See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/259891195

Diseo de un sistema de visin artificial para

seleccionar limn
CONFERENCE PAPER MAY 2013
DOI: 10.13140/2.1.2308.7043

READS

587

4 AUTHORS, INCLUDING:
Luis Humberto Rivera Cambero

Juan CARLOS Rodriguez

Instituto Tecnolgico Superior de La Huerta

Instituto Tecnolgico Superior de La Huerta

17 PUBLICATIONS 12 CITATIONS

2 PUBLICATIONS 0 CITATIONS

SEE PROFILE

SEE PROFILE

Available from: Luis Humberto Rivera Cambero

Retrieved on: 22 March 2016

Instituto Tecnolgico de La Paz

CIRC 2013

Diseo de un sistema de visin artificial para

seleccionar limn
Rivera Cambero L. H.*, Martnez Orozco G.* Jimnez Vicencio M. L.*, Rodrguez
Ramos J. C.*

*Instituto Tecnolgico Superior de La Huerta,

La Huerta, Jalisco. C.P. 48850 Mxico
(Tel: 357-384-1884; e-mail: luis.rivera@itslahuerta.edu.mx).
Resumen: En este proyecto se presenta el diseo de un sistema de visin artificial capaz de
determinar el grado de madurez y tamao del limn con base en el procesamiento de
imgenes utilizando filtros y algoritmos con el programa Matlab. Se desarroll una tarjeta
de adquisicin de datos con el microcontrolador PIC18F4550 para detectar la presencia del
limn con un sensor de proximidad y para seleccionar la fruta con el resultado del
procesamiento.
Palabras claves: Sensor, procesamiento de imagen, PIC18F4550, filtros, algoritmo
1.

INTRODUCCIN

Actualmente, la implementacin de la visin artificial

en
la
agricultura
se
ha
intensificado
considerablemente en los ltimos aos, como por
ejemplo agricultura de precisin, monitoreo de
cultivos, robtica, inspeccin no destructiva de las
propiedades del producto, clasificacin en lneas de
procesamiento, control de calidad y en general en la
automatizacin de procesos. El uso en estas
aplicaciones se debe a que los sistemas de visin
artificial proporcionan informacin acerca de la
naturaleza y atributos de la escena capturada. Por otra
parte, esta tecnologa permite la posibilidad de
estudiar escenas en regiones del espectro
electromagntico en las que el ojo humano no es
sensible, como es el caso de la radiacin ultravioleta
(UV) o regiones del infrarrojo (IR) (Zude, 2008).
La inspeccin de productos agroalimentarios es un
campo donde se implementa esta tecnologa y se ha
extendido rpidamente (Sun, 2007, Lorente et al.,
2012) y particularmente en la inspeccin automtica
de frutas y verduras. La calidad de una pieza de fruta
o verdura, sea fresca o procesada, se define por una
serie de caractersticas fisicoqumicas que la hacen
ms atractiva para el consumidor, tales como su
grado de madurez, tamao, peso, forma, color, entre
otras (Du y Sun, 2006).

ISBN: 978-607-95534-5-6

Estudios efectuados con variedades diferentes de

manzanas en donde personal cualificado compar
varias caractersticas de forma, tamao y color,
demostr la limitada capacidad humana para
reproducir la estimacin de la calidad, a esto los
autores definen como inconsistencia (Paulus et al.,
1997). Adems, las exigencias de calidad son cada
vez mayores que se expresa en las Normas Oficiales
Mexicanas (NOM). El aumento de parmetros
considerados en un proceso de seleccin para la toma
de decisiones, lo hace tambin el error de
clasificacin.
Con la finalidad de contribuir con el desarrollo
tecnolgico en la regin de la Costa Sur en Jalisco
para los productores de limn, se propone el diseo
de un sistema con base en la visin artificial y el
procesamiento de imgenes para seleccin de limn,
aplicando un algoritmo que sea capaz de identificar
las caractersticas morfolgicas como el grado de
madurez y su tamao utilizando captura, filtros de
imagen y toma de decisiones con el programa de
Matlab y una tarjeta de adquisicin de datos.

211

Instituto Tecnolgico de La Paz

2.

CIRC 2013

CONCEPTOS BSICOS DE UN SISTEMA DE

VISIN ARTIFICIAL.

2.1. Formacin y representacin de la imagen.

Una imagen es una representacin visual de un
objeto iluminado por una fuente radiante. Las que se
perciben en las actividades cotidianas provienen
normalmente de la luz reflejada por los objetos. La
naturaleza bsica de una imagen, representada por
, est caracterizada por dos componentes: la
cantidad de luz incidente que procede de la fuente de
la escena contemplada; y la cantidad de luz reflejada
por los objetos de la escena.
Las componentes reciben el nombre de iluminacin y
reflactancia,
notndose
y
respectivamente. Estas funciones al combinarse
como producto obtienen
En el proceso de formacin de la imagen intervienen
los siguientes elementos: el objeto, la fuente radiante
y el sistema de formacin de la imagen que consiste,
bsicamente, en un sistema ptico, un sensor y un
digitalizador.

La salida del proceso de segmentacin es una imagen

de datos que contiene la frontera de la regin o los
puntos. Dos formas de representacin de la imagen
son la representacin por frontera o regin completa.
La representacin por la frontera es apropiada cuando
el objetivo se centra en las caractersticas de la forma
externa como esquinas o concavidades y
convexidades. La representacin por regiones es
apropiada cuando la atencin se centra en
propiedades internas como la textura o el esqueleto.
Una vez seleccionada la representacin de la imagen,
se debe especificar el mtodo que obtenga los datos
de inters.
La cuarta etapa es la parametrizacin que se dedica a
extraer rasgos que producen las regiones de inters
(ROI) o rasgos que son bsicos para diferenciar una
clase de objetos de otra. La quinta etapa se encuentra
el reconocimiento y la interpretacin, el
reconocimiento es el proceso que asigna una etiqueta
a un objeto basada en la informacin que
proporcionan los descriptores (clasificacin). La
interpretacin lleva a asignar significado al conjunto
de objetos reconocidos. En la figura 1, se muestra el
diagrama de bloques de todas las etapas que
intervienen en un sistema de visin artificial (SVA)
(Gonzlez, 2006).

La imagen digital puede ser representada por una

matriz de dimensiones
de la forma:

f (1,1) f (1, 2)
f (2,1) f (2, 2)

f (1, M )
f (2, M )

f ( N ,1) f ( N , 2)

f (N , M )

(1)

donde cada elemento, pixel, da la intensidad de la

imagen en ese punto (Gonzlez, 2006).
2.2. Etapas en un proceso de visin artificial
La primera etapa en el proceso es adquirir la imagen
digital utilizando sensores pticos con capacidad para
digitalizar la seal producida. La segunda etapa es el
preprocesamiento de la imagen donde se aplican
filtros y algoritmos.
La tercera etapa es la segmentacin de la imagen que
consiste en la divisin de la imagen en las distintas
regiones que la componen, de las que se obtienen los
objetos de inters en la imagen. Una forma de
segmentar una imagen es clasificando cada pixel
como perteneciente a una clase, para lo que existen
numerosos mtodos descritos en la bibliografa
(Gonzlez y Woods, 2002; Russ, 2006).

ISBN: 978-607-95534-5-6

Fig. 1. Diagrama de bloques de las etapas de un

sistema de visin artificial.

212

Instituto Tecnolgico de La Paz

2.3. Componentes de un sistema de visin artificial

Los elementos mnimos necesarios para un sistema
de visin artificial (SVA) son los siguientes:
Sensor ptico: Es un dispositivo capaz de capturar
una escena y digitalizarla, puede ser una cmara. Las
cmaras industriales ms populares estn basadas en
CCD (dispositivo de carga acoplada), que consisten
en una serie de sensores (pixeles) compuestos cada
uno de ellos por una fotoclula y un capacitor
(Peterson, 2001).
Tarjeta de adquisicin de imagen: Permite digitalizar
la seal de video entregada por el sensor ptico.

CIRC 2013

1 capacitor electroltico de 47 F y 2 capacitores

cermicos de 22 pF, un cristal de 4 MHz, leds,
terminales, un programador PICkit 2, un sensor de
proximidad y un prototipo de banda transportadora.
3.1. Adquisicin de imagen
En el SVA se ubic la cmara a 90 y a 25 cm sobre
la posicin del limn en la banda transportadora y se
conect a la tarjeta de adquisicin de imgenes de la
computadora. Se instal una lmpara led a 25 de la
superficie del limn con referencia al eje horizontal
para eliminar la sombra generada (Fernndez, 2005).
En la figura 3 se observa el prototipo utilizado para
obtener la imagen del limn.

Computadora: Su funcionamiento es para almacenar

y procesar la escena capturada por un programa.
Monitor de video: Permite visualizar las imgenes o
escenas captadas como resultados del procesamiento
de dichas imgenes.
En la figura 2 se puede analizar el objeto observado,
la iluminacin, la cmara y el proceso de
digitalizacin que permite por un lado la
visualizacin de la imagen digital y por otro lado el
proceso de extraccin de parmetros y su posterior
proceso de anlisis y control que acta sobre el
entorno del objeto, ya sea para: clasificarlo,
desestimarlo, actuar sobre l, entre otras funciones
(Gonzlez, 2006).

Fig. 3. Prototipo del sistema de visin artificial.

Se utiliz un sensor de proximidad ubicado en la base
de la cmara para detectar la presencia del limn
(Figura 4) enviando la seal por medio de la tarjeta
de adquisicin de datos (Figura 5) conectada a la
computadora por el puerto USB indicando al
programa que realice la captura de la imagen y
proceda con el procesamiento de la imagen.

Fig. 2. Diagrama de bloques de un sistema SVA.

3.

DESARROLLO DEL SISTEMA DE VISIN

ARTIFICIAL.

Para el diseo del sistema se utiliz una computadora

porttil con un procesador Intel Celeron de doble
ncleo a 2 GHz y 2 GB de memoria RAM, una
cmara web USB Encore, un microcontrolador
PIC18F4550, un cable USB, 8 resistencias de 220 ,

ISBN: 978-607-95534-5-6

Fig. 4. Sensor de proximidad.

213

Instituto Tecnolgico de La Paz

CIRC 2013

almacenada en memoria para comprobar el valor

asociado o si pertenece a un intervalo determinado.
Una de las desventajas que presenta este mtodo
supervisor es que necesita calibracin previa y en
ocasiones se debe realizar de nuevo cuando varan
las condiciones originales (Cubero, 2012). El
algoritmo para segmentar la imagen es el siguiente:

Fig. 5. Tarjeta de adquisicin de datos con

microcontrolador PIC18F4550.

Para cada pxel en la ROI de la Imagen Original

{
Extraer RGB del pxel
Comprobar la clase a la que pertenece el pxel en la
LUT
Copiar el valor obtenido de la clase en la Imagen
Segmentada
}

3.2. Transformacin y filtrado

3.3. Parametrizacin

Se aplic un filtro de moda que suaviza los bordes

entre regiones de diferentes clases y elimina los
pixeles aislados que no forman ninguna regin y que
solo constituyen ruido en la imagen. Para la
aplicacin de este filtro, se recorre la imagen
segmentada y se calcula, para cada pixel, el valor que
aparece con ms frecuencia en la ventana de 8vecinos. Se podra haber aplicado un filtro de
mediana, pero se consider ms apropiado el filtro de
moda ya que con este ltimo se consigue, adems,
suavizar la frontera entre regiones adyacentes, lo que
permite acelerar los procesos siguientes de extraccin
y anlisis de contornos de las ROI (Cubero, 2012).

Para procesar el contorno de la imagen se utiliz el

mtodo de cdigo de cadena (Freeman, 1961). Este
mtodo se aplica a la totalidad de los pixeles en la
imagen. Cuando se detecta un pixel perteneciente al
contorno, se inspeccionan todos sus vecinos en el
sentido de las agujas del reloj (iniciando en el mismo
pixel, por ejemplo el que se encuentra situado a la
derecha) en busca de los pixeles que continan el
contorno hasta finalizar en el pixel inicial. En caso de
llegar a una frontera abierta, todos los pixeles de este
contorno se descartan y se contina el proceso
alrededor buscando otro pixel perteneciente a un
nuevo contorno (Cubero, 2012).

El algoritmo seguido para filtrar la imagen es el

siguiente

3.4. Clasificacin

Para cada pxel en la ROI de la Imagen Segmentada

{
Calcular el valor ms repetido de los 8-vecinos del
pxel
Copiar el valor obtenido en la Imagen Filtrada
}
3.3. Segmentacin
Para implementar la segmentacin de la imagen, se
realiz un recorrido secuencial desde la coordenada
(x=0, y=0). Al obtener el valor RGB de un pixel se
clasific utilizando la tabla de consulta (LUT) y se
obtuvo la clase con la que se etiqueta ese pixel. El
resultado de este proceso es una nueva imagen en la
que cada pixel tiene un valor entre 0 y 9. Este mtodo
ha sido probado con anterioridad en problemas
similares y tiene la ventaja de ser muy rpido desde
el punto de vista de costo computacional, en cada
pixel se tiene que acceder a la LUT que se encuentra

ISBN: 978-607-95534-5-6

Los valores de color en la imagen se ofrecen en

coordenadas de color RGB y es necesario
convertirlos a Hunter L, a, b que es una escala de
color basado en la teora de colores opuestos, asume
que los receptores del ojo humano perciben el color
como los siguientes pares de opuestos: claro-oscuro,
rojo-verde y amarillo-azul, el valor de L indica el
nivel de claridad u oscuridad, el valor de a es el
enrojecimiento o tono verde y el valor de b es el tono
amarillo o azulado. Los tres valores son necesarios
para describir completamente el color de un objeto
(Hunter Lab, 2008), se estima posteriormente el
ndice de color de los ctricos (ICC) (Jimnez et al.,
1981). Para realizar la conversin del espacio de
color RGB a cualquier otro es necesario convertir
previamente los valores originales al espacio XYZ
utilizando la matriz (2) como transformacin
estandarizada
propuesta
por
la
Comisin
Internacional para la Iluminacin (CIE) en 1931.

214

Instituto Tecnolgico de La Paz

CIRC 2013

(2)

Este paso representa una prdida de precisin ya que

el espacio RGB es limitado en cuanto a nmero de
colores; en RGB no se pueden definir todos los
colores posibles que aporta un espectro.

que permite poner en funcionamiento la banda

transportadora que a su vez enva una seal de
deteccin de la fruta por medio del sensor de
proximidad indicndole que realice la captura de la
escena. Una vez obtenida la imagen, se procesa y se
determina su seleccin indicando si es aceptada o
rechazada enviando el programa una respuesta a la
tarjeta de adquisicin de datos para que realice la
accin de seleccin.

Algoritmo para decidir el color de la fruta:

4. RESULTADOS
Se estima la moda de todos los valores RGB
pertenecientes a fruta de cada imagen. El valor de la
moda se convierte finalmente a espacio Hunter Lab
para obtener el ICC de cada fruta utilizando la
siguiente ecuacin:
(3)
Una vez obtenidos los resultados del anlisis, estos se
transfieren a un espacio de memoria en la
computadora para que el programa desarrollado los
clasifique segn los parmetros deseados del usuario.
3.5. Diseo del programa para el procesamiento
El programa se desarroll con Matlab en el entorno
grfico GUI utilizando el la caja de herramientas de
adquisicin de imgenes para generar el cdigo de
captura como se muestra a en la figura 3. Puede
observarse la imagen capturada, la relacin de
valores RGB en grficos y la moda correspondiente
al rea analizada, adems muestra si la fruta es
aceptada o rechazada.

Se sincronizaron manualmente la deteccin de la

fruta por el sensor de proximidad y la orden de
captura de la imagen, as mismo se encontr el
ngulo ptimo de incidencia de iluminacin a 25
evitando sombras en la captura de la imagen.
En la figura 6 se demuestra en sntesis las etapas del
proceso de visin artificial. Se analiza la captura de
la imagen de la fruta, los valores de los colores en
formato RGB y los resultados obtenidos al
implementar el filtro de moda para determinar el
grado de madurez, as mismo se implement el
algoritmo de contorno, seleccin de objeto y clculo
de rea para obtener el tamao de la fruta. Se realiz
la calibracin del algoritmo utilizando el ndice de
color de ctricos (ICC) comparando el color de
madurez con el espectro Hunter Lab y el tamao con
las caractersticas deseadas del productor.
Se realizaron pruebas controladas y se obtuvo un
porcentaje de precisin considerable cercano al 97%.
El principal problema es encontrar el ngulo de
iluminacin eficiente para que elimine en su totalidad
las sombras.

Fig. 5. Interfaz grfica del programa desarrollado en

Matlab.
Se programaron los algoritmos utilizando las
funciones del programa y se validaron con imgenes
preestablecidas. El funcionamiento del programa

ISBN: 978-607-95534-5-6

Fig. 6. Ejecucin del programa.

215

Instituto Tecnolgico de La Paz

CIRC 2013

5. CONCLUSIONES
Al desarrollar el sistema de visin artificial, se
analizaron algoritmos de procesamiento de imgenes
capaces de ofrecer resultados variados, se
seleccionaron los algoritmos propuestos por
Gonzlez (2006) y Cubero (2012) obteniendo un
resultado ptimo bajo restricciones de prueba. El
sistema tiene la capacidad de analizar el grado de
madurez y el tamao del limn con un grado
considerable de aceptacin con un error cercano al
3% en pruebas controladas.
Como trabajos futuros se mejorar la proyeccin de
la iluminacin y se optimizarn los algoritmos para
detectar los defectos de la fruta para incluirlo como
restriccin en la seleccin del limn, adems de
realizar el anlisis en movimiento de la banda
transportadora para reducir tiempos.
AGRADECIMIENTOS
Al Instituto Tecnolgico Superior de la Huerta por
facilitar el uso del laboratorio de cmputo y ciencias
bsicas para desarrollar este proyecto.

artificial. Editorial Universidad de La Rioja.

Espaa.
Gonzlez, R.C. y Woods, R.E. (2002). Digital image
processing. Prentice Hall, USA.
Hunter Lab, (2008). Application note: Hunter L,a,b
versus CIE 1976 L*a*b*. Disponible en:
http://www.hunterlab.com/appnotes/an02_01.pdf
. Recuperado en Abril de 2013.
Jimnez, M., Cuquerella, J. y Martnez, J.M. (1981).
Determination of a color index for citrus fruit
degreening. Proceedings of the International
Society of Citriculture (2), 750-753.
Paulus, I., De Busscher, R. y Schrevens, E. (1997).
Use of image analysis to investigate human
quality classification of apples. Journal
Agricultural Engineering Research, 68, 341-53.
Peterson, C. (2001). How it works: the chargedcoupled device or CCD. Journal of young
investigators. Available at:
Russ, J.C. (2006). The Image Processing Handbook,
Fifth Edition. CRC Press, Boca raton, USA.
Sun, D.W. (2007). Computer vision technology for
food quality evaluation. Academic Press,
Elsevier Science, London, UK.
Zude, M. (2008). Optical monitoring of fresh and
processed agricultural crops. CRC Press, Boca
Raton, USA.

REFERENCIAS
Cubero, S., (2012). Diseo e implementacin de
nuevas tecnologas basadas en visin artificial
para la inspeccin no destructiva de la calidad
de fruta en campo y mnimamente procesada.
Tesis Doctoral. Universidad Politcnica de
Valencia.
Du, C.J., Sun, D.W. (2006). Learning techniques
used in computer vision for food quality
evaluation: a review. Journal of Food
Engineering, 72, 39 55.
Lorente, D., Aleixos N., Gmez, J., Cubero, S.,
Garca, O.L. y Blasco, J. (2012). Recent
advances and applications of hyperspectral
imaging for fruit and vegetable quality
assessment. Food and Bioprocess Technology.
1-22. 10.1007/s11947-011-0725-1
Fernndez, L., Castillero, C. y Aguilera, J.M. (2005).
An application of image analysis to dehydration
of apple discs. Journal of Food Engineering, 67,
185 193.
Freeman, H., (1961). On the encoding of arbitrary
geometric configurations. IEEE Trans. Elect.
Computers. EC-10:260-268.
Gonzlez, A., Martnez, F., Perna, A., Alba, F.,
Castejn, M., Ordieres, J. y Vergara, E. (2006).
Tcnicas y algoritmos bsicos de visin

ISBN: 978-607-95534-5-6

216