Motor de Inferencia Difuso con Funciones de Pertenencia Din´ micas para el a Codificado de Conchas de Abanico

Roy P´ rez-Pinto1 e Sonia Castelo-Quispe1 Jorge Luna-Urquizo 1 Lu´s Alfaro-Casas1 ı Dennis Barrios-Aran´bar1 ı
1

Centro de Investigaci´ n y Desarrollo de Software o C´ tedra Concytec en TIC´s a Universidad Nacional de San Agust´n ı Arequipa - Per´ u

royhelbert85@gmail.com, scastelo2@gmail.com,jlunaur@gmail.com lalfarocasas@gmail.com, dennisbarrios@gmail.com Resumen El proceso de codificaci´ n de Conchas de Abanico posee algunas particularidades, resaltando entre ellas el o alto grado de subjetividad al momento de otorgar un grado de calidad (C´ digo), en ocasiones designando un o c´ digo de menor precio a moluscos que tienen probabilidades de ser clasificados con un c´ digo de mayor precio, o o ocasionando p´ rdidas para alguna de las partes. En este trabajo, se presenta un Sistema Experto Neurodifuso, e como alternativa para la codificaci´ n de Conchas de Abanico, que permita obtener el c´ digo de clasificaci´ n o o o correspondiente al molusco, a partir de im´ genes segmentadas del mismo, de acuerdo al est´ ndar establecido a a por la FAO (Food and Agriculture Organization of the United Nations). Adicionalmente este sistema modifica las reglas del proceso de codificaci´ n, de acuerdo a diferentes par´ metros auto-generados, con el fin de realizar una o a codificaci´ n balanceada del producto. Se obtuvieron resultados con una eficiencia del 95 % para el proceso de o codificaci´ n de las im´ genes de moluscos. o a

1. Introducci´ n o Los productos alimenticios de exportaci´ n requieren de la aplicaci´ n de exigentes est´ ndao o a res de clasificaci´ n, los mismos que deben ser cumplidos por el exportador para poder operar o dentro del mercado. En el Per´ , la producci´ n de Conchas de Abanico constituye un mercado de u o exportaci´ n con una tendencia creciente (SUNAT, 2010), debiendo de cumplir con est´ ndares o a de clasificaci´ n de calidad relacionados a condiciones f´sicas (Peso) del molusco. Los proceo ı dimientos realizados para tal fin siguen siendo manuales, debido en gran medida a la falta de presupuesto por parte de las empresas para cubrir el costo de la automatizaci´ n del proceso. o Dicho proceso de clasificaci´ n, ll´ mese codificaci´ n de conchas de Abanico, es aplicado de o a o acuerdo a par´ metros proporcionados por la FAO teniendo como resultado un alto grado de a ambig¨ edad, consecuencia de una interpretaci´ n subjetiva. Teniendo esto como precedente, las u o t´ cnicas basadas en visi´ n por computador y l´ gica difusa para el apoyo en la realizaci´ n de e o o o procedimientos de producci´ n de alimentos, los cuales requieren supervisi´ n visual y toma de o o decisiones subjetivas, se han mostrado como una fuerte tendencia, no solo reemplazando sino mejorando, en muchos procesos, el papel del hombre en la toma de decisiones (Sun and Brosnan, 2003a; Sun and Brosnan, 2003b; Mery et al., 2010a; Mery et al., 2010b; Codrea et al., 2004; Betancur and Prieto, 2008; Du and Sun, 2006; Marino et al., 2005). Debido a esto, estas t´ cnicas fueron seleccionadas por muchas empresas del area de producci´ n de alimentos, e ´ o

El resto de este articulo est´ organizado de la siguiente manera. En la secci´ n o o 6 se describen las Pruebas realizadas para posteriormente comentar y observar los resultados de los Experimentos realizados que ayudaron a validar el Algoritmo propuesto y finalmente en la secci´ n 7. el uso de balanzas ser´a inadecuado ya que ı se estar´a forzando al pesado de cada molusco por separado. en el u o caso que la “Codificadora” sea de la entidad compradora. . seg´ n el Cuadro 1 puede ser catalogado como c´ digo 20/30. a Actualmente se trata de equilibrar los intereses poniendo “Codificadoras” de ambas entidades para poder codificar de una manera equilibrada y/o balanceada. estos valores se pueden aproximar de acuerdo a los par´ metros del Cuadro 2. Cabe mencionar que dicho proceso es realizado de manera visual y o basada en el criterio del trabajador. 2007..3 5. tiempo superado por el proceso automatizado. se realizan las conclusiones del Algoritmo propuesto. el cual permite obtener el c´ digo de clasificaci´ n de los moluscos o o o evaluados. En la secci´ n 4 se menciona algunos o o o Conceptos Previos de las t´ cnicas utilizadas en el presente art´culo. Betancur and Prieto.1 22. para el molusco. resultando un proceso tedioso y ı en consecuencia lento. Cuadro 1: C´ digos de exportaci´ n de moluscos Conchas de Abanico o o C´ digo o 10/20 20/30 30/40 40/60 60/80 Unidades/Libra Min Max – 20 21 30 31 40 41 60 61 80 Fuente: FAO Peso Min Max 22. no es necesario el contacto f´sico con el producto. tratar´ n que el c´ digo sea de mayor precio posible. Mery o o ı et al. se puede afirmar que el tiempo para el codificado de un molusco es de aproximadamente 0.4 15 7. Codrea et al. como alternativa para la codificaı ci´ n de Conchas de Abanico. Codificaci´ n de Conchas de Abanico o El proceso manual de Codificado de Conchas de Abanico es una tarea realizada a “ojo de buen cubero” donde las personas “Codificadoras”. por ejemplo. a partir de la imagen analizada. el presente art´culo presenta un Sistema Experto Neurodifuso. 2010a. en la secci´ n 3. las instituciones que busquen automatizar dicho proceso.5 El tiempo y costo para el proceso de codificaci´ n de conchas de abanico son variables.. podemos tener un a o molusco que pese 22.6 11. de lo contrario ser´ catalogado 10/20. De acuerdo a lo antes expuesto. En ese a sentido.. en el caso que sea de la entidad proveedora. La secci´ n 2. tal como se muestra en la secci´ n de Resultados. 2008).6 11..debido a las ventajas que ofrecen. Cabe mencionar que el c´ digo o de mayor precio es el 10/20 y el de menor precio. describe el ´ a o proceso de Codificaci´ n de Conchas de Abanico para posteriormente mencionar los Trabajos o Previos relacionados al tema en menci´ n. debido a que.7 7. En la secci´ n 5 se describe el e ı o Algoritmo para estimar el c´ digo. debido a ello. No obstante. 2004. adicionalmente al baı jo costo de implementaci´ n en comparaci´ n con otras tecnolog´as (Aguilera et al.7 M´ s a 15. como puede ser la preservaci´ n del producto e higiene del o proceso. o 2. basadas en su experiencia designan a cada molusco un determinado c´ digo de acuerdo al tama˜ o y a los intereses de la entidad para la o n que trabajan (ya sea la entidad proveedora o compradora). no o obstante. el 60/80.7 gr.12 segundos.

es el Sistema de evaluaci´ n de la calidad del recubrimiento de tapas de recipientes de o metal para una f´ cil apertura que contienen alimento de peces.0. Para el desarrollo de este sisa tema de control automatizado. es una tendencia adoptada por muchas o empresas de este sector. en comparaci´ n con la o o o o evaluaci´ n de personal de calidad (Sun and Brosnan. aumentar la producci´ n. Este es un buen aporte debido a que se ı logr´ utilizar la l´ gica difusa para realizar la clasificaci´ n de la calidad. o o para clasificar las muestras de difusi´ n de la salsa en las clases de calidad aceptable y deficieno te (Sun and Brosnan.) 1000-1200 Tiempo Necesario(Horas) 4-5 Fuente: Elaboraci´ n Propia o 3. 2010b). teniendo como apoyo a la visi´ n computacional (Du and Sun. 2010). 2003a). con el objetivo de a e obtener la neuroanatom´a del cerebro y sus relaciones espaciales. Por esta raz´ n se desarroll´ un marco de o o o visi´ n por computador para clasificar de forma autom´ tica la calidad de las tortillas de ma´z de o a ı acuerdo a cinco sub-clases impartidas por un panel sensorial. por ejemplo. donde se utiliz´ im´ genes de Rayos-X para los procesos de segmentaci´ n. Otro trabajo que podemos meno cionar.15 . En la industria de Pescados tambi´ n n e se ha utilizado visi´ n computacional para el control de calidad.) (Molusco Codificado) 0.. Como se puede o percibir las T´ cnicas computacionales se han aplicado cada vez m´ s para la evaluaci´ n de cae a o . en la industria de Tortillas en M´ xico. Por lo cual se us´ la visi´ n artificial para la inspecci´ n de la base de o o o o la pizza y la calidad de propagaci´ n de salsa de tomate. 2005). y o a o de esta forma poder detectar huesos dentro de los filetes. Trabajos Previos La aplicaci´ n de la L´ gica Difusa en problemas de decisi´ n imprecisas o subjetivas. En el caso particular del area de evaluaci´ n de calidad.deber´ n utilizar m´ ltiples l´neas de producci´ n. donde los conjuntos difusos ı se utilizaron para representar dichas relaciones (Yin and Jia. es costoso e involucra errores e de clasificaci´ n debido a su subjetividad y la fatiga. o en su defecto un procesamiento en bloque a u ı o (Matricial). en Irlanda. (S/. o Existen trabajos previos que han utilizado la Visi´ n por computador y la L´ gica Difusa en o o problemas similares. 2006). Posteriormente se realiz´ un trabajo que evaluaba las diferentes o caracter´sticas de calidad de los ingrediente en la pizza.. en la implementaci´ n de Sistemas de Inferencia Difusos o junto con el procesamiento de im´ genes de resonancia magn´ tica (RM). Cuadro 2: Par´ metros del Proceso de Codificado de CA a Par´ metro a Valor Trabajadoras 4-5 Precio x kg. Se uso un sistema de l´ gica difusa.18 Cantidad de Moluscos (kg. para o o o el control de calidad en la producci´ n de alimentos. debido al crecimiento en ´ o la popularidad y el consumo de pizzas se vio la necesidad de un control de calidad automatizado. esta vez para la validaci´ n de o o filetes de pescado. se utiliz´ t´ cnicas de Visi´ n Artificial y un modelo difuso que o e o interpreta las variables con el fin de averiguar la causa de fallos en el proceso de calidad y con esto lograr la reducci´ n de tiempo (Marino et al. 2003b).. utilizando 64 caracter´sticas neceı sarias para el dise˜ o del clasificador (Mery et al. 2011). obteni´ ndose resultados que minimie zan los errores de clasificaci´ n en el que pueden incurrir (Mery et al. En los procesos de inspecci´ n visual o o automatizada de alimentos. a fin de mantener el grado de confiabilidad y eficiencia de los resultados y en consecuencia.

sin embargo.6 0. tambi´ n hay algunas para la segmentaci´ n de o o e o im´ genes y funciones de selecci´ n (Du and Sun. Pertenencia Trapezoidal Fuente: Elaboraci´ n Propia o . Conceptos Previos 4. aprendizaje eso tad´stico. estableciendo la o ı posibilidad de que los elementos pudieran tener diferentes grados de pertenencia a un conjunto.2        0 x−a m−a b−x b−m 0 0 x≤a a≤x≤m m≤x≤b x>b (1) Figura 1: F. algoritmos gen´ ticos.4 µ(x) = a b 3 4 5 6 7 8 9 1 2 0. Funci´ n de Pertenencia La funci´ n de pertenencia es la curva que define con que o o grado cada elemento esta incluido en el conjunto difuso. la l´ gica difusa. 2004). y n n de salida el ajuste de acuerdo a los par´ metros de entrada (Rossel.2            0 x−a m−a 1 b−x b−m 0 0 x≤a a≤x≤b b≤x≤c c≤x≤d x>d (2) Figura 2: F. a Tipos de Funciones de Pertenencia Presentamos a continuaci´ n las funciones o de pertenencia a utilizar (Ver Figuras 1 y 2) y sus respectivas formas de representaci´ n como composici´ n de funciones (Ver Ecuaciones 1 y 2). 1965) aplico la l´ gica multivaluada a la teor´a de conjuntos.1.1. Tambi´ n en el area de la educaci´ n se a o e ´ o utilizado la l´ gica difusa para realizar tests adaptativos que adecuan el test de acuerdo al nivel o del alumno. para ello se dise˜ a variables difusas de entrada como el tiempo y el desempe˜ o. que incluyen redes neuronales artificiales. L´ gica Difusa o Zadeh (Zadeh.8 0.6 0.lidad de los alimentos utilizando la visi´ n por ordenador en los ultimos a˜ os. Trapezoidal 1 b c 0. siendo 1 el valor m´ ximo de pertenencia (Singpurwalla and Booker. El valor de esta funci´ n esta en el o intervalo 0 y 1. La mayor´a de ellos son ı o e ´ o ı para la clasificaci´ n y la predicci´ n. y arboles de decisi´ n. 2006). 2006).1. a 4. Entre los principales conceptos tenemos: 4. Pertenencia Triangular Fuente: Elaboraci´ n Propia o 2. As´ se muestra o ´ n ı en un estudio realizado.4 µ(x) = a d 4 5 6 7 8 9 10 11 1 2 3 0. Esta es una extensi´ n de la l´ gica cl´ sica dise˜ ada para permitir razonamiento sobre conceptos o o a n imprecisos. donde se realiza la evaluaci´ n de calidad de los diferentes alimentos o utilizando la visi´ n por ordenador. Triangular 1 m 0. o o 1.8 0.

se llevar´ a a o a cabo el algoritmo 1. . en donde se calcula el area de la regi´ n ocupada por el molusco. Automatizaci´ n del Proceso de Codificado de Concha de Abanico (CA) o Una vez adquirida las im´ genes de moluscos y previo proceso de binarizaci´ n.1.5. Una vez obtenido el o c´ digo ser´ guardado en un historial el cual ser´ un par´ metro de decisi´ n para desplazar los o a a a o conjuntos difusos de manera que los moluscos sean designados “equitativamente”. para ´ o posteriormente estimar su peso. Estimaci´ n del Peso a partir de la Imagen o Las im´ genes de los moluscos limpios pasaron por un proceso de segmentaci´ n obteni´ ndoa o e se los resultados mostrados en las Figuras 4 y 5. del proceso completo: o Interface de Usuario (Entrada de la Imagen) Cálculo del Peso Fusificación Defusificación Motor de Inferencia Redes FAM Obtener Código (Molusco Clasificado) Figura 3: Diagrama de Bloques Fuente: Elaboraci´ n Propia o 5. el peso estimado ingresar´ al sistema difuso para a obtener el grupo al cual pertenece y posteriormente obtener el C´ digo. Algoritmo 1 Estimaci´ n de C´ digos de CA o o Requiere: Reglas > 0 ∧ ImagenBinarizada = nulo Asegurar: C´ digo Estimado o Estimar Peso de acuerdo a Regi´ n encontrada o si Reglas Cargadas entonces Obtener Grupo Estimado del Peso Obtener C´ digo Estimado del Grupo o si Analiza Historial de C´ digos entonces o Desplaza Funciones difusas fin si si no {Reglas no Cargadas} Mostrar Error fin si A continuaci´ n se muestra el diagrama de bloques. luego de ello.

Este valor nos ayudar´ a ponderar el tama˜ o real del molusco. como se puede observar en la Figura 7).06490 (3) Para poder aproximar la forma de los moluscos a una figura geom´ trica (Elipe soide) y de esta manera utilizar las f´ rmulas adecuadas para calcular su volumen o (4).Figura 4: Imagen Original Fuente: Elaboraci´ n Propia o Figura 5: Fin de la Segmentaci´ n o Imagen Binarizada Fuente: Elaboraci´ n Propia o 5.1. Fuente: Elaboraci´ n Propia o Figura 7: Ubicaci´ n del Elipsoide que o cubre el molusco. este se convierte en la entrada de nuestro sistema difuso el cual estimar´ el C´ digo al cual pertenece. para lo cual tomamos como densidad del molusco proporcional (5) a la densidad del agua. ello se logra teniendo en a o cuenta las siguientes consideraciones: (5) (6) . de la fase anterior. Calculando el Peso de la Imagen Para poder obtener el peso de la imagen vamos a calcular los ejes mayor (recta de color Rojo) y menor (recta de color Azul) del molusco dentro de la imagen. Densidad = 1gr/cm3 P eso = densidad ∗ V olumenElipsoide 5. ı a n P ixenCm = 0. Se ha definido un valor subjetivo. correspondiente a la proporci´ n de un pixel en o cent´metros (3).1. V olumenElipsoide = 4π ∗ (Radio1 ∗ Radio22 ) 3 (4) Figura 6: Ubicaci´ n de los Ejes Mao yor y Menor.2. Fuente: Elaboraci´ n Propia o Finalmente calculamos el peso en gramos (6). como se observa en la Figura 6. Codificaci´ n del molusco de CA o Una vez obtenido el peso estimado. obtenemos los ejes mayores y menores del molusco.

Grupos uı Grupo Grupo 1 Grupo 4 Grupo 7 Grupo 10 Grupo 13 Grupo 16 Grupo 19 Grupo 22 Grupo 25 G.8 gr. para evitar esto se cona form´ grupos m´ s compactos. 11.39 49 . Abarcados 12 15 18 21 26 .12 y as´ sucesivamente hasta 20. Como observamos la decisi´ n del o Grupo designado a un molusco es un tanto impreciso. 12.32 40 .29 36 .48 63 . es una libra) peso al cual se aproxima el molusco actual. para ello juntamos los c´ digos m´ s peque˜ os en o a o a n uno solo (Ver Cuadro 3). reu ı sultando computacionalmente caro el c´ lculo difuso.2 gr.De acuerdo al Cuadro 1. Abarcados 10 13 16 19 22 . o o Seg´ n lo dicho anteriormente se tendr´an que armar Grupos del 10 al 80. Abarcados 11 14 17 20 24 . como ejemplo tenemos un molusco que pese 43 gr. (donde 460 gr.11.80 Grupo Grupo 2 Grupo 5 Grupo 8 Grupo 11 Grupo 14 Grupo 17 Grupo 20 Grupo 23 G. conformada uı por los Conjuntos Difusos del 1 al 25. debi´ ndose fundamentalmente a la diferencia entre los resultados de e dividir un n´ mero constante entre n´ meros peque˜ os(10) y grandes(80). a partiendo del supuesto de que en una libra existir´ n “n” moluscos todos de aproa ximadamente 460/n gr. etc.62 Grupo Grupo 3 Grupo 6 Grupo 9 Grupo 12 Grupo 15 Grupo 18 Grupo 21 Grupo 24 G.43 55 . Cuadro 3: Valores Ling¨ ´sticos de la Variable L.27 33 . raz´ n ı o por la cual se dio una soluci´ n con l´ gica difusa. donde cada uno representa la ı cantidad de moluscos necesarios para conformar una libra. podr´a ser catalogado como Grupo 10 o Grupo 11. Cada molusco ser´ designado a un grupo “n” de acuerdo al peso del mismo. conforu u n maron un solo Grupo como lo son el grupo 10. como ejemplo tenemos que el c´ digo 10/20 podr´a ser dividido en o ı el Grupo 10. podemos deducir que un c´ digo puede ser dividido en o varios grupos.72 Fuente: Elaboraci´ n Propia o En la Figura 8 podemos observar la Variable Ling¨ ´stica de Grupos.25 30 . .35 44 .54 73 .23 28 . sera catalogado al Grupo 10 debido a que se aproxima m´ s a 460/10 es 46 y a no del Grupo 11 donde 460/11 es 41. como podemos observar en el Cuadro los grupos m´ s a grandes. De acuerdo a lo dicho anteriormente se puede decir que un molusco de 45.

25 Fuente: Elaboraci´ n Propia o En la Figura 9 podemos observar la variable Ling¨ ´stica de C´ digos.2 0 0 5 10 15 20 25 30 35 40 45 50 Figura 8: Variable L.19 19 .6 0. 1 0. C´ digos o Fuente: Elaboraci´ n Propia o . o Cuadro 4: Valores Ling¨ ´sticos de la Variable L. Se puede observar o que los Grupos 15.23 23 . 30/40.6 0.15 15 . 40/60 y 60/80. C´ digos uı o C´ digo o C´ digo 10/20 o C´ digo 20/30 o C´ digo 30/40 o C´ digo 40/60 o C´ digo 60/80 o Grupos 1-8 9 .8 0. 19 y 23 son imprecisos. conformada uı o por los Conjuntos Difusos 10/20. Grupos Fuente: Elaboraci´ n Propia o Luego de definir el Grupo al cual pertenecen los moluscos. 20/30.8 0.4 0. debido a que tienen un grado de pertenencia significativo hacia dos C´ digos contiguos.2 0 0 5 10 15 20 25 Figura 9: Variable L. se procede a calcular el C´ digo correspondiente a cada molusco (Ver Cuadro 4).1 25 24 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0.4 10/20 20/30 30/40 40/60 60/80 0.

5 0.3.6 0. o o o o obtenida luego de analizar la variaci´ n en cada grado de desplazamiento. Funci´ n de Pertenencia Din´ mica como se sabe una Funci´ n de Pertenencia (FP) o a o esta definida por una composici´ n de funciones.5 (Ver Figura 11).5 0. ello ı se solucion´ modificando el umbral de decisi´ n de acuerdo a una funci´ n de regresi´ n lineal.5 Normal Figura 11: Decisi´ n Err´ nea o o Fuente: Elaboraci´ n Propia o Para solucionar el problema de “Equitatividad” utilizamos el concepto de Funci´ n de Pero tenencia Din´ mica. a este o concepto se opt´ por llamar Funciones de Pertenencia Din´ micas.1.2 0.9 0.5.1 0 2 3 4 5 6 7 8 9 Bueno−0.4 0. Para esta fase se tuvo o a en cuenta las siguientes consideraciones: Los valores difusos se desplazan en parejas contiguas.8 0.6 0.3. en caso contrario sucede con el Valor Difuso Bueno − 0. para desplazar los Grados (Funciones) de Pertenencia teniendo como decia si´ n el an´ lisis de los moluscos ingresados con anterioridad (Historial). ambos casos var´an la respuesta difusa arrojada por la regla.2 0. es decir 10/20 con 20/30 o 20/30 con 10/20. debido a su desplazamiento o a en tiempo de ejecuci´ n. o 1 0.5 Bueno Bueno+0. las cuales pueden ser desplazadas horizontalo mente (Ver Figura 10).4 0.9 0. .7 0. o 1 0.3 0. respectivamente.1 0 2 3 4 5 6 7 8 9 Bueno−0.8 0.7 0.5 Bueno Bueno+0. obteniendo de este modo una variaci´ n en la respuesta difusa. el cual deja un alto grado de solapamiento sobre el Conjunto Difuso Normal como se puede observar en el Valor Difuso Bueno + 0. Desplazamiento de Funciones Difusas de C´ digos de CA o 5.5. se encontr´ un problema al momento de desplazar un conjunto o difuso. con la intensi´ n de variar la decisi´ n difusa en forma negativa ´ o o o positiva.3 0.5 Figura 10: Desplazamiento de Funciones Fuente: Elaboraci´ n Propia o En el desarrollo del trabajo.

9 27.5 12.43 2. Se compararon los resultados arrojados por el sistema difuso con distintas parejas desplazadas.38 15. Cuadro 5: Resultados de los Pesos Nro 1 2 3 4 5 6 7 8 9 10 Pesos (gr.) Error ( %) Peso Real Peso Estimado 20.1 16.88 26. o La decisi´ n de un desplazamiento negativo.1 24.8 16. depende del n´ mero de moluscos o u designados como c´ digo mayor (10/20) que tiene un alto grado de probabilidad o de ser un c´ digo menor (20/30). Como se puede observar se ha obtenido buenos resultados. En el Cuadro 5 se muestra algunas pruebas realizadas para el c´ lculo del peso del molusco.6 9. depende del n´ mero de moluscos o u designados como c´ digo menor (20/30) que tiene un alto grado de probabilidad o de ser un c´ digo mayor (10/20). Las pruebas fueron realizadas con 20 muestras de cada C´ digo. debi´ ndose a los intervalos relativamente grandes que poseen.76 31 31.753 6. como se observa el mayor error obtenido esta en los c´ digos altos como son 10/20.37 1. ya que el porcentaje de error promedio es aproximadamente 4. Se compar´ el tiempo de respuesta del proceso manual y el arrojado por el proo ceso automatizado (propuesta). demosı trando un grado de eficiencia de 95 %.6 21. Experimentos y Resultados Los experimentos se hicieron con las siguientes consideraciones: Se compararon los pesos reales y los estimados para el molusco desvalvado de concha de abanico.19 21.23 24. a Se ha realizado una comparaci´ n entre el peso real del molusco y el peso obtenido a trav´ s o e del procesamiento de la imagen del molusco.493 2.458 8. Se desarroll´ una matriz de confusi´ n de los resultados arrojados por el sistema o o difuso. e Cuadro 6: Matriz de Confusi´ n del Proceso de Codificado o 10/20 20/30 30/40 40/60 60/80 C´ digos o 10/20 20/30 30/40 40/60 19 1 0 0 1 17 2 0 0 2 18 0 0 0 1 19 0 0 0 1 Fuente: Elaboraci´ n Propia o 60/80 0 0 0 0 19 .992 6. o 6. o o 20/30 y 30/40.33 16.05 9.3 26.98 25.726 9.03 Fuente: Elaboraci´ n Propia o El cuadro 6 muestra el rendimiento del proceso de codificado del presente art´culo.127 3.603 %.826 4.20 11.9 22.468 1.La decisi´ n de un desplazamiento positivo.

5-17 17.. Lillo..5-26.5 27-46 6-8. A. and Soto.8 -0. Referencias Aguilera.El cuadro 7 muestra el promedio de los tiempos de respuesta obtenidos durante los experimentos.5 27-46 6-7 7. I.5-13 13.20/30 20/30 . Cipriano.) o 60/80 40/60 30/40 20/30 10/20 6-8.8 0. a case study.5 9-14 14.5-17 17.30/40 30/40 .8 Intervalos de Pertenencia por C´ digo (gr..60/80 Desplazamiento 0 0. F. o o Cuadro 7: Tiempos de Respuesta del proceso de Codificado C´ digos Tiempo (ms) o 10/20 29 20/30 33 30/40 33 40/60 34 60/80 30 Fuente: Elaboraci´ n Propia o Adicionalmente.5-17 17.5 27-46 6-9.5-26. Active contour-based segmentation of coffee cherries images.8 -0.5 19-26. J.5-18. D. and Prieto.5 9-13 13. ICSP. M. Computer vision for quality control in latin american food industry.5 27-46 Fuente: Elaboraci´ n Propia o 7.5-17 17.5 9-13 13.40/60 40/60 .5-46 6-8. IEEE 9th International Conference on.5 16-26.5 27-46 6-8.. ICCV 2007 .8 0. Signal Processing.5-17 17. (2007). Como se puede observar los intervalos de la pareja desplazada modificaron sus valores y de esta manera se altera el producto de las decisiones difusas del sistemas experto. Conclusiones Las funciones de pertenencia din´ micas brinda ventajas al momento de dise˜ ar reglas sena n sibles a par´ metros externos. J. .5 9-13 13.5 9-13 13. simula la decisi´ n de un experto resolviendo de forma satisfactoria o la alta ambig¨ edad del problema objeto del art´culo. Cuadro 8: Resultados de Desplazamiento por Parejas Pareja Ninguna 10/20 . Mery.8 -0. Adicionalmente.5-15.5-26. A. en el Cuadro 8 se tiene los resultados del sistema difuso luego de desplazar por parejas los conjuntos difusos contiguos. pages 2738 – 2741.5 27-46 6-8.5-46 6-8. Betancur.5-26.5 9-12 12.5 9-13 13.5-26. gracias a la l´ gica difusa o o dicho error puede ser manejado para obtener resultados satisfactorios.International Workshop on Computer Vision Applications for Developing countries. definido con anterioridad en la secci´ n Codificaci´ n de Conchas de Abanico. El peso estimado a partir de im´ genes meu ı a diante algoritmos de visi´ n computacional poseen un error relativo.8 0..5-17 17.8 -0.5-28 28. debido a que se puede adaptar su comportamiento de manera a minuciosa.5-25 25.5 10-13 13. Erana. El elevado grado de tasa de error obtenido para c´ digos con intervalos relativamente grandes ser´ motivo de investigao a ciones futuras.5 27-46 6-8. demostrando ser menor al tiempo de codificado manual de cada molusco. (2008).5-17 17.

and Brosnan. J. Santamaria.Elsevier. (2010b). and Sun. Vandeven. Cipriano. 57(1):91 – 95. V. C. M. and Aguilera. Mery. Quality classification of corn tortillas using computer vision. Tests adaptativos utilizando l´ gica difusa. Rossel. (2004)... D. H. Membership functions and probability measures of fuzzy sets. (2003a). Lillo. A. X. C.-W.. Journal of Food Engineering. T. D. XII Congreso Argentino de Cieno cias de la Computaci´ n CACIC 2006.sunat.. Lillo... M. pages 19 – 22. H. Loebel. Mery. D. P. Marino.Elsevier. and Booker. H. and Aguilera. V. Fuzzy inference systems in mr image processing-a review. J. Zadeh. A. X. Yin. D. 101(4):357 – 364. pages 55–60. V. E.. Sun.gob. D. (2010a). Journal of Food Engineering. Journal of Food Engineering. (2003b). Sun. A. Journal of the American Statistical Association . (2010). Journal of Food Engineering. D.. I. SUNAT (2010). Tyystjarvi. Soto. Fuzzy image processing in quality control application. Pizza quality evaluation using computer vision–part 1: Pizza base and sauce spread. Superintendencia nacional de administraci´ n tributaria.. Information and Control .. 99(467):867–877. Cipriano. A. J.. N.. Loebel. E.. (2006). Riffo. D. Du. o Singpurwalla. R. S. Soto. Riffo. 2010 Fourth Pacific-Rim Symposium on Image and Video Technology .. J.Codrea. and Brosnan. (2011).IEEE. (2004). (2006). M. V. and Aguilera.IEEE. A. M. 105(3):485 – 492. W. M. Soto.. (1965). and Valcke.-W.. 18(2):157 – 174.. Classifying apples by the means of fluorescence imaging.. Pizza quality evaluation using computer vision–part 2: Pizza topping analysis... Learning techniques used in computer vision for food quality evaluation: a review. Automated fish bone detection using x-ray imaging. Pastoriza. M. International Journal of Pattern Recognition and Artificial Intelligence. I. I. (2005). A. 72(1):39 – 55. Proceedings of the Sixth International Conference on Computational Intelligence and Multimedia Applications.. N. Automated fish bone detection using x-ray imaging.-J. 8:338 – 353. Fuzzy sets.. Cipriano.-W. 57(1):81 – 89. and Jia. Mery. O. G. o http://www. International conference on Bioinformatics and Biomedical Technology . pages 46 – 51. and Martinez. L.. Riffo. Journal of Food Engineering. Loebel. . T..pe/. M. Lillo.