UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE CIENCIAS
ESCUELA PROFESIONAL DE INGENIERIA ELECTRÓNICA Y TELECOMUNICACIONES
TESIS
“DISEÑO DE UN SISTEMA DE VISIÓN ARTIFICIAL PARA LA CLASIFICACIÓN DE LIMÓN UTILIZANDO RASPBERRY PI”
PRESENTADA POR:
MIGUEL ANGEL ACUÑA CHAPA
PARA OPTAR EL TITULO PROFESIONAL DE:
INGENIERO ELECTRÓNICO Y TELECOMUNICACIONES
LÍNEA DE INVESTIGACIÓN: INFORMÁTICA, ELECTRÓNICA Y TELECOMUNICACIONES
SUB LÍNEA DE INVESTIGACIÓN: SISTEMAS DIGITALES
Piura, Perú 2020
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE CIENCIAS
ESCUELA PROFESIONAL DE INGENIERIA ELECTRÓNICA Y TELECOMUNICACIONES
“DISEÑO DE UN SISTEMA DE VISIÓN ARTIFICIAL PARA LA CLASIFICACIÓN DE LIMÓN UTILIZANDO RASPBERRY PI”
LÍNEA DE INVESTIGACIÓN: INFORMÁTICA, ELECTRÓNICA Y TELECOMUNICACIONES
SUB LÍNEA DE INVESTIGACIÓN: SISTEMAS DIGITALES
______________________________________
Bch. MIGUEL ANGEL ACUÑA CHAPA EJECUTOR
________________________________
Ing. JUAN M. JACINTO SANDOVAL ASESOR
1 DECLARACIÓN JURADA DE AUTENTICIDAD DE LA TESIS
Yo: MIGUEL ANGEL ACUÑA CHAPA, identificado con CU/DNI N.º 48217498, Bachiller de Escuela Profesional de Ingeniería Electrónica y Telecomunicaciones de la Facultad de Ciencias de la Universidad Nacional de Piura con domicilio en Urb.
Marianos Santos Mz. E Lote 6 del Distrito de Sullana, Provincia de Sullana, Departamento de Piura, con número de Celular: (+51) 960886982, con Email:
[email protected] ante usted con el debido respeto me presento y expongo:
DECLARO BAJO JURAMENTO: que la tesis que presento es auténtica e inédita, no siendo copia parcial ni total de una tesis desarrollada, y/o realizada en el Perú o en el extranjero, en caso contrario de resultar falsa la información que proporciono, me sujeto a los alcances de lo establecido en el Art. Nº 411, del código Penal concordante con el Art. 32º de la Ley Nº 27444, y Ley del Procedimiento Administrativo General y las Normas Legales de Protección a los Derechos de Autor.
En fe de lo cual firmo la presente.
Piura, 03 noviembre del 2020
Artículo 411.- El que, en un procedimiento administrativo, hace una falsa declaración en relación a hechos o circunstancias que le corresponde probar, violando la presunción de veracidad establecida por ley, será reprimido con pena privativa de libertad no menor de uno ni mayor de cuatro años.
Art. 4. Inciso 4.12 del Reglamento del Registro Nacional de Trabajos de Investigación para optar grados académicos y títulos profesionales –RENATI Resolución de Consejo Directivo Nº 033-2016-SUNEDU/CD
………
DNI N.º 48217498
2
UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE CIENCIAS
ESCUELA PROFESIONAL DE INGENIERIA ELECTRÓNICA Y TELECOMUNICACIONES
“DISEÑO DE UN SISTEMA DE VISIÓN ARTIFICIAL PARA LA CLASIFICACIÓN DE LIMÓN UTILIZANDO RASPBERRY PI”
LÍNEA DE INVESTIGACIÓN: INFORMÁTICA, ELECTRÓNICA Y TELECOMUNICACIONES SUB LÍNEA DE INVESTIGACIÓN: SISTEMAS DIGITALES
APROBADA POR JURADO:
_________________________________
Dr. ANTENOR S. ALIGA ZEGARRA PRESIDENTE
________________________________
ING. FRANKLIN BARRA ZAPATA SECRETARIO
________________________________
ING. MIGUEL A. PANDURO ALVARADO VOCAL
3
4 DEDICATORIA
A mis padres, Máximo Acuña y Jenny Chapa, que han sido un pilar para mí durante todos estos años en mi formación profesional, por estar siempre a mi lado; a ellos por brindarme a su amor, enseñanzas y su confianza inagotable en mí.
Cuando era estudiante, mi madre me ayudó como nadie, ella es un ejemplo para mí y le debo todos mis éxitos a ella.
A mis hermanos Max y Anaiz, por su apoyo incondicional día a día, por su compañerismo y amistad, por ser parte integral de quien fui, quien soy y quien seré.
Deseo mencionar a mi abuela fallecida, mami Carmen, te recuerdo con dicha, gradezco cada uno de tus sabios consejos.
A mi madre, padre y hermanos. Los amo eternamente.
MIGUEL ANGEL ACUÑA CHAPA
5 AGRADECIMIENTO
A Dios por darme fuerza, perseverancia e inteligencia en cada paso.
Un agradecimiento especial a mis padres, que nunca dejaron de ayudarme, hasta el detalle más mínimo estuvieron preocupados en mí.
A mi asesor de tesis el Ing. Juan Manuel Jacinto y a mis catedráticos; profesores de matemática, física e ingeniería; gracias por transmitirme sus conocimientos y experiencia.
A mi alma máter, mi casa superior de estudios La Universidad Nacional de Piura, que llevaré con orgullo siempre en mi corazón y memorias, gracias por semblar en mi la semilla del hambre de conocimiento.
MIGUEL ANGEL ACUÑA CHAPA
6 ÍNDICE GENERAL
INTRODUCCIÓN ... 16
ASPECTOS DE LA PROBLEMÁTICA ... 17
1.1 DESCRIPCIÓNDELAREALIDADPROBLEMÁTICA. ... 17
1.2 JUSTIFICACIÓNEIMPORTANCIADELAINVESTIGACIÓN ... 17
1.3 OBJETIVOS ... 18
1.3.1 OBJETIVO GENERAL ... 18
1.3.2 OBJETIVOS ESPECÍFICOS ... 18
1.4 DELIMITACIÓNDELAINVESTIGACIÓN ... 18
MARCO TEORICO ... 19
2.1 ANTECEDENTESDELAINVESTIGACIÓN ... 19
2.2 BASESTEÓRICAS ... 21
2.2.1 EL LIMÓN ... 21
2.2.1.1 VARIEDADES DEL LIMÓN FRESCO ... 24
2.2.1.2 FICHA TÉCNICA LIMÓN SUTIL ... 27
2.2.1.3 Calibres – Clasificación ... 27
2.2.2 PRODUCCIÓN DE LIMÓN SUTIL... 28
2.2.2.1 Producción Mundial de limón: ... 28
2.2.2.2 Manejo agronómico del limón ... 29
2.2.2.3 Recomendaciones para la cosecha ... 29
2.2.2.4 Calidades que se comercializan ... 31
2.2.2.5 DESCRIPCIÓN DEL PROCESO DE EMPAQUE DE LIMÓN ... 31
2.2.3 PRODUCCIÓN NACIONAL DE LIMÓN EN EL PERÚ ... 34
2.2.4 PIURA SE CONSOLIDA COMO PRIMERA REGIÓN AGROEXPORTADORA DE LIMÓN ... 35
2.2.5 VISION ARTIFICIAL ... 36
2.2.6 PROCESAMIENTO DE IMAGENES ... 37
2.2.7 LA IMAGEN DIGITAL ... 37
2.2.8 DISPOSITIVOS DE CAPTURA DE IMÁGENES ... 38
2.2.9 IMÁGENES BLANCO/NEGRO Y COLOR... 41
2.2.10 RESOLUCIÓN ESPACIAL Y EN AMPLITUD ... 42
2.2.11 REPRESENTACIÓN DE IMÁGENES DIGITALES ... 43
2.2.12 PROCESAMIENTO Y ANALISIS DE IMÁGENES DIGITALES... 43
2.2.13 PROCESAMIENTO BASICO DE IMÁGENES ... 44
2.2.13.1 OPERACIONES INDIVIDUALES ... 45
7
2.2.13.2 OPERADOR IDENTIDAD ... 46
2.2.13.3 OPERADOR INVERSO O NEGATIVO ... 47
2.2.13.4 OPERADOR UMBRAL... 47
2.2.13.5 TRANSFORMACIÓN DE VECINDAD... 48
2.2.14 OPERACIONES DE FILTRADO ... 50
2.2.14.1 Filtros Paso Bajo ... 50
2.2.14.2 Filtros Paso Alto... 51
2.2.15 HISTOGRAMA ... 52
2.2.16 OPERACIONES MORFOLÓGICAS. ... 52
2.2.14.3 Dilatación. ... 53
2.2.14.4 Erosión. ... 55
2.2.17 CONCEPTO DE OPENCV ... 56
2.2.14.5 Características principales... 57
2.2.14.6 Módulos OpenCV ... 57
2.2.18 MODELOS DE COLOR ... 58
2.2.14.7 Modelos Sensoriales ... 58
2.2.14.8 Modelos perceptuales ... 60
2.2.14.9 Comparación entre modelos ... 64
2.2.19 LA RASPBERRY PI ... 64
2.2.19.1 La familia Raspberry Pi ... 65
2.2.19.2 Los sistemas en chip de Broadcom ... 68
2.3 GLOSARIODETÉRMINOSBÁSICOS ... 70
2.4 HIPÓTESIS ... 73
MARCO METODOLÓGICO... 74
3.1 ENFOQUE ... 74
3.2 DISEÑO ... 74
3.3 NIVEL ... 74
3.4 TIPO ... 74
3.5 SUJETOSDELAINVESTIGACIÓN ... 74
3.6 MÉTODOSYPROCEDIMIENTOS ... 74
3.7 TÉCNICASEINSTRUMENTOS ... 75
3.8 ASPECTOSÉTICOS ... 75
RESULTADOS Y DISCUSIÓN ... 76
4.1 ACONDICIONAMIENTODELAESCENA ... 78
4.2 CAPTURADEIMÁGENES ... 79
4.3 APLICARFILTROPASABAJOS ... 79
4.4 CONVERTIRDERGBAHSV ... 80
4.5 OBTENERCOLORDELIMÓN ... 82
8
4.6 OBTENERMADUREZODEFECTODELLIMÓN ... 85
4.7 OBTENERTAMAÑODELLIMÓN ... 87
CONCLUSIONES ... 90
RECOMENDACIONES ... 92
REFERENCIAS BIBLIOGRÁFICAS ... 93
ANEXOS ... 95
9 ÍNDICE DE FIGURAS
FIGURA1.LIMÓNSUTIL... 25
FIGURA2.PARTESDELLIMÓNSUTIL ... 27
FIGURA3.CLASIFICADORADECAMPO ... 30
FIGURA4.CLASIFICACIÓNMANUAL ... 30
FIGURA5.CLASIFICACIÓN EN MESA ... 31
FIGURA6.PRODUCCIÓNDELIMÓNSUTIL(T)ENLASPRINCIPALESREGIONESDELPERÚ ... 344
FIGURA7.SUPERFICIE COSECHADA (HA) DE LIMÓN SUTIL EN LAS PRINCIPALES REGIONES DEL PERÚ ... 344
FIGURA8.PERÚ:PRINCIPALES ZONAS PRODUCTORAS DE LIMÓN ... 36
FIGURA9.DIGITALIZACIÓNDEUNASEÑALANALÓGICA ... 38
FIGURA10.CAPTURADEUNAIMAGEN3DPORUNDISPOSITIVOCCD ... 40
FIGURA11.FIGURADELÁRBOLCAPTURADAPORUNACÁMARACON4X4SENSORESDEINTENSIDAD . 40 FIGURA12.CUATROREPRESENTACIONESDELAMISMAIMAGENCONVARIACIÓNENELNÚMERODE PÍXELESUTILIZADOS... 42
FIGURA13.SEISREPRESENTACIONESDELAMISMAIMAGENCONVARIACIÓNENELNÚMERODENIVELES DEGRISUTILIZADOS... 42
FIGURA14.CONVENCIÓNDEEJESUTILIZADAPARALAREPRESENTACIÓNDEIMÁGENESDIGITALES .... 43
FIGURA15.FUNCIONESDEPUNTOYVECINDAD ... 44
FIGURA16.OPERACIÓNINDIVIDUAL... 45
FIGURA17.REPRESENTACIÓNDELOPERADORIDENTIDAD ... 46
FIGURA18.REPRESENTACIÓNDELOPERADORINVERSO ... 47
FIGURA19. REPRESENTACIÓNDELOPERADORUMBRAL ... 48
FIGURA20.TRESNÚCLEOSREPRESENTATIVOSDEFILTROSPASOBAJO ... 51
FIGURA21.TRESNÚCLEOSREPRESENTATIVOSDEFILTROSPASOALTO ... 51
FIGURA22. HISTOGRAMA ... 52
FIGURA23.OPERACIÓNMORFOLÓGICADEUNELEMENTOESTRUCTURANTES[U,V]SOBREUNÁREADE LAIMAGENF[X,Y]PARAOBTENERUNAIMAGENG[X,Y]. ... 53
10
FIGURA24.RESULTADOSDELADILATACIÓNSOBREIMÁGENESBINARIAS ... 54
FIGURA25.RESULTADOSDELAEROSIÓNSOBREUNAIMAGENBINARIA... 55
FIGURA26.OPENCV ... 56
FIGURA27.CUBO UNITARIO DE COLOR PARA EL MODELO RGB ... 59
FIGURA28.FÓRMULAPARAOBTENERCMY ... 59
FIGURA29.FÓRMULAPARAOBTENERYIQ ... 60
FIGURA30.MODELOADITIVORGB ... 60
FIGURA31.MODELODECOLORHSV ... 61
FIGURA32.FÓRMULASDECONVERSIÓNDERGBAHSV ... 62
FIGURA33.MODELOHSV ... 62
FIGURA34.MODELOHSVENOPENCV ... 63
FIGURA35.MODELODECOLORHLS ... 63
FIGURA36.RASPBERRYPI3MODELB ... 64
FIGURA37.VISTALATERALAMPLIFICADADELMONTAJEDELBCM2835YLAMEMORIADELOS ... 65
FIGURA38.SISTEMADECLASIFICACIÓNMECÁNICAYDEVISIÓNARTIFICIAL ... 76
FIGURA39.DIAGRAMADEFLUJODELPROGRAMA ... 78
FIGURA40.CAPTURADEIMAGENCONACONDICIONAMIENTODEILUMINACIÓNLED ... 79
FIGURA41APLICACIÓN DELFILTROMEDIANA.IMAGENORIGINAL(IZQUIERDA) EIMAGENFILTRADA (DERECHA) ... 80
FIGURA42.HISTOGRAMADECADACANALRGBDELAIMAGENANTERIOR ... 81
FIGURA43.HISTOGRAMADECANALH(HUE)DELAIMAGENANTERIOR ... 81
FIGURA44.MODELOHSVENOPENCV ... 82
FIGURA45.IMAGENDELIMONVERDE ... 82
FIGURA46.COMPONENTEHDELIMONVERDE ... 83
FIGURA47.IMAGENDELIMÓNAMARILLO ... 84
FIGURA48.COMPONENTEHDELIMÓNAMARILLO ... 84
FIGURA49.DETECCIÓNDECOLORVERDEYAMARILLODELLIMÓN ... 85
FIGURA50.LIMÓNCONDEFECTO ... 85
FIGURA51.COMPONENTEHDELIMÓNCONDEFECTO ... 86
11
FIGURA52.DETECCIÓNDEMADUREZ(DEFECTO)DELLIMÓN ... 87
FIGURA53.SEGMENTACIÓNDELLIMÓN ... 87
FIGURA54.VISUALIZACIÓNENMMDELDIAMETRODELLIMÓN ... 88
FIGURA55.RESULTADODECLASIFICACIÓN1 ... 95
FIGURA56.RESULTADODECLASIFICACIÓN2 ... 95
FIGURA57.RESULTADODECLASIFICACIÓN3 ... 96
FIGURA58.RESULTADODECLASIFICACIÓN4 ... 96
FIGURA59.RESULTADODECLASIFICACIÓN5 ... 97
FIGURA60.RESULTADODECLASIFICACIÓN6 ... 97
FIGURA61.RESULTADODECLASIFICACIÓN7 ... 98
12 ÍNDICE DE TABLAS
TABLA 1.CARACTERÍSTICASDELLIMÓNFRESCO ... 23 TABLA 2.COMPONENTESDELLIMÓN... 24 TABLA 3.CARACTERÍSTICASDEALGUNASRASPBERRYPI ... 68
13 ÍNDICE DE ANEXOS
ANEXO1.RESULTADOSDELSISTEMADECLASIFICACIÓN ... 95
ANEXO2.INSTALACIÓNYCONFIGURACIÓNDEPYTHON ... 99
ANEXO3.INSTALACIÓNYCONFIGURACIÓNDEOPENCV ... 100
ANEXO4.CÓDIGODELPROGRAMA ... 101
14 RESUMEN
La investigación de este proyecto tiene como objetivo medir ciertas características, con ciertas técnicas de visión artificial, como son el tamaño, el color y el defecto del limón, con la finalidad de mejorar la calidad del producto y reducir los costos que implican el proceso de clasificación del limón.
Para ello se propone un conjunto de técnicas de procesamiento de imágenes que van desde binarización de imágenes, morfología matemática hasta transformación del modelo de color RGB a HSV, para poder medir los parámetros mencionados.
Las técnicas se implementarán, primero en una computadora personal o laptop de medianas prestaciones, que tenga un procesador i5, para luego ejecutar los algoritmos en una tarjeta Raspberry Pi.
Para este tipo de proyectos se hace necesario aislar la iluminación del ambiente, a una fuente de iluminación artificial, que sea constante, para independizar el proceso del día, de la noche. Se hace necesario implementar este sistema de iluminación, por el procesamiento que se hará para obtener el color y el defecto del limón. Por lo tanto, para este proyecto, se grabarán videos, para simular una iluminación constante.
Se utilizará una cámara webcam con puerto usb o un video que haya sido previamente guardado en un archivo con formato AVI o mp4.
Las herramientas software utilizadas para visión artificial o visión por computadora son, el software de programación Python versión 3.5, junto a las Librerías de OPENCV que se instalan y utilizan fácilmente con el lenguaje de programación mencionado.
En la tarjeta Raspberry Pi, se instalará un sistema operativo Raspbian, que es una versión simplificada y ligera de Linux, con la finalidad de que se ejecuten a mayor velocidad los algoritmos.
Con todo esto, se concluirá, si es factible implementar este tipo de sistemas de visión artificial, para que pueda ser ejecutado a una tasa de velocidad suficiente para la clasificación del limón.
Clasificación de limón, procesamiento de limón, visión artificial.
15 ABSTRACT
The research of this project aims to measure certain characteristics, with certain artificial vision techniques, such as the size, color and defect of the lemon, in order to improve the quality of the product and reduce the costs involved in the classification process of the lemon.
For this, a set of image processing techniques is proposed, ranging from image binarization, mathematical morphology to transformation of the RGB color model to HSV, in order to measure the mentioned parameters.
The techniques will be implemented, first in a personal computer or laptop of medium benefits, that has an i5 processor, and then execute the algorithms in a Raspberry Pi card.
For this type of project, it is necessary to isolate the lighting from the environment, to an artificial lighting source, which is constant, to make the process independent from day to night. It is necessary to implement this lighting system, due to the processing that will be done to obtain the color and the defect of the lemon. Therefore, for this project, videos will be recorded, to simulate constant lighting.
A webcam with a usb port will be used or a video that has previously been saved in a file with AVI or mp4 format.
The software tools used for artificial vision or computer vision are Python version 3.5 programming software, together with the OPENCV Libraries that are easily installed and used with the mentioned programming language.
On the Raspberry Pi card, a Raspbian operating system will be installed, which is a simplified and lightweight version of Linux, in order to make the algorithms run faster.
With all this, it will be concluded, if it is feasible to implement this type of artificial vision systems, so that it can be executed at a sufficient speed rate for the classification of the lemon.
Lemon sorting, lemon processing, computer vision.
16 INTRODUCCIÓN
El control de calidad siempre ha sido uno de los procesos más decisivos y relevantes en una planta industrial. Principalmente, porque esta fase tiene importantes consecuencias tanto en el resultado del producto final, y con ello en la satisfacción del cliente, como en la organización y eficiencia de la cadena de montaje.
Toda industria que se precie y quiera mantener un buen nivel de competitividad y posicionamiento en el mercado dedica importantes recursos y esfuerzos en ver cómo mejorar la automatización de los procesos y comprobar los resultados que arrojan estos, gracias a los sistemas de inspección y los rigurosos controles de calidad.
Detectar errores en las piezas elaboradas en la cadena de montaje y productos finales es uno de los principales objetivos cuando se habla de sistemas de control de calidad y herramientas destinadas a la inspección de productos. La tecnología brinda una gran variedad de soluciones automatizadas y una de estas efectivas soluciones es contar con sistemas de visión artificial para realizar estas tareas de control de calidad.
Los sistemas de visión artificial son herramientas poderosas para la inspección automática de frutas y verduras, que incluye la clasificación mediante parámetros internos y externos que determinan la calidad del producto, además permite una correcta supervisión de los procesos de post-cosecha, hasta llegar al consumidor final. Los sistemas artificiales no sólo sustituyen la inspección humana, sino también mejoran en capacidad y tiempo la clasificación de frutas y verduras.
17 ASPECTOS DE LA PROBLEMÁTICA
1.1 DESCRIPCIÓN DE LA REALIDAD PROBLEMÁTICA.
Uno de los grandes problemas en la industria frutícola de nuestra región, es la clasificación del limón para exportación, exigen estándares de calidad por parte de los países importadores, como Estados Unidos y países de Europa. Uno de los sentidos más importantes de los seres humanos es el sentido de la visión, ésta se emplea para obtener información visual del entorno físico y la clasificación se lleva a cabo por parte de personal contratado, y como todo ser humano tiende al cansancio físico, además de la visual, lo que conlleva a que después de un cierto tiempo, la clasificación no se haga de una manera correcta.
Los parámetros que se utilizan para clasificar correctamente el limón son color, tamaño y defecto.
Si bien algunas empresas, ya tienen resuelto este problema, nosotros daremos una solución con una metodología propia, ya que, de productos comerciales, no se sabe su metodología de desarrollo empleada.
¿Será posible implementar un sistema de visión artificial para clasificar el limón utilizando una Raspberry Pi?
1.2 JUSTIFICACIÓN E IMPORTANCIA DE LA INVESTIGACIÓN
La clasificación manual del limón, después de cierto tiempo, produce la disminución de la capacidad de hacer correctamente este trabajo, nuestros sentidos por lo tanto afectan negativamente la eficiencia, de la clasificación.
El diseño de este sistema permitirá reducir costos en mano de obra, ya que son tres turnos de un determinado número de personas, que trabajan para hacer parte de este proceso, indirectamente también reducirá los costos en la producción, reducirá los errores que se puedan cometer en la clasificación, por factores humanos, por lo tanto, se obtendrá una calidad óptima en la selección de este producto.
La deficiencia en la clasificación del limón, a causa del cansancio físico y fatiga de la visión humana, constituye la importante investigación que ha dado lugar al desarrollo de esta tesis.
18 1.3 OBJETIVOS
OBJETIVO GENERAL
Diseñar un sistema de visión artificial para la clasificación del limón utilizando Raspberry Pi.
OBJETIVOS ESPECÍFICOS
Conocer la existencia de un sistema que clasifique el limón.
Conocer el tiempo de clasificación del limón de los sistemas actuales, manuales y automatizados.
Determinar la influencia de la clasificación manual del limón.
Determinar el color, el tamaño y el defecto del limón.
1.4 DELIMITACIÓN DE LA INVESTIGACIÓN
La investigación se diseñará con imágenes tomadas con iluminación artificial. Se utilizarán videos grabados previamente en el formato mp4.
El tipo de limón que se usará es el sutil, ya que es el que se exporta en nuestra región Piura.
No se implementarán partes mecánicas para el transporte del limón, si no que se simulará y se capturará el paso de este.
El sistema se implementará utilizando las librerías de visión artificial OpenCV en el lenguaje de programación Python, en una computadora personal de características básicas, para luego ser ejecutado en una tarjeta Raspberry Pi.
19 MARCO TEORICO
2.1 ANTECEDENTES DE LA INVESTIGACIÓN
En la Tesis: “DISEÑO DE UN SISTEMA DE CLASIFICACIÓN PARA LIMÓN POR TAMAÑO Y COLOR”, presentada por Andy Ramos-Tene de la Universidad de Piura, Facultad de Ingeniería, Departamento de Ingeniería Mecánico-Eléctrica presenta un sistema compuesto por dos partes, la parte mecánica y la parte de procesamiento y control; la tesis está enfocada en el desarrollo de la parte de procesamiento y control, a través del procesamiento de imágenes; para la parte mecánica se proponen dos posibles diseños.
El sistema captura una imagen a cada cítrico para luego, analizar y establecer la calidad de este. La producción depende de la rapidez con que se lleve a cabo dicho análisis (procesamiento y control) y de la parte mecánica involucrada.
En la Tesis: “DISEÑO DE UNA MÁQUINA AUTOMATIZADA CLASIFICADORA DE CEBOLLA POR TAMAÑO Y COLOR”, presentada por el Bach. Fustamante Saldaña, Wilmer. Y el Bach. Vásquez Gamonal Lenin Daniel, de la Universidad Señor de Sipán, FACULTAD DE INGENIERÍA
ARQUITECTURA Y URBANISMO, ESCUELA ACADÉMICO
PROFESIONAL DE INGENIERÍA MECÁNICA ELÉCTRICA, tuvieron por objetivo definir, diseñar y dimensionar una máquina automatizada clasificadora de cebolla por tamaño y color con la finalidad de mejorar el procedimiento de clasificación de la cebolla. Para ello se elaboró una guía de observación que permitió medir el diámetro de la cebolla, para la clasificación por tamaño considerando: Cebolla pequeña menor a 40 mm; mediana entre 41 y 80 mm y grande mayor de 81 mm de diámetro. Además, se hizo un análisis de documentos, para obtener sus características, para la clasificación por color como es rojo cobrizo, rojo violáceo cebolla sana y amarillo, amarillo verdoso, verde cebolla defectuosa. El diseño de la maquina considero el uso de tres motores eléctricos trifásicos de 1 Hp cada uno, un sistema de reducción de velocidad por poleas, la transmisión de potencia se hizo por bandas en V para el sistema de reducción y por medio de piñón cadena para el accionamiento de las bandas. El transporte de cebolla se realiza por bandas transportadoras, la limpieza lo realiza un juego de cepillos de crin natural y la clasificación se lleva a cabo por mallas calibradas de acero galvanizado con agujeros de 40 y 80 mm
20 respectivamente. La clasificación por color se realiza por medio de un panel de reconocimiento de imagen, compuesto por cuatro cámaras de alta velocidad, un sistema de iluminación por led, una computadora, un patrón de comunicación inalámbrica Zigbee y cuatro actuadores. La cámara captura la imagen de la cebolla, lo envía a la computadora, esta lo procesa y emite una señal a los actuadores por medio de señales inalámbricas, los cuales se activan solo si la cebolla es defectuosa impidiendo su paso. Con esta máquina se optimizará el proceso de clasificación de cebolla, disminuyendo tiempos y costos, además de mejorar la calidad de la cebolla y contribuir al cuidado del medio ambiente, al utilizar energías limpias.
En el artículo: “Sistema automático de reconocimiento de frutas basado en visión por computador”, presentado por Christian Montoya Holguin, Jimmy Alexander Cortés Osorio y José Andrés Chaves Osorio, de la Facultad de Ingenierías, Universidad Tecnológica de Pereira, Colombia, presentan un sistema de reconocimiento capaz de identificar una fruta tropical latinoamericana de entre un conjunto, establecido en una base de datos, utilizando técnicas de visión por computador. La investigación realizada permitió comparar los clasificadores KNN y bayesiano y los modelos del color RGB y HSV, junto con las características de tamaño y forma usadas previamente por investigadores de esta área en países como Malasia, Brasil y Estados Unidos. Para la clase de frutas definidas en esta investigación se determinó que las características que mejor las describieron fueron los valores medios de los canales RGB y la longitud de los ejes mayor y menor cuando se usaba el clasificador bayesiano, proceso que permitió obtener resultados con una exactitud igual al 90% en las pruebas realizadas, encontrándose que no siempre el seleccionar una mayor cantidad de variables para formar el vector descriptor permite que los clasificadores entreguen una respuesta más acertada, en este sentido es importante considerar que entre las variables de estudio debe presentarse un valor bajo de dependencia o correlación. La síntesis del desarrollo del proyecto dio como resultado la construcción de una báscula electrónica capaz de clasificar frutas, dispositivo que pretende contribuir a la solución del problema de identificación y clasificación de productos agrícolas en los supermercados.
21 2.2 BASES TEÓRICAS
EL LIMÓN
El limonero, es un pequeño árbol frutal perenne. Su fruto es el limón, una fruta comestible de sabor ácido y extremadamente fragante que se usa principalmente en la alimentación.
Es un árbol perenne, a menudo con espinas, que puede alcanzar los cuatro metros de altura, con copa abierta muy ramificada. Sus hojas son alternas, simples, coriáceas, con limbo elíptico de margen más o menos cerrado, glanduloso; a su vez contiene una nervadura penninervial. La inserción de su tallo es peciolada y su disposición es alterna. Es de color verde mate lustroso de unos 5–10 cm de largo y con peciolo cilíndrico articulado. Las flores, comúnmente llamadas (al igual que las del naranjo) azahares o flores de azahar, son solitarias o se organizan en pares o cortas inflorescencias corimbosas axilares. El cáliz tiene 4-7 -generalmente 5- sépalos de forma triangular soldados entre sí y la corola está formada por igual número de pétalos, libres, elípticos alargados, espesos, externamente glandulosos, blancos teñidos de rosa o violáceo en el envés. El androceo está formado por numerosos estambres (20–
100) y el gineceo presenta un ovario ínfero con estilo grueso terminado por un estigma mazudo más o menos lobulado. Dicho ovario deriva en un fruto bacciforme en hesperidio con hasta 18 lóculos (gajos). Sus semillas, que pueden faltar por partenocarpia, son de forma más o menos ovoide, blanquecinas/amarillentas, centimétricas, irregularmente y longitudinalmente surcadas.
El limón es originario de Asia (Assam, región en el sureste de India, norte de Birmania y China), y fue desconocido por griegos y romanos. Fue mencionado por primera vez en el Tratado sobre Agricultura Nabathae hacia el siglo III o IV. Su cultivo no fue desarrollado en occidente hasta después de la conquista musulmana de la península ibérica, cuando se extendió por todo el litoral mediterráneo donde se cultiva profusamente, debido a la benignidad del clima, para consumo interno y de exportación. (Citrus-limon, 2020)
22 El Limonero es un arbusto de 3 a 6 m de altura con ramas irregulares de corteza verde y provista de espinas cortas y fuertes. Las hojas son elípticas, coriáceas de color verde mate lustroso (5 – 10 cm), terminada en punta y con bordes ondulados o finamente dentado. Las flores son muy olorosas, con los pétalos gruesos y de color blanco, aunque suelen presentar un tinte rosado en su cara exterior. El fruto, llamado limón, es ovoide terminado en un mamelón, con una corteza de color amarillo pálido que puede ser rugosa o lisa. Es más sensible al frio que la mayor parte de los cítricos, por lo que su cultivo comercial se restringe a áreas con temperaturas invernales benignas. (AMPEX, 2009)
El nombre científico del limón fresco proviene del griego Citrus aurantifolia y sus particularidades se presentan a continuación en la Tabla 1 (Ortiz, Ernaú, Villacorta y Villena, 2007):
23 Tabla 1. CARACTERÍSTICAS DEL LIMÓN FRESCO
Fuente: Ortiz, Ernaú, Villacorta y Villena, 2007
Como se observa en la Tabla 2, el componente de mayor abundancia es el agua, con lo que se denota que el limón es bajo en calorías. Además, debido a que es una fruta, contiene menor valor calórico y el mineral más abundante es el potasio.
24 Tabla 2. COMPONENTES DEL LIMÓN
Fuente: Ortiz, Ernaú, Villacorta y Villena, 2007
Composición química del limón fresco por cada 100 g de consumo, por Ortiz, D., Ernaú, J., Villacorta, L. y Villena, A., 2007 en su estudio sobre la
“Estrategia para la competitividad sostenible del limón de Piura”
2.2.1.1 VARIEDADES DEL LIMÓN FRESCO
Existe en el Perú dos variedades de limones frescos, los cuales se denominan tahití y sutil. A continuación, se detallan los mismos a mayor profundidad:
Limón Tahití fresco:
Este tipo de limón es denominado de manera común como limón persa y su nombre científico es Citrus latifolia Tanaka. Igualmente, proviene de un árbol pequeño que crece hasta una altura de 6 a 7 metros y la copa es redonda, densa
25 y simétrica. Su rango de crecimiento es menor en épocas de clima frío, aunque ciertos árboles crecen durante todo el año. En cuanto a la floración de este tipo de limón, se presenta durante todo el año de manera uniforme y la condición de un clima frío o seco puede causar un retraso para con el crecimiento vegetativo.
Por esta razón, la floración se manifiesta en su mayoría de veces a finales de esta temporada (Ortiz et al., 2007).
Del mismo modo, se considera un fruto listo para su consumo, cuando se puede exprimir el jugo fácilmente y su maduración estándar se encuentra definida según los estándares establecidos por el Departamento de Agricultura de los Estados Unidos de América. De la misma manera, tiene un peso aproximado de 54 gr. y el estado de la planta se obtiene dentro de los 90 a 120 días posteriores a la floración, dependiendo siempre de las condiciones del clima y manejo del campo (Ortiz et al., 2007).
Limón Sutil fresco
El limón sutil, de nombre científico Citrus aurantifolia swingle, cítrico del género Citrus que pertenecen a la familia de las Rutáceas. Esta familia comprende más de 1.600 especies. El género botánico Citrus es el más importante del grupo, y consta de unas 20 especies con frutos comestibles.
(Ampex, 2009).
También llamada lima ácida, lima gallega, limón ceutí, limón mexicano, limón peruano, limón criollo o limón de pica, pertenece a la clasificación de las Limas, aunque en países como Ecuador y Perú curiosamente se la llama Limón en lugar de Lima, su nombre científico (Citrus x aurantifolia Swingle). (Espinoza 2009)
26 FIGURA 1. LIMÓN SUTIL
Fuente: Elaboración propia
Se caracteriza por su fruto redondeado u oval, de 2 a 5 cm de diámetro. Está compuesto de 3 partes, el flavedo o exocarpio, albedo o mesocarpio y endocarpio. (Espinoza 2009).
El flavedo es una capa delgada que posee los pigmentos que cambian de color durante la maduración de verde a amarillo, de gran aroma debido a los compuestos terpénicos que componen los aceites esenciales que allí se encuentran.
El albedo es la parte blanca que contiene pectinas que le confieren firmeza a la corteza. A medida que, el fruto va madurando el albedo tiende a degradarse por acción enzimática, debido a esto cosechan los cítricos en estado inmaduro (verde) para obtener el mayor rendimiento y calidad de pectina.
Finalmente, el endocarpio está formado por la pulpa que contiene las vesículas con el jugo. El endocarpio se encuentra dividido por el séptum formando de 10-14 gajos en ellos se encuentran las semillas, 10 aproximadamente por lima ubicadas alrededor del eje central. El jugo es de sabor ácido, con alto contenido: enzimático, vitamina C y ácido cítrico. (Ver figura).
27 FIGURA 2. PARTES DEL LIMÓN SUTIL
Fuente: Espinoza, 2009
2.2.1.2 FICHA TÉCNICA LIMÓN SUTIL
Nombre científico: Citrus Aurantifolia
Origen: Piura, Perú
Familia: Rutaceae
Variedades importantes: Sutil
Período vegetativo: Noviembre - Junio Época de siembra: Todo el año Época de cosecha: Todo el año
Calibre: 35 a 42 mm
Temperatura de conservación: 8ºC
Tiempo de vida: 50 días. (Limones Piuranos, 2017)
2.2.1.3 Calibres – Clasificación
Calidad Calibre Cantidad
Segunda 35 a 36 mm. 36 limones / kilo aprox.
Primera 37 a 38 mm. 28 limones / kilo aprox.
28 Extra 39 a 42 mm 24 limones / kilo aprox. (Limones Piuranos, 2017)
El producto a ofrecer tiene las siguientes características:
Fresco, encerado y calibrado.
Los rangos de tamaño por cada unidad van desde 35 mm hasta 40 mm.
Los rangos de peso por cada unidad van desde 27 gramos a 41 gramos.
Tiempo de vida en cadena de frío (obligatorio) de 30; prolongándose a 40 días.
Embalaje de cartón corrugado, mallas, de acuerdo a requerimiento del cliente:
Cajas de 4.5 Kilos Cajas de 10 Kilos Cajas de 20 kilos Cajas de 24 kilos
Color verde, sin daños físicos, libre de plagas y enfermedades.
Almacenamiento, existen 2 formas:
Tradicional: 8°C, con 50% ventilación abierta y 85-90% humedad relativa.
Recomendada: 8°C, ventilación cerrada, atmósfera controlada (10% O2 y 8%
CO2). (Limones Piuranos, 2017)
PRODUCCIÓN DE LIMÓN SUTIL 2.2.2.1 Producción Mundial de limón:
El país líder en la producción de limas y limones es México. No obstante, compite con los países de Europa, América del Sur y Sudáfrica. Con respecto a la producción del limón a nivel mundial, se caracteriza por no cosecharse de manera simultánea en todos los países, puesto que el período de producción y comercialización de este fruto en el hemisferio norte se da entre los meses de octubre a abril. Mientras que, en el hemisferio sur se da entre los meses de mayo a setiembre (Ortiz et al., 2007).
29 2.2.2.2 Manejo agronómico del limón
Pre Cosecha: Acciones que se realizan momentos antes de realizarse la cosecha.
(Proyecto UE-PERU, 2004)
Cosecha: Cuando los frutos de cualquier cultivo son recogidos para su utilización y comercialización, siendo realizada de acuerdo a las exigencias del mercado.
Se mostraron los diferentes envases usados en cosecha: Alforjas de lona, alforjas de polipropileno, jabas, cajón cosechero y ropa misma que usa el cosechador, explicándose que lo mejor es cuando se utiliza la alforja de lona. Adicionalmente se indicó el caso especial de la cosecha después de la eliminación de la maleza trepadora. (Proyecto UE-PERU, 2004)
2.2.2.3 Recomendaciones para la cosecha
El personal debe tener experiencia y responsabilidad.
La cosecha debe ser con alforjas o con mochila.
Los calibres deben de cosecharse según la demanda del comprador.
La fruta del tercio inferior, cosechará con la mano directa a la alforja o mochila sin utilización de escalera.
La fruta del tercio medio y superior se cosechará con la mano a la alforja o mochila con la utilización de escalera.
Toda cosecha manual deberá hacerse con guantes.
La cosecha se realizará por lotes, marcándose las jabas y no mezclándose la fruta. Cada jaba deberá marcarse con esparadrapo donde se indicará el número del lote.
Post Cosecha: Acciones o tratamientos que se da a la fruta una vez cosechada y que se realizan para darle a la fruta mayor durabilidad, calidad y presentación al momento de su comercialización. También el tratamiento depende del mercado hacia donde se destina la producción. (Proyecto UE-PERU, 2004)
30 Recomendaciones
Colocar las jabas con fruta bajo sombra y si están al sol, colocar hierba verde o seca sobre la fruta.
Nunca colocar una jaba sobre otra, para que no le caiga arena a la fruta de abajo.
Durante el traslado ubicar bien las jabas, para que la parte inferior no se maltrate.
Nunca dejar jabas llenas o vacías en el campo.
En la colca, no agregar el limón sobre las mantas, sino mantenerlo en las jabas hasta el momento del saneo.
Clasificación post cosecha
FIGURA 3. CLASIFICADORA DE CAMPO Fuente: Proyecto UE-PERU, 2004
FIGURA 4. CLASIFICACIÓN MANUAL Fuente: Proyecto UE-PERU, 2004
31 FIGURA 5. Clasificación en mesa
Fuente: Proyecto UE-PERU, 2004
2.2.2.4 Calidades que se comercializan
Algunas calidades del limón sutil que envían los comerciantes para el mercado nacional
Bolón
Superior extra
Terciado = marca Fiorella Caña = amarillo grande Extra color = amarillo chico Primera verde = segunda en Piura
Las calidades son muy variables en la comercialización del limón sutil y que cada fundo elije sus calidades, de acuerdo el mercado hacia donde va. (Proyecto UE-PERU, 2004)
2.2.2.5 DESCRIPCIÓN DEL PROCESO DE EMPAQUE DE LIMÓN Recepción de materia prima
El limón será recepcionado en planta, a través de una tolva de descarga; será dispuesto en jabas plásticas de aproximadamente 22 Kg. de capacidad, las cuales
32 serán codificadas según la procedencia. Se pesarán con rapidez y con balanza industrial.
Descanicado
Esta etapa consiste en eliminar limones canica, y una serie de sólidos constituidos por ramas, hojas, entre otros. Es una operación mecánica, realizada en una descanicadora la cual posee ranuras graduadas de tal forma que todos los limones de tamaño pequeño (menores a 37 mm) sean separados.
Selección
En esta etapa se separan los limones de color amarillento y aquellos que tengan indicios de ataque de algún tipo de plaga: insectos, hongos, bacterias, etc. Es realizado de manera subjetiva por obreros, en la mesa de selección.
Lavado
Tiene la finalidad de eliminar las impurezas que se encuentran en la superficie del fruto. Esta operación se realiza mecánicamente en una escobilladora con agua más cloro a la dosis de 75 ppm de cloro x 2-5 minutos.
El agua es adicionada mediante aspersores, los cuales inyectan agua a presión para eliminar toda la suciedad que se encuentre adherida al limón.
Desinfección
Esta operación se realiza con la finalidad de eliminar cualquier indicio de ataque fúngico y se adiciona un funguicida post-cosecha; el tipo de fungicida dependerá del mercado de destino del limón. Este fungicida es solubilizado en agua y es adicionado a presión mediante aspersores de agua.
Enjuague
Esta operación tiene la necesidad de eliminar el desinfectante que fue añadido en la etapa anterior. Para cumplir el objetivo de la misma se inyecta agua mediante tres baterías de aspersores de agua.
Secado I
Se deben secar los limones con la finalidad de adicionar posteriormente la cera, ya que si no se seca la cera por ser insoluble en agua no podrá adherirse a la superficie del limón. El secado se realiza mediante un secador de aire forzado.
33 Encerado
Consiste en la aplicación de cera con la finalidad de mejorar la apariencia del producto y darle una mayor protección contra algunos de los factores ambientales a los que será sometido posteriormente. Se aplica la cera mediante un nebulizador el cual crea una fina lluvia que cae sobre el limón que se encuentra en un transportador de rodillos que lo hace girar para poder uniformizar la aplicación del producto.
Secado II
Se realiza para que la cera quede impregnada en el fruto. Se realiza en un secador de aire caliente.
Clasificado
Es la etapa mediante la cual se clasifica el fruto por tamaños. Esta operación será realizada en un calibrador cilíndrico rotatorio. Los tamaños del limón son:
canica, segunda, primera, extra y súper extra.
Empaque
El limón es colocado en cajas de cartón corrugado de 10 kg. de capacidad final.
Embalado
Las cajas son dispuestas en parihuelas de madera y serán aseguradas con esquineros de papel prensado y zunchos de plástico.
Conservación
La fruta se conservará en contenedor refrigerado, que puede ser de MERSK, u otra compañía, a una temperatura de 8 º C aprox.
Transporte
La fruta se transportará por vía marítima. (Proyecto UE-PERU, 2004)
34 PRODUCCIÓN NACIONAL DE LIMÓN EN EL PERÚ
FIGURA 6. PRODUCCIÓN DE LIMÓN SUTIL (T) EN LAS PRINCIPALES REGIONES DEL PERÚ
Fuente: MINAGRI, 2016
FIGURA 7. Superficie cosechada (ha) de limón sutil en las principales regiones del Perú
Fuente: MINAGRI, 2016
35 PIURA SE CONSOLIDA COMO PRIMERA REGIÓN AGROEXPORTADORA
DE LIMÓN
El Ministerio de Agricultura y Riego informó que, al cierre de 2019, los productores de Piura exportaron 12,088 toneladas de limón, que representa un crecimiento agroexportador del 19.5%, en comparación a las cifras logradas en la campaña 2018. (SENASA, 2020)
En la campaña 2018 se certificaron 10,115.80, en el 2016 se certificaron 4,396.43 tm y en el 2017 alcanzó las 6,054.25 tm. (SENASA, 2020)
Según el reporte oficial del Senasa, el 74% del volumen exportado, que representa 8,925.760 toneladas métricas, tuvo como principal destino el mercado chileno, convirtiendo al país sureño en el primer importador de este producto peruano, seguido por Panamá. (SENASA, 2020)
El limón piurano, de las variedades Sutil y Tahití, llegó también a los mercados de Bélgica, Canadá, Estados Unidos, Francia, Holanda, Italia y Alemania. Para cada envío, el Senasa verifica que los productos cumplan con los requisitos fitosanitarios de acuerdo a lo establecido por cada país importador.
(SENASA, 2020)
A la fecha, la autoridad en sanidad agraria del MINAGRI resguarda un total de 18,353 hectáreas destinadas al cultivo de limón para evitar el ingreso del HLB, que podría destruir la producción de este cultivo. (SENASA, 2020)
Piura tiene un área destinada de 18,353 hectáreas para cultivar limón, siendo los principales valles productores: San Lorenzo (provincia de Piura), que cuenta con 10,696 hectáreas de limonero, seguido del Chira (provincia de Sullana) con 4,448 hectáreas y Chulucanas (provincia de Morropón) con 1,453 hectáreas de acuerdo a la Dirección Regional de Agricultura Piura. (SENASA, 2020)
Otras regiones dedicadas a la producción de limón en el país son Lambayeque, Tumbes, Loreto y Ucayali, que también poseen grandes extensiones del cultivo y que vienen trabajando de manera integrada con el Senasa para evitar el ingreso de plagas cuarentenarias. (SENASA, 2020)
36 FIGURA 8. Perú: Principales zonas productoras de limón
Fuente: MINAGRI-DGESEP
VISION ARTIFICIAL
También conocida como visión por computador (del inglés computer vision) o visión técnica, es un subcampo de la inteligencia artificial y es el campo de acción más ambicioso del procesamiento digital de imágenes. Básicamente el objetivo es automatizar funciones de inspección visual, tradicionalmente utilizadas por el hombre como, por ejemplo.
Los objetivos típicos de la visión artificial incluyen:
La detección, segmentación, localización y reconocimiento de ciertos objetos en imágenes (por ejemplo, caras humanas).
La evaluación de los resultados (ej.: segmentación, registro).
Registro de diferentes imágenes de una misma escena u objeto, hacer concordar un mismo objeto en diversas imágenes.
Seguimiento de un objeto en una secuencia de imágenes.
Mapeo de una escena para generar un modelo tridimensional de la escena; tal modelo podría ser usado por un robot para navegar por la escena.
Estimación de las posturas tridimensionales de humanos.
Búsqueda de imágenes digitales por su contenido.
37 PROCESAMIENTO DE IMAGENES
Imagen: Es la proyección en perspectiva en el plano bidimensional de una escena tridimensional en un determinado instante de tiempo t0. (Rafael C.
Gonzales, Richard E. Woods, 1996)
Fotograma: Es una matriz bidimensional de valores de intensidad lumínica obtenidos para un tiempo t0 constante. Pudiera decirse en cierta forma que es una imagen discretizada. (Rafael C. Gonzales, Richard E. Woods, 1996)
Píxel (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.
(Rafael C. Gonzales, Richard E. Woods, 1996)
Imagen binaria: Son aquellas imágenes cuyos píxeles solo tienen dos valores:
cero y uno. (Rafael C. Gonzales, Richard E. Woods, 1996)
LA IMAGEN DIGITAL
Son el principal ingrediente de lo que se conoce como Visión Artificial y representan mediante algún tipo de codificación, normalmente en una matriz de números de dos dimensiones, una escena del entorno. (Gonzalo Pajares, 2004)
Existen dos tipos de imágenes utilizadas frecuentemente en Visión Artificial: imágenes de intensidad e imágenes de alcance (también llamadas imágenes de profundidad o perfiles de superficie). Las imágenes de intensidad miden la cantidad de luz que incide en un dispositivo fotosensible, mientras que las imágenes de alcance estiman directamente la estructura en tres dimensiones (3D) de la escena ya que su fundamento radica en el uso de sensores de alcance ópticos y algún fenómeno físico para adquirir la imagen. Un ejemplo típico de una imagen de intensidad es una fotografía, mientras que de una imagen de alcance es, por ejemplo, la imagen que obtiene el oftalmólogo sobre el grado de rugosidad de la córnea de un paciente o las imágenes de un radar.
Aunque la filosofía de los diferentes tipos de imágenes es diferente, en cualquier caso, tras su captura tendremos una matriz de valores en dos dimensiones (2D), es decir, una imagen digital. (Gonzalo Pajares, 2004)
38 DISPOSITIVOS DE CAPTURA DE IMÁGENES
Para la adquisición de imágenes digitales se requieren dos elementos básicos. El primero es un dispositivo físico que es sensible a una determinada banda del espectro de energía electromagnético (tal como rayos X, ultravioleta, visible, infrarrojo, etc.) y que produce una señal eléctrica de salida proporcional al nivel de energía incidente en cualquier instante de tiempo. El segundo, denominado digitalizador, es un dispositivo que cumple la función de convertir la señal eléctrica continua de salida del dispositivo físico en un conjunto discreto de localizaciones del plano de la imagen y, después, en la cuantización de dicha muestra. Esto implica, en primer lugar, determinar el valor de la imagen continua en cada una de las diferentes localizaciones discretas de la imagen (cada valor localizado de forma discreta se denomina muestra de la imagen) y, luego, asignar a cada muestra una etiqueta entera discreta, que es representativa del rango en el que varía la muestra. (Gonzalo Pajares, 2004)
Una vez capturada la señal continua y cuantificada espacialmente y en amplitud, se obtiene una imagen digital, que es como se representa en el computador, es decir, tendremos la matriz (2D) de números como ya hemos mencionado anteriormente. Éstos son los valores que se manipulan para extraer información de las imágenes mediante programas (software). (Gonzalo Pajares, 2004)
En la siguiente figura se ilustra un ejemplo de la cuantización espacial y en amplitud:
FIGURA 9. DIGITALIZACIÓN DE UNA SEÑAL ANALÓGICA Fuente: (Gonzalo Pajares, 2004)
39 Supongamos que tenemos una señal analógica, que bien podría ser una línea de video analógica. Esta señal (línea) analógica de video se convierte a una imagen digital muestreando la señal analógica a intervalos determinados. El procedimiento consiste en medir el voltaje de la señal a intervalos de tiempo fijos. El valor del voltaje en cada instante se convierte a un número que es almacenado y se corresponde con la intensidad de la imagen en ese punto. La intensidad en cada punto depende tanto de las propiedades intrínsecas del objeto que se está viendo como de las condiciones de luz de la escena. Repitiendo este procedimiento para todas las líneas de video que constituyen una imagen, se pueden grabar los resultados obtenidos en el computador, de suerte que habremos conseguido una imagen digital que, en definitiva, es una matriz de números. (Gonzalo Pajares, 2004)
La imagen puede accederse como una matriz bidimensional (2D) de datos, donde cada punto o dato se denomina píxel. (Gonzalo Pajares, 2004)
Además de las cámaras de televisión que generan una imagen de video, uno de los sensores más usados para la visión artificial son loa dispositivos de acoplamiento de carga (Charge Coupled Devices - CCD). Entre los dispositivos CCD, que generalmente también producen una señal continua de video, cabe distinguir dos categorías: sensores de exploración de línea y sensores de exploración de área. Estos sensores CCD se basan en unos elementos semiconductores llamados photosites. Los fotones procedentes de la escena excitan el elemento semiconductor, de forma que el grado de excitación es proporcional a la cantidad de carga acumulada en el photosite y, por lo tanto, a la intensidad luminosa en ese punto. (Gonzalo Pajares, 2004)
Estos photosites se pueden representar en forma de matriz como se muestra en la siguiente figura 10.
40 FIGURA 10. CAPTURA DE UNA IMAGEN 3D POR UN DISPOSITIVO CCD
Fuente: (Gonzalo Pajares, 2004)
Supongamos una matriz de photosites situados detrás de una lente y sobre los que se proyecta una imagen procedente de la escena 3D. La señal de estos sensores se procesa en el propio sensor (cámara) o en otro dispositivo (tarjeta de procesamiento de imágenes digitales) y los valores digitales se envían al computador. (Gonzalo Pajares, 2004)
Para clarificar un poco más estos conceptos, analicemos el ejemplo sencillo mostrado en la figura siguiente:
FIGURA 11. FIGURA DEL ÁRBOL CAPTURADA POR UNA CÁMARA CON 4X4 SENSORES DE INTENSIDAD
Fuente: (Gonzalo Pajares, 2004)
Supongamos una escena 3D cuya representación digital en forma de matriz, tal como se almacena en el computador, resulta ser la que se muestra en la figura 3-(b). En este caso se utiliza una matriz de 16 elementos (4x4) para representar el árbol; lógicamente, cuantos más sensores dispongamos en la
41 cámara, más precisión podemos tener en la reproducción de la imagen. Esto es lo que se conoce como resolución espacial de la imagen. (Gonzalo Pajares, 2004)
IMÁGENES BLANCO/NEGRO Y COLOR
En definitiva, e independientemente del tipo de sensor utilizado, la imagen que ha de ser tratada por el computador se presenta digitalizada espacialmente en forma de matriz con una resolución de M x N elementos. (Gonzalo Pajares, 2004)
Si la imagen es en Blanco y Negro (B/N), se almacena un valor por cada píxel. Se suele utilizar un rango de valores para su representación, que generalmente es de 0 a 2n-1. Uno de los valores más utilizados de n es 8; esto significa que el rango de valores para este caso varía de 0 a 255. En este caso, el 0 representa el negro absoluto y el 255, el blanco absoluto. Esto indica que podemos tener una resolución o precisión en los grises posibles de 256. El hecho de utilizar 256 niveles es porque con 8 bits del computador se pueden codificar 256 valores distintos desde la combinación 00000000, que representa el nivel 0, hasta la combinación 11111111, que representa el nivel 255. (Gonzalo Pajares, 2004)
En el caso de las imágenes en color, los elementos de la matriz vienen dados por tres valores, que representan cada uno de los componentes básicos del color en cuestión. Estos componentes son el Rojo (R), Verde (G) y Azul (B), el conocido código RGB. En este caso el conjunto de valores (0,0,0) es el negro absoluto; el (255,255,255), el blanco absoluto; el (255,0,0), el rojo puro; el (0,255,0), el verde puro; el (0,0,255), el azul puro. Como es lógico, la combinación de distintos valores proporciona otros colores, por ejemplo, el (255, 255, 51) es un tono de amarillo o el (204, 153, 102), es un tono marrón. El número de colores posible resulta ser 255. (Gonzalo Pajares, 2004)
42 RESOLUCIÓN ESPACIAL Y EN AMPLITUD
Para comprender mejor el sentido y la diferencia que existe entre resolución espacial y en amplitud, vamos a ilustrar los conceptos en las siguientes figuras:
FIGURA 12. CUATRO REPRESENTACIONES DE LA MISMA IMAGEN CON VARIACIÓN EN EL NÚMERO DE PÍXELES UTILIZADOS
FIGURA 13. SEIS REPRESENTACIONES DE LA MISMA IMAGEN CON VARIACIÓN EN EL NÚMERO DE NIVELES DE GRIS UTILIZADOS
