capitulo i v resultados de la investigaciÓn
Post on 27-Nov-2021
6 Views
Preview:
TRANSCRIPT
79
CAPITULO IV
RESULTADOS DE LA INVESTIGACIÓN
Los resultados de la investigación están dados por el desarrollo de las
fases de la metodología propuesta por Illidge (2011), estableciendo una
secuencia de actividades para el lograr el objetivo general de esta
investigación.
1 Análisis de Requerimientos.
Un problema reconocido por todos los agentes vinculados al cultivo,
comercialización y exportación de uchuva, consiste en la necesidad de elevar
el nivel tecnológico, para disminuir los costos de producción, mediante la
optimización de los procesos; lo anterior estaría entre otros factores,
encaminado a posibilitar el cumplimiento de los estándares internacionales
de admisibilidad, a través de la correcta clasificación de frutos y la reducción
de residuos tóxicos.
El único factor a favor ha sido la calidad innata del producto, ya que al
igual que muchos de los productos hortofrutícolas del país, las restricciones
en cuanto a cantidad, presentación y continuidad, se han constituido en el
principal cuello de botella.
80
La ausencia de la tecnología apropiada en los procesos de acondicionamiento
que garanticen la entrega de un producto de excelente calidad a precios justos y
en el volumen y momento que se requiere ha conllevado a la pérdida del mercado
frente a otros países en la exportación de uchuva.
Desarrollando un prototipo de sistema de visión artificial para la clasificación
de uchuva basado en forma y color según las normas de calidad vigentes para su
exportación, utilizando técnicas de procesamiento de imágenes y redes
neuronales, se estaría fortaleciendo tecnológicamente las empresas
hortofrutícolas en los procesos de clasificación garantizando la entrega de un
producto de excelente calidad a precios justos y en el volumen y momento
necesarios para ganar espacio en los mercados internacionales.
1.1 Caracterización.
Las normas vigentes referentes a la calidad de la uchuva de exportación son
la NTC 4580y la Codex Stan 226, los cuales definen las siguientes características
para las mismas. Estas Normas se aplican a las variedades comerciales de
uchuvas obtenidas de Physalis peruviana, de la familia Solanaceae, que habrán
de suministrarse frescas al consumidor, después de su acondicionamiento y
envasado. Se excluyen las uchuvas destinadas a la elaboración industrial
Las uchuvas se clasifican en tres categorías según las disposiciones de
calidad definidas en las normas, Categoría “Extra”, Categoría I y Categoría II,
especificando características para poder llevar acabo dicha tarea, madurez,
81
tamaño y color. En esta investigación se hará énfasis en la clasificación según la
forma y el color de los frutos.
Las características de forma definidas por las normas son:
• La integridad del fruto.
• El calibre
La integridad del fruto refiere la necesidad de que el fruto este completo y con
una apariencia uniforme. El calibre esta determinado por el diámetro máximo de la
sección ecuatorial del fruto, definiendo cinco(5) categorías en la norma NTC 4580
y cuatro(4) en la codec stan 226, según el diámetro del mismo, definidas en esta
tabla:
Tabla N°2 Diámetros según código de calibres
NTC 4580
82
Tabla N°3 Diámetros según código de calibres
Codex Stan 226
En cada envase se permitirán tolerancias de calidad ,calibre y color para los
productos que no satisfagan los requisitos de la categoría indicada. La tolerancia
en el calibre y en color para todas las categorías se acepta hasta el 10 % en
número o en peso de frutos que correspondan al calibre o color inmediatamente
inferior o superior, al señalado en el empaque.
La madurez de las uchuvas puede evaluarse visualmente según su coloración
externa, que varía de verde a naranja a medida que madura el fruto. Su condición
puede confirmarse determinando el contenido total de sólidos solubles:
• La variación en la coloración del cáliz no indica la madurez del fruto.
• El contenido de sustancias solubles deberá ser por lo menos de 14,0º
Brix.
Grafico N°1 Características del fruto en diferentes estados de madurez
83
Norma NTC 4580
Tabla N°1 Características del fruto en diferentes estados de madurez
Estado Aspecto externo del Fruto °Brix Mínimo
% de Ácido cítrico
Índice de Madurez °Brix/%ácido
Cero Fisiológicamente desarrollado color verde oscuro. 9,4 2,69 3,5
Uno Color verde un poco más claro 11,4 2,7 4,2
Dos
Color verde se manifiesta en las zonas cercanas al cáliz y hacia el centro del fruto aparecen unas tonalidades anaranjadas
13,2 2,56 5,2
Tres Color anaranjado claro con visos verdes hacia la zona del cáliz 14,1 2,34 6
Cuatro Color anaranjado claro 14,5 2,03 7,1 Cinco Color anaranjado 14,8 1,83 8,1 Seis Color anaranjado intenso 15,1 1,68 9
Norma NTC 4580.
84
2 Diseño del sistema.
El desarrollo de la tecnología y el aumento de la competencia en el sector
industrial, han llevado a las empresas a reestructurarse y perfeccionarse
optimizando sus procesos por medio de la automatización basada en el
computador. La inteligencia artificial es parte de la informática avanzada que
intenta aproximar algunas de las capacidades del cerebro humano, entre ellas la
visión.
En este trabajo se implementa un sistema de clasificación automática de
colores, tamaños y formas, el cual permitirá clasificar uchuva según las normas de
calidad vigentes para su exportación. El problema se aborda mediante técnicas de
procesamiento de imágenes y redes neuronales.
Esquema general del proceso.
Illidge 2011.
85
Para alcanzar el objetivo propuesto, se plantea un esquema general del
proceso, identificando tres grandes subprocesos todos ellos sustentados sobre
una base de conocimiento común que los integra.
• Procesamiento a Bajo Nivel.
• Procesamiento a Medio Nivel.
• Procesamiento a Alto Nivel.
3 Diseño del Programa y Codificación
3.1 Procesamiento a Bajo Nivel.
Esta primera etapa está caracterizada por desarrollar la adquisición de
imágenes y el pre-procesamiento de las mismas, la adquisición de la imagen es el
conjunto de operaciones que se realizan para transformar la iluminación de una
escena en una señal digital, esto por medio de una cámara digital. La imágenes
adquiridas no siempre se presentan en un formato adecuado para su análisis, por
lo que el siguiente paso es el pre-procesamiento de la imagen, en el cual se
utilizan técnicas que permitan mejorar la imagen adquirida, como son el
redimensionamiento, conversión a niveles de gris, umbralización y eliminación del
fondo y por último el ajuste del contraste.
3.1.1 Adquisición de las imágenes. En este proyecto, el proceso de selección de los frutos utilizados en la
experimentación fue seleccionado de un lote compuesto por aproximadamente
7500 plantas de Physalis peruviana, de la familia Solanaceae, ubicado en la
estación de la empresa Frutireyez.ltda ubicada en las Sabanas de Bogota –
86
Cundinamarca, con condiciones de cultivo representativas de toda la región,
localizado a una altitud de 1800m y 2800m, con una temperatura promedio de
13ºC y 15ºC una humedad relativa del 70% y 80%. De las 7500 plantas, se
seleccionó el 23.3%, del cual se desprendieron semanalmente 100 frutos, a partir
de la semana 39 después de la floración de más del 60% de las plantas y hasta la
semana 42. Se tomaron 100 imágenes de dichos frutos.
Como el interés en este trabajo es la clasificación de los frutos, en la
adquisición se fotografió un fruto por imagen. Sin embargo, se intentó realizar la
clasificación a partir de imágenes con muchos frutos y condiciones de iluminación
menos controladas, pero no se logró un resultado significativo durante los
procesos de tratamiento de las imágenes.
En cuanto al sistema de iluminación en el diseño de la cámara difusora se
utilizó una lámpara fluorescente de 54 vatios compuesta por 2 iluminadores
anulares o anillos de luz; este dispositivo está diseñado para iluminar circular y
homogéneamente en la misma dirección en que captura la cámara. Los
iluminadores anulares proporcionan una gran intensidad y su forma circular hace
que la luz se extienda de forma uniforme en 360º, evitando cualquier tipo de
sombras. La intensidad de luz proporcionada por la lámpara es suficiente para
adquirir imágenes a un tiempo de obturación pequeño. Se acopló un difusor a la
cámara de iluminación para eliminar reflejos y aumentar el efecto difusor.
El sistema de adquisición implementado está compuesto por una cámara de
video a color (CCD), un computador y una lámpara de luz blanca. Con este
87
sistema se tomaron y almacenaron imágenes que corresponden a la vista superior
de los frutos dispuestos individualmente sobre un fondo. Para variar el sistema de
adquisición se cambió la posición de la iluminación así como el color del fondo. El
número de imágenes usadas en éste estudio fueron 100 por cada una de las
etapas de maduración, es decir se contó con una base de datos de 300 imágenes
de tamaño 2688x2016 píxeles con una resolución de 24 bits por píxel
almacenadas en formato JPEG.
3.1.2 Pre-Procesamiento: En la etapa de pre-procesamiento de imágenes se utilizó el programa de
cómputo Matlab ®, para llevar a cabo los procesos involucrados en durante el
mismo. Los procesos inmersos en este proceso son los siguientes:
• Redimensionamiento
• Conversión a niveles de gris
• Umbralización y eliminación del fondo
• Ajuste del contraste
Procesos descritos mediante un diagrama de flujo con el código implícito en
sus módulos en el siguiente gráfico:
88
Esquema de Pre-procesamiento
Illidge 2011
Dando como resultado un conjunto de datos representados en una matriz
tridimensional con la información necesaria para alimentar el siguiente nivel.
89
3.2 Procesamiento a medio nivel:
Este nivel se caracteriza porque su entrada es una imagen, pero su salida es u
conjunto de atributos extraídos de dicha imagen. En este proceso se realizará una
agrupación de regiones de la imagen a partir de su máscara binaria y a través de
propiedades básicas como: área, número de Euler y el mínimo rectángulo que
envuelve la figura para así etiquetar y definir una región especifica dentro de la
imagen para luego extraer sus características de forma y color.
Procesamiento a Medio Nivel
Illidge 2011
90
3.2.1 Segmentación y Extracción de Características
El proceso de búsqueda de los algoritmos de segmentación implicó una
investigación en Internet, sobre la cual se eligieron documentos procedentes de
diferentes grupos de investigación de diversos temas. Muchos de estos
documentos no fueron tenidos en cuenta debido a que no fueron publicados a la
comunidad científica a través de papers o que no presentaban una referencia
sobre autores, origen o fecha en la que los proyectos fueron desarrollados.
En esta etapa luego de ajustar el contraste de la imagen sin fondo del fruto, se
procede a realizar una caracterización morfométrica del fruto tomando una medida
axial lo más perpendicular posible respecto al pedúnculo del mismo, esta
operación representa una aproximación para determinar el diámetro de la fruta.
Illidge 2011.
91
Illidge 2011
Luego de esta operación sigue una aproximación del área del fruto utilizando
la imagen binarizada para facilitar el cálculo en Matlab ®. Ahora se procede a
realizar un filtro de color en formato HSV, para identificar posibles áreas dañadas
en la fruto en base a un cálculo entre sus componentes de saturación y brillo,
luego de realizar los procesos umbralización y binarización, esta se multiplica por
su imagen original en formato RGB y se recupera una imagen de color filtrando las
áreas más claras y saturadas, permitiendo reflejar solo los sectores más
uniformemente oscuros de la misma.
Illidge 2011
92
Illidge 2011
En cuanto a la captura del color del fruto, esta se hizo tomando las
componentes RGB de la imagen sin fondo y promediándolas por separado,
obteniendo así una combinación RGB única de cada fruto en la cual se ve
reflejada de forma eficaz una medida del color uniformemente distribuido de la
fruta, teniendo en cuenta en esta las posibles magulladuras, contusiones y demás
anormalidades externas que esta pueda tener.
Illidge 2011
93
3.3 Procesamiento de Alto Nivel
El procesamiento de alto nivel busca encontrar una interpretación sólida de las
características obtenidas mediante los procesos de visión de bajo y medio nivel.
Visión de alto nivel tiene que ver, fundamentalmente, con reconocimiento. Es
decir, con hacer una correspondencia de la representación del mundo con la
información sensorial obtenida por medio del sistema de visión artificial.
Illidge 2011
En el desarrollo de esta investigación se utilizó la inteligencia artificial como
herramienta de inferencia y clasificación de los resultados obtenidos de los
procesos anteriores. Para ello se usó la red neuronal ART2 desarrollada en 1986
por Stephen Grossberg y Gail Carpenter. Este es un modelo ligero en código y
94
que resuelve el dilema de plasticidad y estabilidad de todos los modelos de
inteligencia artificial pero verdadera ventaja de las redes ART frente a otros
modelos, es el poder aprender nueva información sin olvidar cosas que se hayan
aprendido en el pasado. Cuando a la red se le presenta un patrón de entrada este
se hace resonar con los prototipos de las categorías conocidas por la red, si el
patrón entra en resonancia con alguna clase entonces es asociado a esta y el
centro de cluster es desplazado ligeramente para adaptarse mejor al nuevo patrón
que le ha sido asignado.
En caso contrario, si el patrón no entra en resonancia con ninguna clase,
pueden suceder dos cosas: si la red posee una capa de salida estática entrará en
saturación pues no puede crear una nueva clase para el patrón presentado pero
tampoco puede asignarlo a una clase existente, si la red posee una capa de salida
dinámica se creará una nueva clase para dicho patrón, esto no afectará a las
clases ya existentes.
3.3.1 Reconocimiento e interpretación: La arquitectura necesaria para la implementación de la red ART2 es propia de
Carpenter, Grossberg (1991) y adaptada al problema en cuestión. La codificación
de la misma se hizo en Matlab ® siguiendo las indicaciones dadas por Carpenter,
Grossberg (1991) e Hilera (2000) a cerca de la implementación de este tipo de
redes neuronales. La red neuronal utilizada para esta investigación se diseñó con
seis (6) neuronas de entrada correspondientes a los parámetros de forma y color
del fruto obtenidos de la imagen, luego dos (2) capas internas propias de la
arquitectura de la red ART2 que son el sistema de atención y el sistema de
95
orientación, por ultimo tres (3) neuronas de salida fijas correspondientes a cada
una de las clases de fruto.
Arquitectura implementada de la red ART2
Illidge 2011
El algoritmo que se aplicó en la arquitectura anterior se describe a
continuación:
1. Se da un valor inicial igual al vector nulo a las salidas de todas las
capas y subcapas, y se da el valor uno a un contador de ciclos.
2. Se aplica una trama de entrada, I, a la capa w de F1. La salida de esta
capa es:
iii auIw +=
96
3. Se hace una propagación hacia delante, hasta la subcapa x.
wew
x ii +
=
4. Se hace propagación hacia adelante, hasta la capa v.
)()( iii qbfxfv +=
5. Se hace una propagación hasta la subcapa u.
vev
u ii +
=
6. Se hace propagación hasta la subcapa p
jij
iii zygup ∑+= )(
7. Se hace una propagación hasta la subcapa q.
pep
q ii +
=
8. Se repiten los pasos 2 al 7 cuantas veces sea necesario para estabilizar
los valores de F1.
9. Calcular la salida de la capa r.
|||||||| cpucpu
r iii +
+=
10. Se determina si está indicada una restauración. Si ρ/(e+||r||)>1,
entonces de envía una señal de restauración a F2. Se marcan todos los
posibles nodos activos de F2 como no aptos para la competición, se
vuelve a poner a 1 el contador de ciclos, y se vuelve al paso 2. Si no
hay restauración, y el contador de ciclos está a 1, se incrementa el
97
contador de ciclos y se sigue con el paso 11. Si no hay restauración
pero en contador de ciclos es mayor que 1, se salta hasta el paso 14,
puesto que se ha establecido la resonancia.
11. Se propaga la salida de la capa p hasta la capa F2. Se calculan las
entradas netas a F2
∑=
=1i
jiij zpT
12. Sólo el nodo ganador de F2 tiene la salida no nula
{ }
∀=
=contrariocasoen
kTmaxTdTg
kk
j
j0
)(
13. Se repiten todos los pasos del 6 al 10.
14. Se modifican los pesos ascendentes de la unidad ganadora de F2.
du
z iJi −
=1
15. Se modifican los pesos descendentes de provienen de la unidad
ganadora de F2.
du
z iiJ −
=1
16. Se elimina el vector de entrada. Se restauran todas las unidades
inactivas de F2. Se vuelve al paso 1 con una nueva trama de entrada.
Con el objetivo de realizar una adecuada sintonización de la red neuronal y así
lograr una interpretación eficaz de los resultados, durante la etapa de prueba las
neuronas de la capa de salida no fueron limitadas en cuando al tamaño del vector
de salida, permitiendo así la creación de todas las posibles clases (neuronas de
98
salida) y luego de sintonizarla proceder con la presentación de un grupo de
imágenes previamente clasificadas de manera descendiente siendo las primeras
representantes de la clase A y las últimas representantes de la clase C,
almacenando los pesos de conexión para usarlos como información previa para
red neuronal y lograr así una clasificación eficaz. De la misma manera se
especificó que las neuronas de salida quedarían clasificadas de forma
descendiente siendo la primera neurona la representante de la clase A y la tercera
y última neurona la representante de la clase C, y lograr así una adecuada
interpretación de los resultados obtenidos.
4 Depuración del Software y acondicionamiento de la red.
Durante la implementación del algoritmo y basados en las recomendaciones
hechas por Hilera (2000), se realizaron pruebas preliminares para sintonizar el
parámetro de vigilancia de la red neuronal, para ello se realizaron ensayos con un
conjunto de imágenes preseleccionadas de entre todas las imágenes tomadas, las
cuales le fueron presentadas a la red en orden descendente según su clase. Con
estos modelos base se inició el proceso de ajuste del código utilizando una tabla
de datos de entrada contra resultados como ins trumento de calibración y ajuste.
Luego sin guardar en la red neuronal el registro de los pesos de conexión del
proceso anterior, se realizaron los ajustes del parámetro de vigilancia y se
procedió a presentarle un conjunto aleatorio de imágenes de frutos de uchuva
para verificar el grado de acierto de misma y continuar realizando los ajustes
necesarios en dicho parámetro.
99
Tabla instrumento de calibración y ajuste de la red neuronal ART2.
Iteración Re Ro Neu Gana
Veces Neu G
Neu que
Repre
N° de Imagen
Diámetro Área Daños Red Green Blue Color
1 746,8209271 60 1 1 1 1 104 121,67 56,09 216,2890734 167,7439776 87,027876 56 41,13191681 220 2 2 2 36 170 257,58 51,85 136,9496338 109,5824561 39,38618677 3 32,87990383 60 1 1 1 3 105 117,69 62,16 197,8754887 159,4237634 84,33741288
Illidge 2010
En la tabla anterior se ilustra la manera en que fueron ordenados los
resultados para realizar los ajustes al código, allí se contrastan los resultados de
todos los ejemplos presentados a la red neuronal, caracterizando parámetros de la
red neuronal como los son la iteración, el Re (relación de semejanza), Ro
(parámetro de vigilancia), Neu Gana (neurona ganadora), Veces Neu Gana
(número de veces que ha ganado dicha neurona), Neu que Repre (neurona que
representa el patrón de entrada), N° de Imagen (número que representa la
imagen), Diámetro (diámetro en pixeles de la fruta), Área (promedio del área de la
fruta), Daños (promedio del área dañada de la fruta).
Las pequeñas variaciones en los factores propios de la captura de la imagen
como el tamaño en pixeles de la imagen, la iluminación y la distancia focal, fueron
un factor determinante a la hora de aplicar los respectivos algoritmos en
procesamiento y clasificación de las imágenes. Estas variaciones ocasionaron
cambios en las neuronas de entrada a la red neuronal identificando que la red
neuronal ART2 es muy sensible a la cantidad de neuronas de entradas así como
al rango de sus valores de entrada y a la distancia aritmética entre ellos,
aumentando la complejidad en la determinación de las características de dichos
100
valores de entrada en cuanto a cantidad, rango y distancia aritmética, caso no
abordado por ninguno de los autores que fueron consultados.
Producto de estos ensayos surgió la necesidad no solo de sintonizar la red
neural, también se realizaron ajustes a los parámetros de entrada de la misma, así
que fue necesario efectuar cambios tanto a los procesos de bajo nivel
comprendidos en la adquisición y pre-procesamiento como a los de medio nivel en
la segmentación y extracción de características. Modificando así desde el color del
fondo hasta los parámetros referentes a la distancia y posición de la iluminación, la
distancia focal y cantidad de pixeles de cada una de las imágenes, también en el
proceso de segmentación y extracción de características se optimizo el código en
función al tiempo de respuesta y a la calidad de sus operaciones, esperando
obtener una respuesta cada vez mejor del sistema de clasificación.
5 Pruebas finales
En esta etapa del proceso la red fue probada con dos (2) conjuntos de ciento
cuatro (104) imágenes de clases aleatorias, variando el tamaño en pixeles de la
imagen, la iluminación y la distancia focal, ajustando a su vez el parámetro de
vigilancia para trabajar en cada conjunto . Un primer grupo estaba compuesto por
imágenes tomadas basadas en la siguiente configuración:
• Tamaño en pixeles de la imagen: 2688 x 2016
• Iluminación: luz blanca puntual, detrás de la cámara
• Distancia focal: 25cm
101
Se registró la eficacia del sistema utilizando la primera configuración a partir
del levantamiento de información pertinente con la tabla de datos planteada
durante la depuración del software y con la verificación visual de los mismos,
obteniendo los siguientes resultados:
• Respecto a la forma del fruto la precisión del sistema fue del 89,93%
con respecto a una muestra de diecinueve (19) imágenes aleatorias de
entre las ciento cuatro (104) imágenes de fruto utilizadas para esta
prueba. Para la muestra se tomó una medida manual y se comparó con
los resultados del sistema entregados en el instrumento se hizo la
siguiente tabla:
Tabla N° 1 Porcentaje de acierto del sistema al medir el diametro
Iteración N° de Imagen
Diámetro Aprox (mm) % de Acierto Manual Visión Art
1 24 29 26,1 90,00% 2 68 27 23,6 87,41% 3 33 26 24 92,31% 4 63 28 25 89,29% 5 102 24 21,2 88,33% 6 100 22 19,9 90,45% 7 101 22 19,5 88,64% 8 99 21 18,3 87,14% 9 105 29 23,4 80,69%
10 64 26 23,3 89,62% 11 94 27 23 85,19% 12 97 28 25,9 92,50% 13 21 25 23,6 94,40% 14 16 24 23 95,83% 15 88 23 21,5 93,48% 16 72 27 24,7 91,48% 17 67 26 24,8 95,38% 18 40 25 23,4 93,60% 19 96 21 17,4 82,86%
102
Porcentaje total de acierto 89,93% Illidge (2011)
• Con respecto al color, cabe anotar que ni la norma internacional Codex
Stan 221-2001 ni la norma NTC 4580 referencian el color del fruto con
respecto a un modelo o espacio estándar de color, utilizando sus
respectivos códigos o nombres; para ello a cambio solo utilizan una
valoración subjetiva del mismo respecto de una imagen de sus estados
de maduración. En esta aplicación se utilizó el modelo de color RGB
para interpretar la componente de color de la fruta, debiendo ordenar
previamente las imágenes y clasificarlas manualmente para entrenar a
la red neuronal antes de que ella inicie su proceso autónomo de
clasificación de imágenes aleatorias. Como resultado se obtuvieron los
siguientes datos:
Tabla N° 1 Refencia de color obtenida a partir del sistema.
Iteración N° de
Imagen Red Green Blue Color
1 24 216,1770387 207,7758777 114,8451173
70 90 187,2887408 150,3695538 95,40976849
48 56 115,4269022 118,2341201 51,06612681
103 52 17,19487179 15,31342947 8,452232847
28 31 160,1649503 153,6902685 89,59472777
43 35 126,6491253 127,2619327 44,8907936
39 9 151,9839039 135,5929014 50,27439997
23 18 181,86426 157,1789913 60,85821944
37 8 154,8156932 138,1484459 47,88995283
42 79 152,523286 131,252264 47,11518597
25 92 181,5307803 152,0858743 88,34093208
33 46 140,5810601 147,3670281 80,11464788
30 65 153,0004574 151,2051155 87,53350897
103
19 96 180,5485855 161,4347282 95,51882275
12 97 174,3289474 171,3220515 88,97072609
73 55 125,9668705 129,3255785 56,22319502
80 89 123,8986641 103,9424665 71,89424951
60 111 98,1105514 91,03779921 51,54563398
40 114 143,0513149 132,365032 54,13740491
81 58 92,24479697 102,3001481 35,78902891
102 43 39,74582512 27,06834846 20,16580817
95 86 57,31396944 51,33132071 27,51947568
45 71 113,7359808 125,2388091 69,01624805
16 72 172,0017212 161,8395009 91,53850183
88 42 86,34961223 64,78615977 29,20218824
91 76 55,40708308 46,75502545 30,50930505
50 23 134,2937549 117,3094842 76,90557959
Illidge (2011)
El segundo grupo estaba compuesto por imágenes tomadas a otra muestra de
frutos en un estado de maduración distinto, estas imágenes estuvieron basadas en
la siguiente configuración:
• Tamaño en pixeles de la imagen: 4752 x 3168
• Iluminación: lámpara circular fluorescente , detrás de la cámara
• Distancia focal: 17cm
Se registró la eficacia del sistema utilizando la segunda configuración a partir
del levantamiento de información pertinente con la tabla de datos planteada
durante la depuración del software y con la verificación visual de los mismos,
obteniendo los siguientes resultados:
• Respecto a la forma del fruto la precisión del sistema fue del 90,66%
con respecto a una muestra de diecinueve (19) imágenes aleatorias de
104
entre las ciento cuatro (104) imágenes de fruto utilizadas para esta
prueba.
Tabla N° 1 Porcentaje de acierto del sistema al medir el diametro
Iteración N° de Imagen
Diámetro Aprox (mm) % de Acierto Manual Visión Art
1 24 21 20,8 99,05% 2 68 22 20,1 91,36% 3 33 20 18,8 94,00% 4 63 21 19,2 91,43% 5 102 20 17 85,00% 6 100 23 18,7 81,30% 7 101 22 18,7 85,00% 8 99 23 20,7 90,00% 9 105 25 20,9 83,60%
10 64 21 18,9 90,00% 11 94 22 21,1 95,91% 12 97 20 18,4 92,00% 13 21 17 15,6 91,76% 14 16 16 15,9 99,38% 15 88 22 19,9 90,45% 16 72 21 19,7 93,81% 17 67 23 21,8 94,78% 18 40 23 20,6 89,57% 19 96 22 18,5 84,09% Porcentaje total de acierto 90,66%
Illidge (2011).
• Con respecto al color, en esta aplicación se utilizó el modelo de color
RGB para interpretar la componente de color de la fruta, debiendo
ordenar previamente las imágenes y clasificarlas manualmente para
entrenar a la red neuronal antes de que ella inicie su proceso autónomo
105
de clasificación de imágenes aleatorias. Como resultado se obtuvieron
los siguientes datos:
Tabla N° 1 Refencia de color obtenida a partir del sistema.
Iteración N° de Imagen
Red Green Blue Color
1 27 194,6298797 152,7640624 75,14558202
70 28 195,572025 156,3902033 76,105451
48 29 202,3922085 163,3616886 82,46690339
103 30 198,6271142 156,4871314 83,4075665
28 31 202,8767815 162,7033287 89,26654318
43 32 192,5931356 149,275958 80,14018129
39 33 204,048628 154,370623 83,4465989
23 34 196,3666097 144,9559333 75,62850869
37 35 199,0646415 147,3805001 77,56910243
42 36 187,6337488 139,7942876 72,84941584
25 37 190,4878437 149,0858899 80,67419917
33 38 190,4379872 151,489245 84,74610602
30 39 169,6823805 129,0392547 73,61379939
19 40 189,0586267 147,4170994 86,95655405
12 41 170,5469584 128,8336816 72,57975586
73 42 196,9739474 145,4750303 77,24426516
80 43 195,1174461 142,1950633 74,34527485
60 44 192,2020516 137,9605103 69,19912693
40 45 177,0351747 134,5570311 74,75480489
81 46 173,6098053 131,4613265 75,52353687
102 47 181,8101706 140,8082242 80,8394083
95 48 171,8116778 156,0206003 82,83553691
45 49 165,5829534 147,7381765 79,50150965
16 50 174,1720413 154,9397657 85,37705442
88 51 196,9156554 152,5034052 83,36478332
91 52 194,4437638 151,4673516 81,61034998
50 53 189,3833383 145,7146389 78,16200733
Illidge (2011).
En cuanto al tiempo de procesamiento y clasificación del sistema, se
obtuvieron los siguientes datos:
106
Primer grupo de imágenes:
Tabla N° 1 Tiempo de proceso
Cant de Imágenes Tamaño Time Seg Time Min 1 100,0% 2,668787 0,044479785
104 100,0% 80,602640 1,343377338 Illidge (2011).
Segundo grupo de imágenes:
Tabla N° 1 Tiempo de proceso
Cant de Imágenes Tamaño Time Seg Time Min 1 100,0% 8,568411 0,14280685
104 100,0% 822,382677 13,70637795 Illidge (2011).
top related