Sistema de clasificación por visión artificial de mangos tipo Tommy y herramientas de diseño gráfico para la obtención d

[TamyChacon]

Sistema de clasificación por visión artificial de mangos tipo Tommy y herramientas de diseño gráfico para la obtención de imágenes de muestras de alimentos segmentadas y promediadas en coordenadas CIE-L*A*B*

Se busca implementar un sistema de visión artificial para la clasificación de mangos tipo Tommy determinando la calidad del producto según sus características físicas, el artículo también menciona los métodos de segmentación y reconocimiento para el procesamiento de imágenes, clasificación y posterior toma de decisiones.
En el hardware necesario para el sistema de visión artificial considera: cámara, procesador de datos (PC), la banda transportadora, y el mecanismo de selección

En el software:
- algoritmo secuencial
- la red de decisión (parámetros de selección tamaño y color del mango)

Para la selección se clasifica según sus colores (rojo, verde, amarillo) y tamaño (pequeño, óptimo) la estructura de programación es la siguiente:
- Adquisición: los factores a tomar en cuenta son la cámara y el tipo de iluminación; en este último se debe evitar reflejos e iluminación del entorno; la cámara se configura con el código contenido en el archivo M-file, el formato a usar es el RGB y con un tamaño de imagen de (640x480) pixeles
- Para el pre-procesamiento de la imagen se utiliza las siguientes funciones: im2bw, rgb2gra, strel, edge, imdilate, imfill, imerode, incrop
- Para la adquisición de variable se utiliza las siguientes funciones: regionprops, improfile, inhist, bwlabel, bwbowndarles
- Para la clasificación de color y tamaño, como tenemos los colores RGB en valores porcentuales, debemos adicionar los pesos
- En la deducción de resultados se muestra la cantidad de mangos identificados en la imagen, el tamaño, color predominante y el porcentaje de color RGB

Red de decisiones:
La toma de decisiones se hace a partir del modelo RGB, a partir de las capas de colores de la imagen se generan matrices y se le asignan los pesos a cada porcentaje de color.
Luego se hacen secuencias lógicas excluyentes, por ejemplo: si cumple con que el color predominante es rojo, el mango deberá ser aceptado.

Resultados:
Se tomó como ejemplo una imagen en la que se tenían mangos asignados a cada clase, por lo que al que tenía en su mayoría el color amarillo se le etiquetó como Y, al que tenía verde como G y en el que predominaba el rojo se etiquetó como R.

Para demarcar la frontera de los 3 mangos se utilizó los métodos de dilatación y erosión sobre la imagen en su formato binario, generándose en el software rectángulos enmarcando cada mango, posteriormente se hizo una correcciónd el ruido para corregir detalles como sombras o puntos negros en la imagen.

Se hizo uso de histogramas para cada capa de color de cada mango, de este modo se puede visualizar de una mejor forma los niveles de color, la concentración, llevando a escala de grises las imágenes de los mangos.

Posteriormente se hizo análisis de las imágenes y comprobar si efectivamente la clasificación que el programa hizo sobre los mangos es correcta según los criterios de decisión predefinidos.
En este artículo se busca obtener imágenes uniformes de varias muestras de alimentos, este paso es crucial a la hora de implementar un sistema de visión computarizada para la inspección de calidad de los alimentos basados en características físicas.

Para integrar el hardware y software de edición de imágenes se hizo diferentes ensayos variando tanto el hardware, como indicadores, funciones en el software de diseño gráfico, se implementó técnicas de segmentación por regiones y promediado para así obtener una buena imagen para una posterior toma de decisiones.

En el mercado hay instrumentos colorímetros pero son muy caros, además no realizan segmentación ni clasificación de las imágenes; por ejemplo tenemos los colorímetros Hunter, colorímetros Lovibond®, colorímetro Minolta, los espectrofotómetros, los cuales ofrecen mayor exactitud, Los atlas de color Munsell, tarjetas de color Roche®; sin embargo el sistema de visión, basado en una cámara 3CCD, es un buen instrumento para efectuar medidas de diferencia de color entre 2 muestras próximas; las cámaras digitales, en los últimos años están siendo cada vez más utilizadas en trabajos de visión computarizada debido a que son más baratas y con buenos resultados.

En el artículo nos habla sobre el espacio de color RGB y cómo transformarlo a CIE L*, a* y b*, ya que este último es más apropiado para la representación del color de superficies o materiales curvos iluminados por una fuente de luz.

Se hizo un ensayo con 2 modelos de cámaras digitales CCD, los cuales son E427 y M22; al finalizar se seleccionó la cámara modelo M22 por presentar el mejor enfoque sobre texto, en imágenes de 0,2 megapíxeles a una distancia de 35 cm.
Luego se hizo ensayos con respecto a la iluminación, el área a ser fotografiada, el fondo, la distancia al objeto, ángulos, etc.
Posteriormente se procesó la imagen y se segmentó, es este último paso para discriminar burbujas de aire, cavidades, nervios, venas, manchas negras, se realizó una segmentación por regiones para subdividir las imágenes en zona paraxial.
Para comparar los resultados obtenidos se utilizó la guía de color PANTONE solid matte como referencia.
Luego se pidió a dos observadores que compararan las imágenes promediadas con sus respectivas apreciaciones utilizando la misma herramienta de referencia, el PANTONE.
Se puede notar que en los valores de las coordenadas de las imágenes promediadas, existen coincidencias con las apreciaciones de los observadores, pero en otras hubo diferencias, las cuales eran algo ligeras en su mayoría, se concluyó que esto fue consecuencia de las diferencias en la visión de color entre los observadores por causas biológicas.


Conclusiones
• Actualmente podemos encontrar dispositivos de resonancia magnética, de tomografía axial, rayos X los cuales nos permiten hacer una inspección interna de los alimentos; sin embargo por ahora son muy costosos y requieren de mayor investigación
• Gracias a la visión artificial podemos hacer un seguimiento de calidad a productos alimenticios, en este caso el mango, optimizan de en recursos como mano de obra, tiempo.
• El procesamiento de imágenes, es más rápido cuando se maneja un solo valor que cuantifica a cada color RGBen vez de procesar matrices que consumen grandes recursos para el manejo de la información
• Los histogramas nos dan una idea de cuál es el color predominante, pero no podemos tomar una decisión solo en base a estos, es por ello que se implementa una red de decisión que tiene en cuenta otras características como el tamaño del mango.
• La utilización de las cámaras digitales es una muy buena opción a la hora de realizar trabajos de visión computarizada, debido a su bajo costo, posibilidad de configuración y calidad.
• Cada espacio de trabajo es diferente, varios factores pueden influir en la obtención del resultado final, como los materiales que tengamos disponibles, intensidad de luz, el entorno del trabajo; por lo que es necesario volver a realizar todas las pruebas que hizo el autor del artículo hasta encontrar la que mejores resultados nos dé.
• El sistema de visión computarizada y herramientas de diseño gráfico se puede implementar para determinar características físicas de calidad en muestras de alimentos.
• Esta técnica es buena para la obtención del color promedio en muestras de alimentos uniformes y no uniformes
• Este artículo puede ser tomado de referencia a la hora de implementar un SVC para la determinación de características físicas de calidad en muestras de alimentos

Referencias
Artículo 1: https://www.researchgate.net/publicatio ... tipo_Tommy
Artículo 2: https://www.researchgate.net/publicatio ... as_CIE-LAB