'Improved climate control
for potato stores by fuzzy controllers', Computers and Electronics in
Agriculture 40(1-3), 127140.
Moshou, D.; Wahlen, S.; Strasser, R.; Schenk, A. & Ramon, H. (2003),
'Apple mealiness detection using fluorescence and selforganising
maps', Computers and Electronics in Agriculture 40(1-3), 103114.
Nesvadba, P.; Houska, M.; Wolf, W.; Gekas, V.; Jarvis, D.; Sadd, P.A.
& Johns, A.I. (2004), 'Database of physical properties of agrofood
materials', Journal of Food Engineering 61(4), 497503.
94
Pasgianos, G.D.; Arvanitis, K.G.; Polycarpou, P. & Sigrimis, N. (2003),
'A nonlinear feedback technique for greenhouse environmental
control', Computers and Electronics in Agriculture 40(1-3), 153177.
95
The Central lab for Agricultural Expert Systems.
96