Aplicación web para la clasificación
de granos de maíz
TRABAJO FINAL DE LA CARRERA INGENIERÍA DE SISTEMAS
Por
Anabella Silvia Saleres
Bajo la supervisión de
Dra. Paula M. Tristán y Mg. Laura Felice
Universidad Nacional del Centro de la Provincia de Buenos Aires
Agradecimientos
A mis padres, Silvia y José y a mis hermanos Ariel y Juan, por darme el apoyo incondicional y no dejarme bajar los brazos. Gracias por apoyarme siempre y por permitirme con su esfuerzo, llegar hasta acá.
A mis padrinos, Dora y Miguel, y primos, Luis, Efrén y María, por el cariño y sus agradables visitas.
A mi gran compañero de vida, Arturo, por ser mi sostén y estar en todo momento. Y a mis hijas, Lucía y Martina, que me dan felicidad y amor día tras día.
A mis directores, Paula y Laura, por lograr que retome y finalice esta etapa que tenía pendiente. Muchas gracias por la ayuda, el apoyo y la dedicación en este trabajo.
A los peritos de la Cámara Arbitral de Cereales de Bahía Blanca, Cámara Arbitral de Cereal de Bueno Aires y Cooperativa General Necochea, por exponer su conocimiento y brindar el material necesario para poder llevar a cabo esta tesis.
Índice general
Agradecimientos . . . 2
Índice general . . . 3
Índice de Figuras . . . 6
Índice de Tablas . . . 8
Introducción . . . 10
Motivación . . . 11
Trabajos relacionados . . . 12
Objetivos . . . 13
Organización de la tesis . . . 13
Características del maíz . . . 16
El Maíz . . . 16
La muestra . . . 17
Tipos de maíz . . . 17
Maleza chamico . . . 18
Humedad . . . 19
Peso Hectolítrico . . . 20
Granos dañados . . . 21
Materia extraña . . . 22
Granos quebrados . . . 23
Evaluación de la calidad de granos de cereales . . . 23
Estado del arte . . . 28
Clasificador de cereales . . . 28
Clasificador de maíz mediante un láser . . . 28
Clasificador de maíz pisingallo . . . 29
Identificador de variedades de maíz . . . 29
Equipamiento . . . 30
Otros sistemas de clasificación . . . 31
Clasificador de arroz . . . 31
Clasificador de fruta . . . 31
Clasificador de maní . . . 32
Método propuesto . . . 33
Etapas de procesamiento de imagen . . . 33
Captura de la imagen . . . 34
Pre-procesamiento de la imagen . . . 35
Segmentación de la imagen . . . 40
Extracción de características . . . 41
Identificación de los diferentes tipos de objetos . . . 42
Clasificación por objeto . . . 42
Determinación del grado de calidad y descuentos . . . 44
Hacia la implementación del sistema . . . 46
La arquitectura propuesta . . . 46
Beneficios de la arquitectura utilizada . . . 46
Beneficios de Spring Framework . . . 47
Desventajas de la arquitectura utilizada . . . 48
Diagrama de la base de datos . . . 48
La aplicación . . . 49
Aprendizaje . . . 52
Resultados y análisis . . . 53
Comparación de los sistemas de referencia . . . 54
Maíces analizados . . . 54
Maíz 1 . . . 54
Maíz 2 . . . 54
Prueba de longitud . . . 55
Prueba 1 . . . 55
Prueba 2 . . . 57
Prueba 3 . . . 59
Prueba 4 . . . 59
Conclusiones del sistema de referencia . . . 60
Caso de estudio 1 . . . 62
Preparación . . . 63
Resultado del entrenador N° 1 . . . 63
Caso de estudio 2 . . . 68
Preparación . . . 68
Resultado del entrenador N° 1 . . . 69
Resultado del entrenador N° 2 y N° 3 . . . 71
Conclusiones . . . 72
Caso de estudio 3 . . . 73
Preparación . . . 73
Resultado del entrenador N° 1 . . . 74
Resultado del entrenador N° 2 y N° 3 . . . 77
Conclusiones . . . 78
Análisis estadístico . . . 78
Resultados del Grado 1. . . 78
Resultados del Grado 2 . . . 81
Resultados del Grado 3 . . . 83
Conclusiones . . . 86
Conclusiones y trabajos futuros . . . 87
Trabajos Futuros . . . 88
Referencias . . . 89
Anexos . . . 92
Clasificación K-Means . . . 92
Transformaciones geométricas . . . 93
Transformaciones espaciales . . . 93
Interpolación de nivel de gris . . . 95
Tablas del sistemas . . . 97
Modelo Vista Controlador . . . 101
Spring Framework . . . 102
Spring Web MVC . . . .103
Hibernate . . . 103
Maven . . . 104
Base de datos MySQL . . . 104
Determinación de humedad . . . 106
Índice de Figuras
2.1 Grano de maíz . . . 16
2.2 Imágenes de los distintos tipos de maíz . . . 18
2.3 Medidor de humedad: a) Marca: DELVER. Modelo: HD1021USB b) Marca: Dickey-John, con impresora opcional c) Marca: Dickey-John. Modelo: GAC 2100 AGRI . . . 20
2.4 Balanza Schopper . . . 20
2.5 Clasificación de granos dañados: brotados, fermentados, podridos, calcinados, con verdín, amohosados y picados . . . 22
2.6 Granos quebrados . . . 23
3.1 ZoomSpex permite determinar la calidad de cereales . . . 28
3.2 RUTTEX: Limpiador y clasificador de granos, semillas y otros tipos de productos . . . 30
3.3 MILLEX: Separador, limpiador y clasificador gran variedad de granos y semillas . . . . 30
3.4 MTRB: Máquina clasificadora y separadora de granos . . . 31
4.1 Esquema general del proceso . . . 33
4.2 Esquema específico del proceso . . . 34
4.3 Pseudocódigo de la función searchVerticalLeftLine . . . 36
4.4 Esquina superior izquierda . . . 37
4.5 Transformación geométricas o elástica . . . 38
4.6 Pseudocódigo de la función eliminateEdge . . . 39
4.7 Proceso de binarización . . . 40
4.8 Proceso de separación de objetos superpuestos . . . 41
4.9 Clasificación K-Means de los objetos de una muestra . . . 43
4.10 Función lineal por tramos del Peso Hectolítrico en función del Área . . . 45
5.1 Diagrama de entidad relación de base de datos . . . 49
5.2 Selección de un fragmento de la imagen utilizado para determinarán el fondo . . . 50
5.3 Resultados de la clasificación de una imagen de una muestra de maíz . . . 51
5.4 Ajuste para los objetos mal clasificados . . . 52
6.1 Medida de longitud del maíz 1 con un calibre manual pie de rey . . . 55
6.2 Medida de longitud del maíz 2 con un calibre manual pie de rey . . . 55
6.3 Imagen de los dos maíces con los dos sistemas de referencia para la prueba 1 . . . 56
6.4 Resultados de la longitud de los dos maíces para la prueba 1 obtenida por la aplicación que utiliza el rectángulo como sistema de referencia . . . 56
6.7 Resultados de la longitud de los dos maíces para la prueba 2 obtenida por la aplicación
que utiliza el rectángulo como sistema de referencia . . . 58
6.8 Resultados de la longitud de los dos maíces para la prueba 2 obtenida por la aplicación que incluye una moneda en el centro de la imagen . . . 58
6.9 Imagen de los dos maíces con los dos sistemas de referencia para la prueba 3 . . . 59
6.10 Imagen de los dos maíces con los dos sistemas de referencia para la prueba 4 . . . 59
6.11 Gráfico del valor del diámetro obtenido del Maíz 1 por las dos aplicaciones para las pruebas: 1, 2, 3 y 4 . . . 61
6.12 Gráfico del valor del diámetro obtenido del Maíz 2 por las dos aplicaciones para las pruebas: 1, 2, 3 y 4 . . . 61
6.13 Análisis por los peritos de la Cámara Arbitral de Cereales de Bahía Blanca para la muestra N° 2 . . . 62
6.14 Imagen para el caso de estudio 1 . . . 63
6.15 Imagen de los resultados generados por la aplicación para el caso de estudio 1 . . . 64
6.16 Imagen del análisis de la clasificación por objeto para el rubro materia extraña correspondiente al caso de estudio 1 . . . 65
6.17 Valores medido por los peritos - Valores obtenidos por la aplicación. Caso de estudio 1 67 6.18 Análisis por los peritos para la muestra N° 16305 . . . 68
6.19 Imagen del caso de estudio 2 . . . 69
6.20 Imagen de los resultados generados por la aplicación para el caso de estudio 2 . . . 70
6.21 Valores medido por los peritos - Valores obtenidos por la aplicación. Caso de estudio 2 72 6.22 Análisis por los peritos de la Cámara Arbitral de la Bolsa de Cereales de Buenos Aires para la muestra N° 16280 . . . 73
6.23 Imagen del caso de estudio 3 . . . 74
6.24 Imagen de los resultados generados por la aplicación para el caso de estudio 3 . . . 75
6.25 Imagen del análisis de la clasificación incorrectamente por objeto para el rubro materia extraña correspondiente al caso de estudio 3 . . . 76
6.26 Imagen de los resultados generados por la aplicación con correcciones manuales para el caso de estudio 3 . . . 76
6.27 Valores medido por los peritos - Valores obtenidos por la aplicación. Caso de estudio 3 77 9.1 Transformación geométrica de una región rectangular . . . 94
9.2 Interpolación de nivel de gris basado en el concepto del vecino más próximo . . . 97
9.3 Modelo en capas MVC (Modelo Vista Controlador) . . . 101
Índice de Tablas
2.1 Norma de calidad para la comercialización del maíz-Norma XII . . . 27
6.1 Resultados del diámetro, el error absoluto, error relativo y el porcentaje de error obtenido por las dos aplicaciones para la prueba 1 . . . 57
6.2 Resultados del diámetro, el error absoluto, error relativo y el porcentaje de error obtenido por las dos aplicaciones para la prueba 2 . . . 58
6.3 Resultados del diámetro, el error absoluto, error relativo y el porcentaje de error obtenido por las dos aplicaciones para la prueba 3 . . . 59
6.4 Resultados del diámetro, el error absoluto, error relativo y el porcentaje de error obtenido por las dos aplicaciones para la prueba 4 . . . 60
6.5 Análisis por los peritos de la Cámara Arbitral de Cereales de Bahía Blanca para la muestra N° 2 . . . 62
6.6 Resultados comparativos para el Entrenador N° 1 del caso de estudio 1 . . . 64
6.7 Resultados comparativos para el Entrenador N° 2 del caso de estudio 1 . . . 66
6.8 Análisis por los peritos de la Cámara Arbitral de la Bolsa de Cereales de Buenos Aires para la muestra N° 16305 . . . 68
6.9 Resultados comparativos para el Entrenador N° 1 del caso de estudio 2 . . . 70
6.10 Resultados comparativos para el Entrenador N° 2 del caso de estudio 2 . . . 71
6.11 Análisis por los peritos de la Cámara Arbitral de la Bolsa de Cereales de Buenos Aires para la muestra N° 16280 . . . 73
6.12 Resultados comparativos para el Entrenador N° 1 del caso de estudio 3 . . . 75
6.13 Resultados comparativos de granos dañados para grado 1 . . . 78
6.14 Resultados comparativos de materia extraña para grado 1 . . . 79
6.15 Resultados comparativos de granos quebrados para grado 1 . . . 80
6.16 Resultados comparativos del peso hectolítrico para grado 1 . . . 80
6.17 Resultados comparativos de granos dañados para grado 2 . . . 81
6.18 Resultados comparativos de materia extraña para grado 2 . . . 82
6.19 Resultados comparativos de granos quebrados para grado 2 . . . 82
6.20 Resultados comparativos del peso hectolítrico para grado 2 . . . 83
6.21 Resultados comparativos de granos dañados para grado 3 . . . 84
6.22 Resultados comparativos de materia extraña para grado 3 . . . 84
6.23 Resultados comparativos de granos quebrados para grado 3 . . . 85
6.24 Resultados comparativos del peso hectolítrico para grado 3 . . . 85
9.1 Tabla de la base de datos: Tipo . . . 97
9.4 Tabla de la base de datos: Objeto . . . 98
9.5 Tabla de la base de datos: Rasgo_Objeto . . . 99
9.6 Tabla de la base de datos: Tipo_Objeto . . . 99
9.7 Tabla de la base de datos: Background . . . 99
9.8 Tabla de la base de datos: Peso_hectolitrico . . . 100
9.9 Tabla de la base de datos: Rectanglereference . . . 100
9.10 Tabla de tiempos en estufa para determinar la humedad de distintos cereales . . . 106
1. Introducción
Los granos de cereal básicos son un elemento esencial en la alimentación y economía de todos los pueblos. Por lo general, su producción es estacional y no siempre cercana a los centros de consumo, lo que genera un complejo mecanismo para lograr el objetivo de que lleguen en forma oportuna y constante a todos los consumidores. En nuestro país, una parte de la producción de granos es utilizada para autoconsumo, ya sea como semilla, alimento humano o para el ganado. Otra parte es comercializada a través de diversos canales como los intermediarios, acopiadores, importadores, exportadores, el sector industrial y las agencias gubernamentales. Para la comercialización es muy importante conocer la oferta, precios, condiciones físicas o de calidad de los productos, formas y tiempos de entrega (Mora, 1997).
De modo que, se entiende por calidad, al defecto o conjunto de ellos que desmejoran una partida de granos. Estos defectos se producen generalmente por causas de origen climático, animal o vegetal como así también mecánicas. Los granos se deterioran en planta, durante la cosecha o en los depósitos cuando no se les proporcionan los cuidados adecuados. Estas alteraciones del estado natural y sanidad que pueden presentar los granos se clasifican en dañados, picados, materias extrañas, olores comercialmente objetables, presencia de semillas indeseables, quebrados y/o chuzos y hasta averías por mal uso de secadoras o mala conservación. Los defectos mencionados y algunos otros, llamados todas determinaciones de calidad, son los que se tienen en cuenta para determinar la calidad de una mercadería (Secretaría de agricultura, ganadería, pesca y alimentación del ministerio de economía y producción de la República Argentina, 1994), en función de la cantidad o a la intensidad que los mismos estén presentes en una muestra.
En la actualidad, el análisis de calidad es una actividad totalmente manual realizada en los laboratorios por los técnicos especialistas, denominados los "Peritos Clasificadores de Granos". Estos tienen como función principal, tomar las muestras y en base a éstas, clasificar cereales, oleaginosas y legumbres basados en normas y procedimientos oficiales determinando la calidad y/o condición de los mismos.
luminosidad o posición de trabajo, que pueden influir en la persona al momento de realizar la clasificación.
Por otro lado, los productores agrícolas determinan la calidad de sus cosechas posteriormente a la misma. Generalmente se analizan en la etapa previa a la comercialización de granos, ya que de esa calidad depende el precio de su mercadería. Esta situación atemporal, no les permite la posibilidad de tomar acciones correctivas, como ajustes de la maquinaria en el momento de la cosecha, con el objetivo de minimizar los factores externos que pueden afectar o disminuir de alguna forma la calidad de los granos.
En consecuencia, realizar la cosecha en forma ineficiente, genera un daño mecánico durante el proceso de recolección a alta velocidad, y una agresividad de trilla, que provoca un excesivo daño al grano e impurezas por sobrecarga del sistema de limpieza de la cosechadora.
El maíz es uno de los cereales más importantes del mundo. Tal vez, más que ningún otro cultivo, alcanza tanto el extremo superior como el inferior en cuanto a sofisticación, mecanización y tecnología en la producción de cultivos. Sin embargo, todos los agricultores necesitan maximizar el rendimiento y la calidad de sus productos, ahorrando en los costos y el tiempo necesarios para cultivarlos.
Analizando estas situaciones, en esta tesis se desarrolló un software que permite determinar el grado de calidad de una muestra de maíz en forma automática, a partir de una imagen de la muestra y en consecuencia colaborar con la tarea de estos especialistas en la clasificación de los granos. Asimismo, este software es de gran utilidad para los productores, ya que se tiene información de la calidad del grano con anterioridad a la tarea finalizada por el perito.
1.1. Motivación
Tal como se expuso anteriormente, los peritos clasificadores de granos son los responsables de realizar manualmente la tarea de clasificación y determinación de la calidad de los granos para su comercialización.
Estas condiciones resaltaron la necesidad de contar con algún mecanismo que les permita evaluar las características y condiciones de los granos en el mismo momento que se está cosechando, y de esta forma tener la posibilidad de ajustar el proceso de recolección, en la medida de lo posible, con el objetivo de mejorar la calidad de la cosecha.
Actualmente, existe una aplicación de escritorio que permite realizar la clasificación de granos de una muestra de maíz mediante una imagen, la cual, fue desarrollada en el marco de la tesis de grado “Clasificación de granos” (Giorgetti y Colavita, 2012). Si bien esta aplicación está desarrollada y funciona, en el campo, no resulta de cómodo acceso por los productores agropecuarios.
Por todo lo antes expuesto, surge la posibilidad de aportar una herramienta de software web que permita determinar el grado de calidad de una muestra de maíz en forma automática, a partir de una imagen de la misma. Con la finalidad de obtener resultados similares a los adquiridos por un análisis manual y mejorandolos respecto a los obtenidos por la tesis que dio origen a la actual.
1.2. Trabajos relacionados
Giorgetti y Colavita (2012) presentaron el trabajo de tesis que incluye en la fotografía de una muestra de maíz, un objeto de referencia, para el cual se conocen las dimensiones de la misma, una moneda de $1 (Un Peso) de la República Argentina. Con la finalidad de poder determinar las dimensiones de los objetos que integran la imagen. Para esto, el sistema busca la moneda entre la imagen tomada a la muestra de maíces y obtiene la cantidad de pixeles que forma la moneda en la imagen. Esto permite obtener la relación en centímetros de cada pixel y así determinar el tamaño real de cada objeto existente en la imagen.
Esta tesis se puede considerar como el principal motivador al desarrollo del trabajo aquí presentado y las mejoras realizadas.
Además, en la sección Estado del arte se detalla un proyecto relacionado de carácter profesional abordado por una empresa Argentina que incluye además desarrollo de hardware. Asimismo, se describen proyectos de investigación en el área, desarrollados por distintas universidades nacionales y extranjeras.
1.3. Objetivos
El objetivo principal consiste en extender y mejorar la tesis de grado mencionada anteriormente. Para ello se desarrollan nuevos métodos y mejoras a los algoritmos existentes de procesamiento digital de imágenes. Además, otro objetivo principal es imponer cambios en la tecnología de desarrollo con el fin de proveer un producto de software que colabore con la tarea de los peritos en la clasificación de los granos, y asistir a los productores a determinar la calidad de la cosecha.
La solución que se propone, se basa en el desarrollo de una aplicación web que permita realizar la clasificación según las Normas de Calidad de la Argentina (Secretaría de agricultura, ganadería, pesca y alimentación del ministerio de economía y producción de la República Argentina, 1994), mediante una aplicación altamente extensible, que proporcione la funcionalidad útil para determinar el grado de calidad, como también, los porcentajes de bonificación o descuento del precio de la mercadería.
Esta propuesta incorpora nuevos algoritmos de procesamiento de imágenes (Jain, 1989; Castleman, 1996), tanto para corregir las distorsiones de las imágenes provocadas principalmente por el proceso de captura, como para mejorar la detección (Gonzalez & Woods, 1992) y medición de características de los objetos de interés. Además, se plantea cambiar el sistema de referencia para obtener las longitudes de los objetos a clasificar.
Adicionalmente, se incorporan las capacidades que permitan determinar el peso hectolítrico (Mora, 1997) a través de la determinación de una función lineal, y se incluye el método de clasificación K-Means (Pollard, 1981).
1.4. Organización de la tesis
En la sección 2 -Características del maíz-, se definen las características que se tienen en cuenta para determinar la calidad de una mercadería, en función de la cantidad o la intensidad presentes en una muestra.
En la sección 3 -Estado del arte-, se detallan algunos proyectos de investigación en el área, desarrollados por investigadores de diversos países. Además, se mencionan diferentes dispositivos que hay en el mercado profesional que permiten realizar la clasificación mecánica de granos. Un proyecto de gran interés realizado por una empresa nacional se detalla en su investigación y su desarrollo. También, se presentan investigaciones desarrolladas sobre sistemas de clasificación de fruta y maní, y el análisis de calidad de una muestra de trigo.
En la sección 4 -Método propuesto-, se detallan los algoritmos desarrollados para poder determinar la calidad de una muestra de maíz, entre ellos, el sistema de referencia utilizado para calcular las magnitudes de los objetos encontrados en la imagen. Se describe el método de clasificación K-Means y la función que permite calcular el peso hectolítrico en relación al área obtenida a partir de la imagen de la muestra.
En la sección 5 -Hacia la implementación del sistema-, se detalla la arquitectura elegida para la implementación de la aplicación web, el diagrama DER con el diseño de la base de datos utilizada y el diseño de la herramienta implementada.
En la sección 6 -Resultados y análisis-, se describen los resultados comparativos de la medición de la longitud de dos maíces entre el sistema de referencia que incluye una moneda de $1 de la República Argentina y el que incluye el borde del contorno de un rectángulo color magenta impreso sobre una hoja de color celeste. Además, se presentan tres casos de estudios con los resultados comparativos entre los obtenidos por la aplicación desarrollada y los medidos por los peritos clasificadores de grano de la Cámara Arbitral de Cereales de Bahía Blanca y la Cámara Arbitral de Cereal de Bueno Aires. Por último, se describen los resultados estadísticos con el análisis comparativo por cada grado para cada rubro de calidad.
En la sección 7 -Conclusiones y trabajos futuros-, se detallan las conclusiones arribadas luego de la realización de este trabajo y se mencionan los trabajos futuros que surgen luego del análisis del trabajo finalizado.
Por último, al final de este documento se encuentran los anexos correspondientes.
2. Características del maíz
2.1.
El Maíz
El maíz (Zea mays L.) es el cereal más importante del mundo después del trigo y el arroz, suministrando elementos nutritivos a los seres humanos y a los animales. Es una materia prima básica de la industria de transformación, con la que se producen almidón, aceite, proteínas, bebidas alcohólicas, edulcorantes alimenticios y combustible, desde hace poco. La planta tierna, empleada como forraje, se ha utilizado con gran éxito en las industrias lácteas y cárnicas, tras la recolección del grano, las hojas secas y la parte superior, incluidas las flores, aún se utilizan hoy en día como forraje de calidad relativamente buena para alimentar a los rumiantes de muchos pequeños agricultores de los países en desarrollo. Los tallos erectos, que en algunas variedades son resistentes, se utilizan para construir cercas y muros duraderos (Verheye, 2010).
El grano de maíz se denomina en botánica cariópside o cariopsis, está compuesto por cuatro estructuras físicas fundamentales del grano (Figura 2.1): el pericarpio, cáscara, o salvado; el endospermo; el germen o embrión; y la pilorriza (tejido inerte en que se unen el grano y el carozo) (Wolf, Buran, MacMasters y Rist, 1952).
El grano de maíz se encuentra recubierto por una superficie fibrosa y dura (cáscara). En su interior, el embrión, es a partir del cual se desarrolla una nueva planta. Dicho embrión, se alimenta
de un suministro denominado
endospermo, lo cual
principalmente es almidón. Cuando se germina el grano, se extrae su alimento del endospermo hasta que a través de las raíces y hojas pueda obtener su alimento de la tierra y el aire (Khanal, 2009).
2.2. La muestra
Uno de los aspectos sumamente importante en la evaluación de la calidad de un lote de granos es que, por aspectos prácticos, la mayoría de los factores de calidad se deben evaluar en una muestra, que es una pequeña porción de granos tomada del lote. Para que los datos derivados de esa muestra de granos puedan ser aplicados a toda la masa de granos del lote, la muestra debe ser representativa del lote, es decir, homogeneizada, debe tener la misma composición que el promedio del lote. En consecuencia, si no se tiene extremo cuidado en la toma de muestras de los lotes para que estas sean representativas de los mismo, los esfuerzos realizados para obtener un buen análisis a nivel de laboratorio, no serán aplicables al lote completo. Las consecuencias de un mal muestreo son igualmente perjudiciales que las de un mal análisis posterior (Secretaría de agricultura, ganadería, pesca y alimentación del ministerio de economía y producción de la República Argentina, 1994).
A continuación se describen todos los componentes que se pueden encontrar en una muestra de maíz para posteriormente establecer su análisis.
2.3. Tipos de maíz
La Norma de Calidad para la Comercialización de Maíz (Secretaría de agricultura, ganadería, pesca y alimentación del ministerio de economía y producción de la República Argentina, 1994) acepta a los granos de maíz Zea mays (L) y los clasifica según los siguientes tipos comerciales, donde se puede observar la imágen de los mismos en la Figura 2.2 (Recuperada de: https://www.bcr.com.ar/Pages/Laboratorios/verCatalogo.aspx?Grano=Ma%C3%ADz, el 15 de Octubre del 2018):
● Tipo Duro: Se clasifican en este tipo todos aquellos maíces cuyos granos sean de naturaleza córnea, predominantemente vítrea (más de la mitad de la constitución de su endosperma). Estos maíces se clasifican de acuerdo a su color en la siguiente forma: maíces colorados, maíces amarillos y maíces blancos.
Figura 2.2: Imágenes de los distintos tipos de maíz
2.3.
Maleza chamico
El chamico, cuyo nombre botánico es Datura Ferox, es una maleza anual que alcanza una altura de hasta un metro; tiene tallos vigorosos y abiertos, hojas grandes, flores en forma de embudo, grandes y blancas, frutos o cápsulas con largas espinas; las semillas son arriñonadas con recubrimiento muy duro y rugoso, de color negro o marrón oscuro según el grado de madurez, y contienen alcaloides que le confieren un carácter tóxico (Sitio Argentino de Producción Animal, 1971).
Las semillas constituyen su único medio de multiplicación y difusión; los mismos quedan en las cápsulas o caen al suelo donde pasan el invierno, nacen en octubre o noviembre y las plantas vegetan hasta fines del verano, en que florecen y fructifican.
La difusión del chamico ha sido muy favorecida por la práctica de la cosecha mecánica del maíz, soja, girasol y sorgos. En efecto, la máquina cosechadora, al recolectar el grano del cultivo, recoge también el de esta maleza, quedando así mezclado. De este modo, cuando la semilla cosechada se destina a una siembra posterior, se instala la maleza conjuntamente con el cultivo.
Esta situación ha originado trastornos a nuestro comercio de exportación, ya que la ex Junta Nacional de Granos, en defensa del prestigio de nuestra producción, se vio obligado a rechazar muchas partidas negociadas con destino al exterior, cuando verificaron la existencia de chamico. Por esto, la mercadería rechazada debe ser sometida a nuevas limpiezas en máquinas clasificadoras o bien comercializada en el mercado interno, con los consiguientes castigos en los precios.
2.4.
Humedad
El contenido de agua en un lote de grano es comúnmente conocido como contenido de humedad o simplemente humedad del grano.
Este término se refiere a la relación que existe entre la cantidad de agua y la de materia seca en el grano. Para efectos de comercialización, normalmente se habla de la relación entre la masa del agua contenida en el grano con respecto a la masa de la materia seca más el agua del mismo, expresada como un porcentaje. A esta relación se le conoce como porcentaje de contenido de agua en base húmeda (Mora, 1997).
En general, los métodos de análisis de humedad se basan en reacciones químicas de Karl Fishel, separación física del agua ya sea por desecación (métodos del horno o estufa) o por destilación de Brown Duvel, propiedades dieléctricas de los granos (Motomco y muchas otras marcas), por resistencia eléctrica (medidor Universal) y otras propiedades de los mismos (Rayos Infrarrojos). Debido a la extensa variedad de métodos de análisis, con los que se obtienen a veces resultados muy diferentes entre sí, es importante seleccionar uno o varios que generen resultados reproducibles y de fácil ejecución. Por esto, la norma de comercialización de cereales y oleaginosas define el método estufa el más apropiado para determinar el contenido de agua en una muestra (Mora, 1997).
El método de estufa consiste en poner a secar una muestra de grano en hornos hechos para este propósito. La pérdida de peso de las muestras se considera como el agua contenida en esas muestra. El equipo, tamaño y preparación de la muestra, temperatura, tiempo de secado y otras condiciones del análisis, están bien definidos en la Norma XXVI Metodologías varias (Anexo Determinación de humedad).
también de otros cereales. DELVER -modelo HD1021USB- es un medidor de humedad y peso hectolítrico totalmente portátil con balanza incorporada. Dickey-John, con impresora opcional. Es un medidor de humedad y peso hectolítrico para cereales y granos. Y Dickey-John con su modelo GAC 2100 AGRI es un medidor de humedad, peso hectolítrico y temperaturas en cereales.
Figura 2.3: Medidor de humedad: a) Marca: DELVER. Modelo: HD1021USB b) Marca: Dickey-John, con impresora opcional c) Marca: Dickey-John. Modelo: GAC 2100 AGRI
2.5.
Peso Hectolítrico
El término de peso hectolítrico se refiere al concepto de "densidad aparente" del grano. Se habla de densidad aparente porque es una relación entre la masa y el volumen de una muestra de grano, considerando dentro de este volumen no solamente
el espacio ocupado por los granos propiamente dichos sino también el volumen de los espacios intergranulares (Mora, 1997).
La Norma de Calidad para la Comercialización de Maíz establece que para calcular el peso hectolítrico de una muestra se emplea una balanza Schopper (Figura 2.4) o un equipo equivalente (Anexo Método para la determinación del peso hectolítrico).
2.6.
Granos dañados
Son aquellos granos o pedazos de granos de maíz que presenten una alteración sustancial en su constitución. Se consideran como tales, aquellos granos que presentan cambios evidentes en el color, olor o estructura, donde estos cambios se hayan provocados por la acción de agentes biológicos (microorganismo o plagas), por exposición a altas temperaturas durante el secado o por autocalentamiento, por bajas temperaturas (en el campo) o por otras causas no mecánicas. Por esto, se considera como tales a los siguientes granos. Las figuras ilustrativas fueron recuperadas de: https://www.bcr.com.ar/Pages/Laboratorios/verCatalogo.aspx?Grano=Ma%C3%ADz, el 15 de Octubre del 2018.
● Brotados:Son aquellos en los que se ha iniciado visiblemente el proceso de germinación. Tal hecho se manifiesta por una ruptura de la cubierta del germen, a través de la cual asoma el brote (Figura 2.5 Granos Brotados).
● Fermentados:Comprende todo grano o pedazo de grano que presente una alteración en su color, como consecuencia de fermentaciones, sin llegar a la descomposición total del mismo (Figura 2.5 Granos Fermentados).
● Podridos:Comprende todo grano o pedazo de grano que presente una intensa alteración en su color como consecuencia de un estado más avanzado del fermentado, y en muchos casos con ruptura de su pericarpio (Figura 2.5 Granos Podridos).
● Calcinados: Comprende todo grano o pedazo de grano que ha variado su color natural a blanco opaco y que muestra en su interior color y aspecto yesoso (Figura 2.5 Granos Calcinados).
● Con verdín: Comprende todo grano o pedazo de grano que presente manchas verdosas o azuladas en el escutelo, producidas por la acción de hongos (Figura 2.5 Granos con Verdín). ● Amohosados: Se considera como tal a todo lote que presente una elevada proporción de granos que llevan moho adherido en la mayor parte de su superficie (Figura 2.5 Granos Amohosados).
Figura 2.5: Clasificación de granos dañados: brotados, fermentados, podridos, calcinados, con verdín, amohosados y picados
2.7.
Materia extraña
En un lote, además de los granos propiamente dichos se pueden encontrar materiales muy variados de diferentes orígenes. Por ejemplo, partes de la propia planta productora del grano o de otras plantas o malezas que crecen con el cultivo. Puede haber materiales del suelo como piedras y pedazos de tierra suelta o diferentes tipos de materiales provenientes de equipos de cosecha, de limpieza o de transporte que no hayan sido sometidos a una limpieza apropiada.
2.8.
Granos quebrados
Son aquellos pedazos de grano de maíz que pasen por una zaranda de agujeros circulares de 4,76 mm. de diámetro (+/- 0,013 mm.), excluidos los pedazos de granos de maíz dañado (Figura 2.6
Granos Quebrados) (Recuperada de:
https://www.bcr.com.ar/Pages/Laboratorios/verCatalogo.aspx?Grano=Ma%C3%ADz, el 15 de Octubre del 2018).
Figura 2.6: Granos quebrados
2.9.
Evaluación de la calidad de granos de cereales
Uno de los elementos fundamentales dentro de la cadena de la producción y comercialización de los granos, lo constituye la evaluación de la calidad o el estado en que se encuentra cada lote de granos. Esta evaluación es de gran importancia para determinar si el grano está seco, húmedo, limpio, sucio, dañado, infectado, contaminado o, en general si reúne las características buscadas por los consumidores, ya sea para el uso como alimento o para su procesamiento. También es importante cuando el grano tiene que ser almacenado antes de su uso final ya que durante este paso, si el proceso de almacenamiento no es adecuado, la calidad del grano puede deteriorarse perdiendo su valor alimenticio y comercial. Los precios de los granos dependen no sólo de la oferta y demanda sino también en función de la calidad.
un lugar a otro, y por el desconocimiento de normas o reglamentaciones que regulan el proceso de comercialización nacional e internacional.
También hay problemas de evaluación de la calidad de los granos, cuando existen grandes discrepancias en las normas que se usan para la importación o exportación de los granos o cuando no existen normas internas que respondan a los intereses tanto de los productores como de los otros agentes que intervienen en la comercialización.
Se han definido normas para homologar la clasificación de los granos debido a los problemas derivados de la comercialización por el uso de normas diferentes en la evaluación de calidad.
En el contenido general de una norma de calidad, se incluyen las definiciones, el procedimientos de análisis y las formas de utilización de resultados. Los procedimientos de análisis se derivan fundamentalmente de las definiciones utilizadas. Por otra parte, no es tan importante la forma de utilizar los resultados (por ejemplo agruparlos o no en grados de calidad) sino que estos sean reproducibles tanto entre analistas como entre laboratorios. Por lo tanto, en la meta final de homologación de normas, uno de los aspectos más importantes, es el uso de definiciones precisas que eviten al máximo las discrepancias entre los resultados de análisis.
En la Argentina, la clasificación de granos se rige en base a normas de calidad confeccionadas por el Estado, de las cuales existen dos tipos: los estándares y las bases estatutarias. Estas normas fueron dictadas por la ex junta nacional de granos, ratificadas y adecuadas a exigencias actuales por la secretaría de agricultura, ganadería, pesca y alimentos de la nación, siendo este organismo la autoridad de aplicación en el tema, ejerciendo estas facultades a través del SENASA (Servicio Nacional de Sanidad y Calidad Agroalimentaria) y de la ONCCA (Oficina Nacional de Control Comercial).
Los estándares se caracterizan por asignar a la mercadería, de acuerdo a la calidad de la misma, un grado determinado. En cambio, las bases estatutarias, no se manejan por grados, sino que de acuerdo a la calidad de la mercadería, bonifican o rebajan teniendo en cuenta porcentajes de tolerancias, de los distintos rubros de calidad.
biológicos, físicos o efectos mecánicos. Según sea la condición y el origen de su variación con respecto a los granos sanos, se lo va a clasificar como un grano contrastante, dañado o defectuoso.
De acuerdo a la información que brindan los expertos, en general, en el lote se analizan otras condiciones como la presencia de materiales que no sean el grano en cuestión, infestaciones, presencia de sustancias u olores indeseables, el contenido de agua, peso hectolítrico, acidez, calidad molinera y otras (Mora, 1997).
Las normas son verdaderos patrones de calidad, ya que el Estado para confeccionarlos tuvo en cuenta parámetros (exigencias) de calidad a nivel internacional. Estas normas tienen la característica de encuadrar a la mercadería dentro de un determinado rango de acuerdo a su calidad.
Los grados pueden ser tres: GRADO 1; GRADO 2 y GRADO 3.
GRADO 1: indica calidad superior. Toda mercadería así clasificada recibirá una bonificación sobre el precio pactado como base de compraventa. La bonificación en todos los granos será del 1,00% a excepción de trigo pan que es del 1,50%.
GRADO 2: determina calidad intermedia, toda mercadería que así se encuadre no tendrá bonificación ni tampoco descuento, es debido a esto que al grado 2 se lo utiliza como base de compraventa, sirve para fijar precio, (grado neutro).
GRADO 3: determina calidad inferior, en consecuencia la mercadería con este grado recibirá un descuento sobre el precio base de compraventa. La rebaja en todos los granos es del 1,50% con excepción de trigo pan que es del 1,00%.
Los estándares están compuestos por dos tipos de rubros, los de calidad que determinan grados y los que no determinan grados llamados también rubros de condición.
Para determinar el grado de una mercadería, se encuadra a cada rubro de calidad en el grado correspondiente y luego se analizan globalmente todos los rubros que determinan grado, el rubro que esté encuadrado en el peor grado será el determinante del grado de la mercadería. En consecuencia, para que una mercadería sea Grado 1, todos los rubros tendrán que estar en grado 1, el solo hecho de que un rubro no esté en ese grado, determinará otro grado. Los rubros de calidad determinantes del grado para el maíz son el peso hectolítrico, los granos dañados (brotados, fermentados, podridos, calcinados o con verdín), la materia extraña y los granos quebrados.
calidad (Secretaría de agricultura, ganadería, pesca y alimentación del ministerio de economía y producción de la República Argentina, 1994).
Adicionalmente, se considera fuera de grado cuando en algún rubro que determina grado, el resultado de análisis supera el porcentaje de tolerancia máximo estipulado para grado 3. En estos casos, además de la rebaja por grado 3, se aplica una rebaja adicional que se determinará aplicando al excedente mencionado el porcentaje de descuento que la norma especifique para cada caso.
Por otra parte, los rubros de condición que no determinan el grado son todos aquellos rubros que también integran el estándar pero que no determinan grado. Para estos rubros el estándar fija una tolerancia única, excediéndose el porcentaje de análisis a lo tolerado por el estándar, se aplicará al excedente la rebaja indicada por la norma, según el rubro. Se los clasifica como conforme cuando no castigan y fuera de estándar cuando castigan. Los rubros de condición excluyentes del grado para el maíz son: insectos y/o arácnidos vivos, granos picados, olores comerciables objetables, productos que alteran la condición natural del grano, amohosados, humedad, color, tipo y chamico.
3. Estado del arte
Es esta sección se exponen algunos proyectos de investigación de clasificación de maíz desarrollado por investigadores de universidades y empresas de diversos países. Se detallan algunos de los tantos dispositivos que permiten realizar la clasificación de forma mecánica. Se resumen algunos proyectos de clasificación de arroz, fruta, maní y de calidad de una muestra de trigo.
3.1.
Clasificador de cereales
El equipo de ZoomAgri (ZoomAgri, 2018) estima lanzar al mercado a principios de 2019 un dispositivo denominado ZoomSpex. Este dispositivo (Figura 3.1) (Recuperada de https://zoomagri.com/, el 15 de Octubre del 2018) reconoce la calidad física de los granos y las semillas oleaginosas como el maíz, la soja, el trigo,
la cebada y otros productos agrícolas. ZoomSpex permite la captura de una muestra de cereal mediante dos escáneres, obteniendo una imagen de las dos caras de la misma. Esta imagen es analizada utilizando algoritmos de procesamiento de imágenes, inteligencia artificial y aprendizaje no supervisado conocido como deep learning.
Figura 3.1: ZoomSpex permite determinar la calidad de cereales Por otro lado, este equipo está trabajando en el desarrollo de otro producto denominado ZoomBarley. Este se basa en el reconocimiento de variedades de cebada malteada. Es de suma importancia para las maltas tener la certeza de las variedades de cebada, ya que cada variedad se comporta de manera diferente durante el proceso de malteado.
3.2.
Clasificador de maíz mediante un láser
que permitiría orientar con eficiencia los destinos de industrialización del grano (Weber, Dai Pra, Passoni, Rabal, Trivi & Poggio Aguerre, 2014).
El dispositivo funciona a partir de la toma de imágenes de semillas de maíz que son iluminadas con luz láser y que luego son procesadas mediante sistemas informáticos.
El nuevo sistema todavía en fase experimental, distingue en cuestión de segundos el tipo comercial de maíz, lo que permite fijar de modo rápido y preciso la proporción de los componentes del grano. Se estima que una vez automatizado completamente el proceso, se podría transferir el sistema de clasificación por láser para ser comercializado a bajo costo.
3.3.
Clasificador de maíz pisingallo
El ingeniero Tom Pearson del Servicio de Investigación Agrícola (ARS) en Manhattan, Kansas, desarrolló un dispositivo económico y rápido para inspeccionar y separar una variedad amplia de granos basado en variaciones de color o defectos pequeños en los granos (Yorulmaz, Pearson & Cetin, 2012). Esta tecnología fue utilizada previamente para la inspección y separación de granos de trigo blanco o trigo rojo.
Este clasificador, que usa una cámara conectada con un procesador, puede inspeccionar 40 kg. aproximadamente de maíz pisingallo por hora. Pearson está diseñando un sistema que tendrá más precisión y la capacidad de procesar una cantidad más grande del maíz.
El aparato combina un sensor para capturar imágenes en color con un circuito eléctrico programable. Este circuito puede producir imágenes en tiempo real sin la necesidad de utilizar una computadora externa. Además, puede ser útil en detectar y quitar otros granos que tienen defectos, tales como los granos dañados por insectos o enfermedades.
3.4.
Identificador de variedades de maíz
Un grupo de investigadores de China, sobre la base de la visión artificial y reconocimiento de patrones, identificaron cinco variedades de maíz de este país de acuerdo con sus características externas (Chen, Xun, Li & Zhang, 2010).
Este clasificador tiene como entrada imágenes a color de los granos de maíz utilizando un escáner plano, sin necesidad de tocar estos granos para adquirir estas imágenes.
Network). En la primera etapa, los granos de maíz fueron divididos en tres tipos: blanco, amarillo y mixto, por análisis de distancia de discriminante.Y en la segunda etapa, se identificaron diferentes variedades en el mismo tipo por un clasificador BPNN mejorado.
Cabe destacar que los trabajos mencionados corresponden a actividades de investigación académica y como tal, evolucionando en mejoras continuas. No son procesos que tengan una práctica habitual en la industria, solo a modo de prueba de las investigaciones mencionadas.
3.5.
Equipamiento
A continuación se detallan los distintos dispositivos de origen brasileño y europeo que permiten realizar la clasificación mecánica de granos.
RUTTEX (Figura 3.2) (Recuperada de http://www.dykrom.com.br/produtos/ruttex.htm, el 15 de Octubre del 2018) es un clasificador de semillas proyectado para separar cualquier tipo de semillas y granos. Su operación está libre de impactos y vibraciones, de manera de no dañar las semillas clasificadas.
Este dispositivo permite separar cualquier volumen de semilla, sea grande o pequeña, y clasificar de acuerdo con los calibre deseados por el usuario a través de un ajuste sencillo.
Figura 3.2: RUTTEX: Limpiador y clasificador de granos, semillas y otros tipos de productos
MILLEX (Figura 3.3) Recuperada de
http://www.dykrom.com.br/clasificador_granos_semillas.htm, el 15 de Octubre del 2018) tiene la función de calibrar y separar productos a granel por tamaño. Esta máquina
separa el producto en tres tipos, cambiando fácilmente la selección según las exigencias de cada producto. El flujo del producto es controlado electrónicamente a través de un alimentador electromagnético. La separación es efectuada de manera precisa, suave y homogénea, evitando impactos o golpes en productos donde la quiebra o daño físico no está permitido (Dykrom, s.f.).
MTRB (Figura 3.4) (Recuperada de: https://www.buhlergroup.com/global/en/products/separator-classifier-mtrb.htm, el 15 de Octubre del 2018) es un separador y clasificador que se utiliza principalmente en molinos y silos para la limpieza de granos. Esta máquina se encarga de separar el grano de las adiciones de gruesos y finos a través de cribas. Además, clasifica por tamaño distintos productos. Los ámbitos centrales de aplicación del clasificador MTRB son los molinos de trigo, durum,
maíz, centeno, soja, avena, trigo sarraceno, espelta, mijo y arroz. Además, funciona con gran eficacia en molinos de alimento para animales, plantas de semillas, limpieza de semillas oleaginosas y sistemas de clasificación de granos de cacao (Buhler, s.f.).
Este equipamiento lo que realiza en una separación mecánica, sin embargo no permite realizar un análisis de clasificación de una muestra de granos.
Figura 3.4: MTRB: Máquina clasificadora y separadora de granos
3.6.
Otros sistemas de clasificación
Es esta sección detallan algunos proyectos de clasificación de arroz, fruta, maní y de calidad de una muestra de trigo.
3.6.1.
Clasificador de arroz
Ventre, Sampallo, Acosta, González Thomas y Cleva (2015) de la Facultad Regional Resistencia UTN, presentaron un sistema portátil para clasificar la calidad de granos de arroz que emplea las imágenes de las muestras de los mismos obtenidas por la cámara de un dispositivo móvil. Se implementó una aplicación para el dispositivo que determina los descriptores morfológicos de los granos como ser contorno, largo, ancho, área, factor de forma y un sistema experto que se basa en reglas para determinar objetivamente el análisis y la clasificación de acuerdo a las normativas de calidad vigentes.
3.6.2.
Clasificador de fruta
testeado particularmente con distintas variedades de manzanas. La solución emula el criterio del ojo humano en la clasificación de frutas. En base a imágenes de la línea de transporte, el algoritmo genera una salida indicando la calidad del objeto observado. Esta salida es usada para la manipulación de la maquinaria que distribuye los frutos en distintos empaques.
3.6.3.
Clasificador de maní
El trabajo de Arévalo (2015) de la UNC presenta el proceso de tostado de maní como una etapa muy importante ya que se determina si el tostado está en el nivel adecuado para el consumo. Para ello se realizan mediciones sobre su color. Si esta tarea lo lleva a cabo un operador humano, el resultado es propenso a errores debido al cansancio, desatención, o inexperiencia, además de la falta de información que puede recibir el ojo humano. De este modo, este trabajo propone automatizar este proceso industrial y conseguir independizarse de las habilidades de un operador. Consiste en el desarrollo de un algoritmo, en base a las técnicas en procesamiento de imágenes, que a partir de una una imagen de maní a granel permita determinar el nivel de tostado al que pertenece (sin tostar, tostado y muy tostado).
3.6.4.
Clasificador de trigo
4. Método propuesto
En la sección 2 se describieron los conceptos necesarios para comprender el problema que se desea resolver. En esta sección se presenta una alternativa que permite clasificar una muestra de maíz a través de una imagen. Para esto, se propone reemplazar el sistema de referencia por el borde de un rectángulo impreso de color magenta sobre una hoja de color celeste. Allí se dispersa la muestra para determinar y mejorar las magnitudes de los objetos encontrados en la imagen respecto a los resultados obtenidos en el trabajo de tesis de Giorgetti y Colavita (2012). Finalmente, se incorpora el método de clasificación mediante algoritmos K-Means y el desarrollo de una función que permite calcular el peso hectolítrico en relación al área de la muestra.
En la figura 4.1 se presenta un esquema general del proceso utilizado para poder clasificar una muestra de granos de maíz.
Figura 4.1: Esquema general del proceso
A continuación se describen las etapas involucradas en el procesamiento de la imagen.
4.1.
Etapas de procesamiento de imagen
Figura 4.2: Esquema específico del proceso
4.1.1.
Captura de la imagen
El proceso de clasificación de granos de maíz comienza con la captura de una imagen de una muestra de maíz representativa, donde el dispositivo encargado para la adquisición de esta imagen es una cámara fotográfica digital o la cámara de un teléfono celular.
El sistema de captura tiene que ser capaz de tomar imágenes con suficiente calidad como para poder analizar todos los elementos que conforman la muestra. Para esto, el desempeño final del sistema depende casi exclusivamente de la calidad de las imágenes obtenidas por el sistema de captura.
Adicionalmente, el plano de enfoque, que es el plano donde se coloca la cartulina donde se dispersa la muestra, deberá ser perpendicular al eje del lente de la cámara.
Respecto a la iluminación, si el ambiente tiene una buena iluminación solar, se generan sombras que complica el proceso de detección del contorno de los objetos e interfiere en la intensidad del color en estas zonas. Por lo tanto, después de realizar diferentes tipos de pruebas que afectan este parámetro, se concluyó que para difuminar la luz, suavizar las sombras y realizar una buena captura de la imagen, se utiliza el flash de la cámara en un ambiente cerrado con poca luz.
4.1.2.
Pre-procesamiento de la imagen
Esta etapa tiene como finalidad eliminar aquellos ruidos o elementos en la imagen que pueden distorsionar el proceso de identificación de objetos correspondiente a la muestra de maíz. Además, se reduce el área de trabajo, sólo a la región de interés, eliminando el fondo de la imagen y generando como resultado una imagen pre-procesada y binarizada.
En primer lugar, se deberá realizar una umbralización de la imagen. Para esto, la aplicación permite seleccionar uno o más fragmentos de la imagen que determinan el fondo de la misma. La umbralización busca obtener un valor de umbral que permite binarizar la imagen separando adecuadamente el fondo de los objetos. Este valor queda determinado por el valor mínimo y máximo de matiz, saturación y brillo (HSV) de cada píxel perteneciente al/los fragmento/s seleccionado/s asociado/s al fondo de la imagen.
Luego de obtener los valores HSV del umbral asociado al fondo de la imagen, se realiza la detección del rectángulo utilizado como sistema de referencia. Para esto, se implementó un algoritmo que detecta las esquinas internas del rectángulo contenedor de la muestra.
dichos puntos. Esta línea queda determinada por la función searchVerticalLeftLine cuyo pseudocódigo se puede observar en la Figura 4.3:
void searchVerticalLeftLine() { heightHalf := imageHeight / 2;
//Altura Superior (heightHalf - 40%)
heightUpper := heightHalf - ((heightHalf*40)/100); y := heightUpper;
x := 0;
WHILE (x < imageWidth AND isBackground(x,y)) DO x := x + 1;
END-WHILE
WHILE (x < imageWidth AND isObject(x,y)) DO x := x + 1;
END-WHILE
Pixel upperPixel := new Pixel(x,y);
//Altura Inferior (heightHalf - 20%)
heightLower := heightHalf - ((heightHalf*20)/100); y := heightLower;
x := 0;
WHILE (x < imageWidth AND isBackground(x,y)) DO x := x + 1;
END-WHILE
WHILE (x < imageWidth AND isObject(x,y)) DO x := x + 1;
END-WHILE
Pixel lowerPixel := new Pixel(x,y);
upperLeftVerticalLine := new Line(upperPixel,lowerPixel,imageWidth,imageHeight); }
Figura 4.3: Pseudocódigo de la función searchVerticalLeftLine
Figura 4.4: Esquina superior izquierda
Para corregir distorsiones en la imagen generada en el proceso de captura, se incorpora el desarrollo de transformaciones geométricas o elásticas (Anexo Transformaciones geométricas). Se aplica particularmente cuando se modifica el ángulo de la cámara levemente y ésta no queda perpendicular al fondo, o cuando el rectángulo presenta una pequeña rotación en relación a la fotografía obtenida.
El objetivo de esta técnica de transformaciones geométricas es aplicar correcciones a la imagen, reubicando los píxeles desde sus coordenadas espaciales (x,y) en la imagen de entrada a una nueva coordenada en la imagen de salida. A los objetos resultantes se les aplica las correcciones necesarias para poder obtener las longitudes de los objetos con el mínimo margen de error.
Figura 4.5: Transformación geométricas o elástica
De esta imagen resultante, puede suceder que el borde del rectángulo quede incorporado en la imagen. Para este caso se aplica un algoritmo que elimina dicho borde. Este algoritmo se basa en el recorrido de los cuatros lados de la imagen, donde para cada píxel analizado que no pertenece al fondo, se lo pinta con el valor promedio del fondo de la imagen. Para cada uno de ellos, se vuelve a analizar con el criterio de vecindad a los pixeles que no son fondo. Se repite el proceso hasta obtener una imagen que no incluya el borde dicho rectángulo. El pseudocódigo de la función que lo resuelve se visualiza en la Figura 4.6.
private Image eliminateEdge() {
List<Pixel> visited =new ArrayList<Pixel>(); for (int i = 0; i < image.getWidth(); i++) {
if (isObject(i, 0)) {
eliminateEdge(new Pixel(i, 0,null),visited); }
if (isObject(i, image.getHeight() - 1)) {
eliminateEdge(new Pixel(i, image.getHeight() - 1,null),visited); }
}
for (int j = 0; j < image.getHeight(); j++) { if (isObject(0, j)) {
eliminateEdge(new Pixel(0, j,null),visited); }
if (isObject(image.getWidth() - 1, j)) {
eliminateEdge(new Pixel(image.getWidth() - 1, j,null),visited); }
}
return image; }
private void eliminateEdge(Pixel p, List<Pixel> visited) { List<Pixel> neighbords = neighbords(p);
if ( neighbords.size() == 0) {
image.setRGB(p.getX(), p.getY(),rangeFondo.getColorMedio().getRGB()); } else {
image.setRGB(p.getX(), p.getY(),rangeFondo.getColorMedio().getRGB()); visited.add(p);
for (int i = 0; i < neighbords.size() ; i++){ p=neighbords.get(i); if(!visited.contains(p)){ eliminateEdge(p, visited); } } } }
Figura 4.6: Pseudocódigo de la función eliminateEdge
El algoritmo implementado compara el valor HSV de cada pixel de la imagen de entrada con el valor HSV del umbral. Es decir, si el valor de HSV del pixel a procesar está contenido entre el mínimo y máximo del HSV correspondiente al umbral, entonces el proceso de binarización genera un pixel en negro, de lo contrario uno blanco.
Figura 4.7: Proceso de binarización
A modo de ejemplo, en la Figura 4.7 se observa la separación de los objetos del fondo de la imagen aplicando el proceso de binarización. La imagen de la izquierda corresponde a una pequeña muestra de maíz, y a la derecha, el resultado de la imagen binarizada, quedando representado el fondo de color negro y los objetos de interés en blanco.
Para culminar con esta etapa se realiza una binarización sobre la imagen obtenida por la transformación elástica.
4.1.3.
Segmentación de la imagen
etapa se utilizará en las sucesivas, para su descripción, reconocimiento e interpretación. El análisis completo de esta etapa se encuentra descripto en la tesis de Giorgetti y Colavita (2012).
Figura 4.8: Proceso de separación de objetos superpuestos
4.1.4.
Extracción de características
Una vez segmentada la imagen y extraído el contorno de los objetos, se procede a extraer las características de cada objeto. Aunque existen diversos métodos para la selección de estas, en la tesis de Giorgetti y Colavita (2012) se analizaron las características geométricas que dan a conocer la forma de cada uno de los objetos. Se seleccionaron descriptores de tipo morfológico y de texturas, que representan la forma y el color que observan los peritos para realizar su análisis. Estas características son: el aspect ratio, la circularidad, el diámetro y el color.
El sistema de referencia que se presenta en dicho trabajo consiste en incorporar una moneda con un alto índice de circularidad y de dimensiones conocidas en el centro de la superficie sobre la que se dispersa la muestra de maíz. El objetivo es determinar la longitud, expresada en mm., de cada pixel en la imagen. Esto presenta algunas desventajas para obtener la magnitudes de los objetos, que se detallan a continuación:
● Respecto a la ubicación de los objetos, a medida que estos están más cerca de los bordes de la imagen, la precisión del cálculo del diámetro disminuye.
● En relación a la inclinación del ángulo de la cámara al tomar la fotografía, si la desviación de dicho ángulo deja de quedar perpendicular al fondo, el error en el diámetro crece y deja de ser despreciable.
milímetros de cada pixel, y así calcular las dimensiones de los objetos con mayor precisión, sin ser afectada por la ubicación de los objetos en la cartulina ni por la relación del ángulo entre la superficie y el foco de la cámara digital.
Antes de implementar el sistema de referencia del rectángulo, se utilizó otro sistema que consistía en una grilla o cuadrícula impresa sobre una cartulina celeste. Encontrar las esquina del mínimo rectángulo contenedor cuadriculado de la muestra y calcular la cantidad cuadrados que poseía cada lado fue muy dificultoso. Por esta razón, se decidió cambiar por el sistema de referencia anteriormente mencionado.
4.1.5.
Identificación de los diferentes tipos de objetos
En la etapa anterior se definieron los rasgos más determinantes para identificar los distintos tipos de objetos que se encuentran en una muestra. Para poder diferenciar cada una de estos tipos de objetos es necesario definir el valor promedio que puede adquirir un objeto para que pertenezca a un determinado tipo. Es decir, se necesita conocer el valor mínimo y máximo, y así calcular el valor promedio de cada tipo de objeto para los siguientes rasgos: aspect ratio, diámetro, circularidad y color. En la tesis de Giorgetti y Colavita (2012) se puede encontrar el análisis detallado de como se determinar los rasgos característicos de cada tipo identificado en una muestra. Estos son: maíz, grano partido, grano dañado, semilla de chamico y materia extraña.
4.1.6.
Clasificación por objeto
Una vez que la imagen ha sido satisfactoriamente segmentada y han sido extraídas las características para cada objeto, se procede a determinar el tipo al que finalmente pertenece este. Con la idea básica del método de clasificación K-Means con algunas modificaciones y adaptaciones según la necesidad del problema a resolver, se especifican a continuación los pasos del algoritmo que permite clasificar a los objetos según el conjunto de características determinantes de cada tipo:
no se define con ningún valor ya que es el grupo por defecto. Allí se asignan los objetos que no pertenecen a ninguno de los otros grupos.
● Paso 2. Clasificación: Para cada objeto, se calcula su distancia a cada centroide, menos para el de tipo Materia Extraña, y se determina el más cercano. Siempre y cuando el valor del objeto no exceda en un porcentaje predefinido al valor del centroide, el objeto es incorporado al grupo relacionado con ese centroide. En caso contrario, se determina que el objeto corresponde al grupo del tipo Materia Extraña. La distancia a cada centroide se calcula como la sumatoria para cada rasgo de la distancia (diferencia) entre el valor del centroide y el valor del objeto asociado a dicho rasgo.
● Paso 3. Cálculo de centroides: Para cada grupo generado en el paso anterior se vuelve a calcular su centroide.
● Paso 4. Condición de convergencia: Se converge cuando no existe un intercambio de objetos entre los grupos. Si la condición de convergencia no se satisface, se repiten los pasos dos, tres y cuatro del algoritmo.
Como resultado de este algoritmo, se obtiene a qué tipo de objeto pertenece cada uno de los objetos de la muestra. En la Figura 4.9 se puede observar la clasificación de cada uno de los objetos detectados en la muestra. Los objetos clasificados como maíz amarillo se encuentran pintados de color verde claro, los objetos pertenecientes al maíz colorado en turquesa, los granos dañados en color naranja, los granos partidos de color verde oscuro, las semillas de chamico en magenta y los objetos correspondiente a materia extraña los podemos visualizar en color amarillo.
4.1.7.
Determinación del grado de calidad y descuentos
A fin de evaluar la calidad de la mercadería de una muestra de maíz, se necesita conocer el porcentaje de granos dañados, de granos quebrados y de materia extraña, la cantidad de semillas de chamico, el porcentaje de humedad y el peso hectolítrico.
Para obtener los porcentajes asociados a los granos dañados, quebrados y materia extraña se calcula el porcentaje del área ocupada respecto al área total de los objetos de la muestra, dado que es la única forma de determinar esta magnitud a partir de una imagen.
Respecto a la cantidad de semillas de chamico, solo se cuenta la cantidad de objetos que tiene asociado la clase chamico y se ajusta la cuenta al duplicado de la misma. Esto es debido a que cantidad de objetos asociado a esta clase corresponde a una muestra de 50 g. y el valor que se utiliza para obtener el grado de calidad es una de 100 g.
La humedad de la muestra es un dato que se tiene que conocer a priori para poder obtener el grado de calidad de la misma. Esto es posible porque en la actualidad es muy común que los productores o contratistas rurales que realizan la cosecha, posean el dispositivo que permite determinar el grado de humedad de una muestra de cereal. A partir de este valor se determina si se puede o no comenzar con la recolección de la mercadería.
Para determinar el peso hectolítrico, se diseñó un algoritmo (definido más adelante) que permite calcular este valor en relación al área de la muestra.
Por último, con todos estos valores, se determina la calidad de la muestra de granos de maíz y las bonificaciones o descuentos en base a las tablas de determinación de grado y liquidación de mercadería expuestas en la sección Evaluación de la calidad de granos de cereales.
Para determinar el peso hectolítrico de una manera sencilla se plantea definir una función que permita calcular dicho valor de una muestra. Para esto, se desarrolló una función lineal por intervalos, en donde el área y el valor del peso hectolítrico determinan las variables involucradas para obtener esta función.
