universidad de guayaquilrepositorio.ug.edu.ec/bitstream/redug/39877/1/b-cisc-ptg...certificado de...

UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES

DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN

VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO

PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE

IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE

REDES NEURONALES.

PROYECTO DE TITULACIÓN

Previa a la obtención del Título de:

INGENIERO EN SISTEMAS COMPUTACIONALES

AUTOR (ES):

FREDDY ALEX JUANAZO PAUCAR

TUTORA:

ING. IRMA NARANJO PEÑA M.SC.

GUAYAQUIL – ECUADOR

2019

i

REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA

FICHA DE REGISTRO DE TESIS

TÍTULO: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL

RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES

DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE REDES NEURONALES.

AUTOR: Freddy Alex Juanazo Paucar REVISOR: Ing. Alfonso Guijarro Rodríguez, Mgs.

INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Ciencias Matemáticas y Físicas

CARRERA: Ingeniería en Sistemas Computacionales

FECHA DE PUBLICACIÓN: N° DE PÁGS.: 139

ÁREA TEMÁTICA: Redes Neuronales, Procesamiento Digital de Imágenes y Visión Artificial

PALABRAS CLAVES: Android, Matlab, Segmentación, Patrones, Imágenes Digitales y Procesamiento.

RESUMEN: El presente proyecto se enfoca en la simulación de un modelo computacional de medición del tamaño y madurez del

banano, que facilite optimizar el proceso de calibrado de la fruta que se lo realiza manualmente disminuyendo por medio de este

simulador los posibles errores presentes en dicho calibrado. La finalidad de implementar el modelo computacional es proporcionar

un medio tecnológico a las bananeras con el objetivo de sistematizar los procesos, contribuyendo de esta manera a que la persona

encargada de medir el tamaño y madurez del banano pueda simplificar enormemente la precisión al llevar a cabo esta medición de

forma digital. Externamente en el desarrollo se utilizó la herramienta de procesamiento de datos Matlab, siendo un software

matemático que proporciona un ambiente de desarrollo integrado, ayudando a que el proceso de segmentación de imágenes

digitales de banano este sometido a diversas técnicas de segmentación de tal manera se mejora la calidad de la imagen, facilitando

el reconocimiento de patrones que se encuentren en las mismas, además se utilizó el software Android Studio para desarrollar un

aplicativo Android que adquiera muestras del banano eliminando herramientas que miden el tamaño de la fruta manualmente.

Finalmente, la propuesta tecnológica generó como resultado un modelo computacional de calibración capaz de brindar ayuda en la

toma de decisiones, de las personas dedicadas a la producción de banano y cumpliendo con los controles de calidad de exportación.

N° DE REGISTRO(en base de datos): N° DE CLASIFICACIÓN:

DIRECCIÓN URL (tesis en la web):

ADJUNTO PDF SI X NO

CONTACTO CON AUTOR: Teléfono: 0989620249

E-mail:

[email protected]

CONTACTO DE LA INSTITUCIÓN Nombre: Ab. Juan Chávez Atocha. Esp

Teléfono: 2307729

mailto:[email protected]

ii

CARTA DE APROBACIÓN DEL TUTOR

En mi calidad de Tutor del trabajo de titulación DESARROLLO DE UNA

HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL

RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO

PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACIÓN EN

MATLAB MEDIANTE REDES NEURONALES. Elaborado por el Sr. JUANAZO

PAUCAR FREDDY ALEX, Alumno no titulado de la Carrera de Ingeniería en

Sistemas Computacionales de la Facultad de Ciencias Matemáticas y Físicas de

la Universidad de Guayaquil, previo a la obtención del Título de Ingeniero en

Sistemas Computacionales, me permito declarar que luego de haber orientado,

estudiado y revisado, la Apruebo en todas sus partes.

Atentamente


TUTOR

iii

DEDICATORIA Dedico de manera muy especial a mi madre Beatriz Paucar que siempre ha

estado a mi lado apoyándome y corrigiéndome para que sea una persona

de bien y nunca me han dejado de empujar para salir adelante.

A mi padre Freddy Juanazo que con su gran esfuerzo me ha brindado su

apoyo de todas las maneras posibles para poder cumplir este logro.

A mi esposa Andrea y a mis hijas Paula, Sofía y Rafaela que siempre han

estado a mi lado hasta haber podido culminar este largo camino, a las

cuales les sacrifique momentos familiares y supieron entender y apoyarme

puesto que ellos son ahora mi motor para luchar.

Al padre Paul Sanders quien sin conocerme decidió ayudarme en esta

preparación y por su confianza en todo momento.

A mis hermanas Marcia, Stefanie y demás familiares que de alguna manera

también me dieron ánimo y su apoyo en todo momento para que cumpliera

con mi meta.

iv

AGRADECIMIENTO Agradezco a Papito Dios y a Mamita María por ser mi luz en medio de la

tormenta y por darme una gran amiga, mi madre que con sus oraciones y

su fe, no me dejo perder las esperanzas y me dio mucho ánimo en este

camino que ha sido muy largo y dificultoso, hasta haber podido cumplir este

sueño tan anhelado.

Espero que con esta meta cumplida pueda devolverte algo de lo que me

distes sin esperar nada a cambio.

A mi padre que al ser una persona muy fuerte me ha enseñado que con

esfuerzo y sacrificio se puede llegar a cumplir con todo lo que uno se

proponga.

A mi querida esposa por ser una guerrera y una mujer ejemplar que a pesar

que hemos vividos momentos muy difíciles siempre estuvo a mi lado siendo

apoyo incondicional y a mis hijas que por ellas me levanto cada día a seguir

en este camino que no es fácil, pero no imposible.

v

TRIBUNAL PROYECTO DE TITULACIÓN

Ing. Gustavo Ramírez Aguirre, M.Sc. DECANO DE LA FACULTAD CIENCIAS

MATEMÁTICAS Y FÍSICAS

Ing. Inelda Martillo, M.Sc DIRECTOR CARRERA DE INGENIERÍA

EN SISTEMAS COMPUTACIONALES

Ing. Irma Naranjo Peña M.Sc. PROFESOR DIRECTOR DEL


Ing. Alfonso Guijarro Rodríguez Mgs. PROFESOR TUTOR REVISOR DEL


Ab. Juan Chávez A. Esp. SECRETARIO

vi

DECLARACIÓN EXPRESA

“La responsabilidad del contenido de

este Proyecto de Titulación, me

corresponden exclusivamente; y el

patrimonio intelectual de la misma a la

UNIVERSIDAD DE GUAYAQUIL”

JUANAZO PAUCAR FREDDY ALEX

vii


FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS

CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES





REDES NEURONALES.

Proyecto de Titulación que se presenta como requisito para optar por el

título de


AUTOR: JUANAZO PAUCAR FREDDY ALEX

C.I. 0924808223

TUTOR: ING. IRMA NARANJO PEÑA M.SC.

Guayaquil, Abril de 2019

ix

CERTIFICADO DE ACEPTACIÓN DEL TUTOR

En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo

Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de

Guayaquil.

CERTIFICO:

Que he analizado el Proyecto de Titulación presentado por el

estudiante JUANAZO PAUCAR FREDDY ALEX, como requisito previo para optar

por el título de Ingeniero en Sistemas Computacionales cuyo tema es:

DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE REDES NEURONALES. Considero aprobado el trabajo en su totalidad.

Presentado por:

FREDDY ALEX JUANAZO PAUCAR C.I: 0924808223

TUTOR: ING. IRMA NARANJO PEÑA M.SC.

Guayaquil, Abril del 2019

x

UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS


Autorización para Publicación de Proyecto de Titulación en Formato Digital

1. Identificación del Proyecto de Titulación

Nombre del Alumno: Freddy Alex Juanazo Paucar

Dirección: Duran Cdla. Ana María de Olmedo Mz. 47 Solar 5

Teléfono: 0989620249 E-mail: [email protected]

Facultad: Ciencias Matemáticas y Físicas

Carrera: Ingeniería en Sistemas Computacionales

Título al que opta: Ingeniero en Sistemas Computacionales

Profesor guía: Ing. Irma Naranjo Peña M.SC.

2. Autorización de Publicación de Versión Electrónica del Proyecto de

Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la

Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este

Proyecto de titulación.

Publicación electrónica:

Firma Alumno: Freddy Alex Juanazo Paucar

3. Forma de envío:

El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc.

O .RTF y. Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o.TIFF.

DVDROM CDROM

Inmediata X Después de 1 año

Título del Proyecto de Titulación: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE REDES NEURONALES.

Tema del Proyecto de Titulación: Redes Neuronales, Visión Artificial, Procesamiento Digitales de Imágenes, Algoritmos.

mailto:[email protected]

xi

ÍNDICE GENERAL

CARTA DE APROBACIÓN DEL TUTOR .................................................... ii

DEDICATORIA .......................................................................................... iii

AGRADECIMIENTO .................................................................................. iv

TRIBUNAL PROYECTO DE TITULACIÓN .................................................v

CERTIFICADO DE ACEPTACIÓN DEL TUTOR ....................................... ix

ÍNDICE GENERAL ..................................................................................... xi

ÍNDICE DE TABLAS ................................................................................ xiii

ABREVIATURAS ..................................................................................... xvi

INTRODUCCIÓN ....................................................................................... 1

CAPÍTULO I EL PROBLEMA.................................................................... 3

PLANTEAMIENTO DEL PROBLEMA ........................................................ 4

UBICACIÓN DEL PROBLEMA EN UN CONTEXTO ................................. 4

SITUACIÓN CONFLICTO NUDOS CRÍTICOS .......................................... 6

CAUSAS Y CONSECUENCIAS DEL PROBLEMA .................................... 6

OBJETIVOS ............................................................................................... 9

OBJETIVO GENERAL ............................................................................... 9

OBJETIVOS ESPECÍFICOS .................................................................... 10

ALCANCES DEL PROBLEMA ................................................................. 10

JUSTIFICACIÓN E IMPORTANCIA ......................................................... 11

METODOLOGÍA DEL PROYECTO ......................................................... 12

CAPÍTULO II MARCO TEÓRICO ............................................................ 16

ANTECEDENTES DEL ESTUDIO ........................................................... 16

FUNDAMENTACIÓN TEÓRICA .............................................................. 18

FUNDAMENTACIÓN LEGAL ................................................................... 51

HIPÓTESIS O PREGUNTA CIENTÍFICA A CONTESTARSE ................. 56

VARIABLES DE LA INVESTIGACIÓN ..................................................... 57

DEFINICIONES CONCEPTUALES ......................................................... 57

CAPÍTULO III PROPUESTA TECNOLÓGICA ........................................ 60

ANÁLISIS DE FACTIBILIDAD .................................................................. 65

xii

FACTIBILIDAD OPERACIONAL .............................................................. 65

FACTIBILIDAD TÉCNICA ........................................................................ 66

FACTIBILIDAD ECONÓMICA.................................................................. 67

FACTIBILIDAD LEGAL ............................................................................ 68

ETAPAS DE METODOLOGIA DEL PROYECTO .................................... 68

ENTREGABLES DEL PROYECTO ......................................................... 77

CRITERIOS DE VALIDACIÓN DE LA PROPUESTA .............................. 77

CAPÍTULO IV CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O SERVICIO ................................................................................................ 92

CONCLUSIONES .................................................................................... 93

RECOMENDACIONES ............................................................................ 94

BIBLIOGRAFÍA ........................................................................................ 95

ANEXOS .................................................................................................. 97

ANEXO I: FORMATO DE ENCUESTAS REALIZADAS .......................... 98

ANEXO II: MANUAL DE USUARIO ......................................................... 99

ANEXO III: MANUAL TÉCNICO ............................................................ 107

ANEXO IV: CODIGO MATLAB .............................................................. 136

ANEXO V: CARTA DE JUICIO DE EXPERTO ...................................... 139

xiii

ÍNDICE DE TABLAS Tabla No. 1 Causas y Consecuencias del Problema ........................................... 6

Table No. 2 Línea base del caracterizado del banano de exportación ............... 33

Tabla No. 3 Recursos Técnicos Informáticos .................................................... 66

Tabla No. 4 Costos del Proyecto ....................................................................... 67

Tabla No. 5 Presupuesto del Proyecto .............................................................. 67

Table No. 6 Cuadro de Actividades ................................................................... 71

Tabla No. 7 Pregunta 1 ..................................................................................... 80



Tabla No. 10 Pregunta 4 ................................................................................... 83






Tabla No. 16 Pregunta 10 ................................................................................. 89

Tabla No. 17 Criterios de Aceptación del Producto o Servicio ........................... 92

xiv

ÍNDICE DE FIGURAS

Figure No. 1 Imagen en varias matrices de pixeles. .......................................... 21

Figure No. 2 Etapas del procesamiento de imágenes ....................................... 21

Figure No. 3 Operador de Sobel ....................................................................... 23

Figure No. 4 Operador de Robert ..................................................................... 24

Figure No. 5 FILTRO LAPLACIANO ................................................................. 25

Figure No. 6 En la parte superior de la figura se encuentra, resultados al

aplicarle operador de Canny. ............................................................................. 28

Figure No. 7 Imagen en escala de grises, el histograma y la umbralización ..... 29

Figure No. 8 Reglas de K vecinos más cercanos .............................................. 32

Figure No. 9 Toma de datos del muestro de la fruta para medir calibración, largo

de dedos y defectos de la fruta .......................................................................... 36

Figure No. 10 Calibración mínima (40) y máxima (48) de la fruta. .................... 36

Figure No. 11 Longitud no menor a 8 ................................................................ 37

Figure No. 12 Etapas de Maduración del Banano ............................................. 37

Figure No. 13 Banano Verde ............................................................................ 38

Figure No. 14 Banano Pintón ............................................................................ 38

Figure No. 15 Banano Maduro .......................................................................... 39

Figure No. 16 Exportación Mensual del Banano ............................................... 39

Figure No. 17 Reporte estadístico de exportación mensual del banano ............ 40

Figure No. 18 Compañías exportadoras de banano .......................................... 40

Figure No. 19 Comparativo de exportaciones por destino ................................. 41

Figure No. 20 Exportaciones del banano del año 2019 ..................................... 41

Figure No. 21 Precios del Banano .................................................................... 43

Figure No. 22 Redes Neuronales ...................................................................... 45

Figura No. 23 Módulos de OPENCV ................................................................. 49

Figura No. 24 Etapas de OPENCV ................................................................... 49

Figure No. 25 MATLAB ..................................................................................... 50

Figure No. 26 Espacio de colores RGB ............................................................ 58

Figure No. 27 Diagrama Topológico de la Aplicación Móvil Android ................. 62

Figure No. 28 Usabilidad de la APP Android ..................................................... 63

Figure No. 29 Sistema de Red Neuronal .......................................................... 64

Figure No. 30 Metodología de Proyectos de Cascada ...................................... 70

xv

Figure No. 31 Diagrama de Gantt ..................................................................... 71

Figure No. 32 Pantalla de la aplicación móvil Android ...................................... 72

Figure No. 33 Declaración de Variables ............................................................ 73

Figure No. 34 Asignación de Variables ............................................................. 73

Figure No. 35 Función tipo Void ........................................................................ 74

Figure No. 36 Función de características de la imagen..................................... 74

Figure No. 37 Función de Almacenamiento de imagen ..................................... 75

Figure No. 38 Función de Selección de Imagen ............................................... 75

Figure No. 39 Función de Formato de Imagen .................................................. 76

Figure No. 40 Almacenamiento de datos en la base de datos .......................... 76

Figure No. 41 Imágenes almacenadas en el servidor desde la APP Android .... 77

Figure No. 42 Porcentaje de Respuesta de la Pregunta 1 ................................ 80









Figure No. 51 Porcentaje de Respuesta de la Pregunta 10 .............................. 89

Figure No. 52 Procesamiento de Imágenes ...................................................... 90

Figure No. 53 Selección de la imagen original .................................................. 90

Figure No. 54 Recorte de la Imagen ................................................................. 91

Figure No. 55 Banano Aceptado ....................................................................... 91

xvi

ABREVIATURAS UG: Universidad de Guayaquil RN: Redes Neuronales BD: Base de Datos

IA: Inteligencia Artificial

PDI: Procesamiento Digital de Imágenes

TW: Transformada de Watershed

TTH: Transformada Top - Hat

TKM: Transformada de K-Means

TC: Transformada de Canny

TS: Transformada de Sobel

xvii







REDES NEURONALES.

Autor: Freddy Alex Juanazo Paucar

Tutor: Ing. Irma Naranjo Peña

Resumen

El presente proyecto se enfoca en la simulación de un modelo computacional de medición del

tamaño y madurez del banano, que facilite optimizar el proceso de calibrado de la fruta que se lo

realiza manualmente disminuyendo por medio de este simulador los posibles errores presentes en

dicho calibrado. La finalidad de implementar el modelo computacional es proporcionar un medio

tecnológico a las bananeras con el objetivo de sistematizar los procesos, contribuyendo de esta

manera a que la persona encargada de medir el tamaño y madurez del banano pueda simplificar

enormemente la precisión al llevar a cabo esta medición de forma digital. Externamente en el

desarrollo se utilizó la herramienta de procesamiento de datos Matlab, siendo un software

matemático que proporciona un ambiente de desarrollo integrado, ayudando a que el proceso de

segmentación de imágenes digitales de banano este sometido a diversas técnicas de segmentación

de tal manera se mejora la calidad de la imagen, facilitando el reconocimiento de patrones que se

encuentren en las mismas, además se utilizó el software Android Studio para desarrollar un aplicativo

Android que adquiera muestras del banano eliminando herramientas que miden el tamaño de la fruta

manualmente. Finalmente, la propuesta tecnológica generó como resultado un modelo

computacional de calibración capaz de brindar ayuda en la toma de decisiones, de las personas

dedicadas a la producción de banano y cumpliendo con los controles de calidad de exportación.

Palabras Claves: Android, Matlab, Segmentación, Patrones, Imágenes Digitales y Procesamiento.

xviii



DEVELOPMENT OF A COMPUTER TOOL BASED ON ARTIFICIAL

VISION FOR THE RECOGNITION OF THE BANANA FOR EXPORT BY APPLYING PROCESSING OF DIGITAL IMAGES AND ITS SIMULATION

IN MATLAB THROUGH NEURAL NETWORKS.

Autor: Freddy Alex Juanazo Paucar

Tutor: Ing. Irma Naranjo Peña

Abstract

This project focuses on the simulation of a computational model of measuring the size and

maturity of the banana, which facilitates optimizing the process of calibration of the fruit that

is done manually decreasing by means of this simulator possible errors present in that

calibration. The purpose of implementing the computational model is to provide a

technological medium to the banana companies with the objective of systematizing the

processes, contributing in this way to the person in charge of measuring the size and

maturity of the banana can simplify extremely accurate when performing this measurement

in digital form. Externally in the development was used the data processing tool Matlab,

being a mathematical software that provides an environment of integrated development,

helping the process of segmentation of digital images of bananas is subject to Various

techniques of segmentation in such a way improves the quality of the image, facilitating the

recognition of patterns that are in the same, also I used the software Android Studio to

develop an Android application that acquires samples of the Bananas by eliminating tools

that measure fruit size manually. Finally, the technological proposal generated as a result

a computational model of calibration capable of providing assistance in the decision

making, of the people dedicated to the production of bananas and complying with the

controls of quality of export.

Keywords: Android, Matlab, Segmentation, Patterns, Digital Images and Processing.

1

INTRODUCCIÓN

Actualmente las empresas agricultoras han empleado procesos de medición de

frutas de forma manual pero esto ha ido provocando rechazos en las frutas por no

aprobar los controles de calidad. Pero algunas de estas compañías han optado

por implementar sistemas de redes neuronales con el objetivo de mejorar y

mantener en un alto estándar la calidad de dicha fruta.

Las redes neuronales son de vital importancia ya que contribuyen en mejorar

procesos que se los realiza en forma manual digitalizándolo con el objetivo de

optimizar tiempo y recursos. Estas redes con el transcurso del tiempo pueden

aprender más funciones de las que procesan con el fin de que se siga mejorando

entornos y disminuyendo los márgenes de errores como en la medición del tamaño

de un objeto, o determinar los niveles de madurez de una fruta que se pueden dar

en ciertos procedimientos.

Para mejorar el proceso de calibrado de una fruta se empleará un aplicativo móvil

para dispositivos Android, en el cual este va a adquirir muestras de la fruta para

después procesarlas en un calibrador que se lo desarrollará en el software Matlab

donde este seleccionará una muestra y a su vez la analizará para identificar si la

fruta es exportable.

A continuación, se presentará lo que se desarrollará en cada capítulo del proyecto

de titulación.

Capítulo I: En este capítulo se describe el planteamiento del problema actual que

presentan las bananeras, objetivos y alcances del proyecto y justificación e

importancia.

Capítulo II: En este capítulo de detallan conceptos de algoritmos de redes

neuronales, procesamiento de imágenes digitales, base de datos y aplicativos,

culminando con la fundamentación legal, hipótesis o pregunta científica a

contestarse y definiciones conceptuales.

2

Capítulo III: En este capítulo se describe la factibilidad operacional, técnica,

económica y legal culminando con las etapas de metodología del proyecto,

entregables, juicio de experto y procesamiento y análisis.

Capítulo IV: En este último capítulo se elabora una matriz de aceptación del

producto con sus respectivas conclusiones y recomendaciones.

3

CAPÍTULO I

EL PROBLEMA

La exportación de frutas como el banano a otros países se ha convertido en una

fuente de ingresos económicos no petroleros de vital importancia para el país de

Ecuador, por ende, la calidad de los productos deben estar acorde con las

exigencias y estándares que son requeridos por las naciones de Europa, América,

Asia u Oceanía, principales continentes con un alto nivel financiero, con el objetivo

de que empresas fabricantes de bebidas del extranjero se sientan a gusto de

adquirir las frutas ecuatorianas y los productores sigan empleando los controles

basados en normas ISO 9001 para obtener una excelente calidad en dichas frutas.

En este caso la exportación del banano está regida por distintos estándares de

calidad como la Organización de Estándares Internacionales ISO, este régimen

se da dependiendo del país que implemente la norma para medir la calidad de los

productos y determina si la fruta en mención esta óptima o acta, para ser

exportada.

Los productores de banano en el Ecuador, deben aplicar los siguientes

procedimientos como son los siguientes:

• Proceso de producción de la fruta mínimo 13 semanas.

• control de plagas y peso de la fruta.

• Ancho de la fruta óptimo.

• Longitud del dedo aproximadamente no menor a 8 pulgadas.

• Proceso de corte del banano una vez culminada con su producción.

Una culminado con el proceso de producción se ejecuta la siguiente inspección

de calidad donde se describe lo siguiente: al tomar las medidas del calibre, la fruta

debe estar entre 40 y 48 mm de ancho aproximadamente y no menor a 8 pulgadas

de largo de cada dedo, luego de esta inspección, se procede a separarlos,

identificando todos aquellos que no cumplan con estos requisitos para la

exportación.

4

Siendo el calibrado un detalle muy importante, por lo que el tamaño de la fruta

determina el tipo de marcado donde va ser destinado, y mediante esta

característica se planteara un clasificador para la fruta, mediante el uso de

imágenes con formato JPG las cuales serán analizadas a través de procesos

digitales computarizados y programados para ejecutar la función de clasificación,

calificación y análisis del banano.

PLANTEAMIENTO DEL PROBLEMA

UBICACIÓN DEL PROBLEMA EN UN CONTEXTO

El banano ecuatoriano es una fruta mundialmente reconocida, puesto que la fruta

abastece un 30% de la oferta mundial, por lo que el mejoramiento de buenas

prácticas, y procesos a lo largo de la cadena de producción, es fundamental, y

dotarlo de herramientas tecnológicas, mejorarían estos procesos con el objetivo

de reducir el menor tiempo posible y la ocupación de recursos.

El tamaño de la fruta es una de las características más importante para la

exportación, por lo que esta, no solamente determina si la fruta esta apta, sino

que, también valida o establece los ingresos o pérdidas que va a dar ese periodo

de cosecha.

La operatividad del proceso de evaluación de la fruta para determinar si el

producto es exportable o no, se convierte en una tarea sobrecargada y proclive a

errores en márgenes elevados, sino se llevan los respectivos controles que son

proporcionados por estándares o normas de calidad exigidas por organizaciones

que permiten la exportación de la fruta.

La primera fase antes de la cosecha, consiste en el pre-seleccionado de las

matas, marcando las plantas de edad barrida (13 semanas máximo), que van a

ser cortados, y si estas no cumplen con este tiempo, o los productores por error

prolongan dicho tiempo establecido, terminarían en pérdidas, porque al momento

de realizar el muestreo de control de la calidad, estas no estarán aptas para la

5

exportación debido a la falta de procedimientos de producción de frutas.

El proceso de la cosecha se la realiza un día antes del embarque, es la pauta para

el corte de la racima, y se inicia haciendo el pre-calibrado de la fruta (40mm de

calibración de la primera mano o 45mm de calibración de la segunda mano), esto

se lo realiza de manera visual, quedando a criterio y experiencia del jornalero la

evaluación, por lo que el riesgo a cometer errores es muy elevado.

Por eso en esta fase el pre-calibrado es fundamental implementar un sistema

computacional que analice el proceso de producción del banano disminuyendo los

márgenes de error provocados por los hacendados u obreros que trabajan en el

corte de la fruta.

Si el dedo mide menos de las medidas establecidas (40mm de calibración de la

primera mano o 45mm de calibración de la segunda mano), o que el corte de la

racima se ha pasado de fecha, la cual está estipulada en el documento de

candelarizado al momento de la siembra, podrían existir un alto riesgo a errores

humanos porque también es un proceso manual, además de los considerables

costos por pagos a jornaleros que se encargan de controlar este proceso.

El calibrado de los dedos es muy importante por lo que cada caja de exportación

está en promedio de $5.50 aproximadamente, aunque vale recalcar que para los

supermercados importantes del Ecuador se distribuye la fruta como tipo de

exportación. Pero si los dedos son de menor calibre pasan a mercados como

Chile, Colombia o Argentina pero con un precio de $2,00 aproximadamente,

dependiendo del cupo que haya para el embarque.

El restante que tiene aún un menor calibre, se seleccionan los mejores para la

venta de mercados a un costo de $1.00 y lo que se convierte en desecho pasa

para el alimento del ganado de las propias haciendas. Considerando que esto

muchas veces se vende a un precio que no cubre los costos de producción del

producto, generando pérdidas en el agricultor.

6

SITUACIÓN CONFLICTO NUDOS CRÍTICOS

Debido a los errores de los agricultores de banano como la calibración de la fruta

y estado de la misma, en la mayoría de los casos la fruta no llega a cumplir con

los estándares de calidad produciendo que esta sea rechazada o quede como

merma, es decir que la misma solamente sea utilizada para el consumo interno,

alimentos para animales y procesos industriales provocando de esta manera

pérdidas económicas en los hacendados bananeros ya que la fruta merma se la

vende a un costo demasiado bajo, donde tiendas y mercados la adquieren por su

precio aceptable en personas que obtienen este tipo de negocio.

Además, el problema presente sobre la producción de banano surge por lo cual

los agricultores cosechan antes y después de tiempo logrando truncar el

crecimiento de la fruta llegando a un tamaño no óptimo de comercialización,

también se produce que esta madure rápidamente generando que los

consumidores no puedan utilizarla como alimento, de esta manera provocan que

no sea exportada como es debido, alcanzando un alto porcentaje de merma donde

solamente los ganados puedan consumirla generando una mayor pérdida

económica. En algunos casos si la fruta posee un tamaño más allá de lo permitido

es considerada merma o rechazo.

La pronta maduración del banano sería una grave consecuencia para la

producción, puesto que, se entra en una desprogramación del tiempo estimado en

las cámaras frigoríficas, y si entra la banana con alto grado de madurez, esto

podría dificultar la comercialización.

CAUSAS Y CONSECUENCIAS DEL PROBLEMA

Tabla No. 1 Causas y Consecuencias del Problema CAUSAS CONSECUENCIAS

Recolección tardía de la fruta.

Pérdida del producto para

exportación o venta de consumo

interno.

Recolección anticipada de la fruta. Interrupción en la etapa de

7

crecimiento y maduración del

producto.

Cosecha de producto sin tamaño

exportable.

Se convierte en rechazo y entra a

una nueva clasificación.

Posibles errores humanos en el

proceso de calibración del banano.

Provoca que la fruta sea vendida en

un bajo costo generando poca

ganancia en los agricultores.

Fuente: Fuente de Investigación Autor: Freddy Juanazo

DELIMITACIÓN DEL PROBLEMA

• Campo: Tecnología de Software.

• Área: Procesamiento Digital de imágenes.

• Aspecto: Análisis de Imagen Digitales a través de redes neuronales.

• Tema: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA

BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL

BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO

DE IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE

REDES NEURONALES.

FORMULACIÓN DEL PROBLEMA

¿Cree usted que con la creación de una plataforma informática que utiliza como

base visión artificial para el procesamiento de imágenes digitales a través de una

red neuronal mejora el proceso de medición del banano para la exportación?

8

EVALUACIÓN DEL PROBLEMA

Delimitado:

El análisis y diseño de una plataforma virtual de procesamiento de imágenes

digitales es de vital importancia para obtener el tamaño óptimo de la banana para

la exportación de la misma en mercados internacionales, donde los jornaleros

podrán realizar este tipo de proceso de calibración en un menor tiempo. Este tipo

de análisis se lo realizar en un periodo de 3 meses y solo se encargara de la

selección y clasificación de banano.

Claro:

Se realiza el análisis de la imagen en formato digital donde dicho análisis

determinará si la banana esta apta o no para la exportación.

Evidente:

La no implementación de sistemas computarizados en haciendas bananeras ha

ocasionado que los jornaleros por error en algunos casos no realicen el proceso

de calibración de la banana de una forma correcta determinando un tamaño no

óptimo de la fruta provocando de esta manera que no sea comercializada

internacionalmente y sea vendida a un precio bajo a tiendas y mercados debido a

que no cumplen con los estándares del mercado

Concreto:

Este estudio se basa en la aplicabilidad de herramientas de software sobre un

producto específico, sobre una característica definida la cual es el tamaño o

calibre, y además con una finalidad clara se describe si una fruta esta apta para

la exportación o venta local.

9

Relevante:

Es un estudio el cual permitirá el inicio de nuevas tecnologías y prácticas

evolutivas para el campo de la agricultura, además es un preámbulo para que en

el Ecuador se fortalezca estudios y desarrollo tecnológico de herramientas

automatizadas que tengan el afán de mejorar y contribuir al desarrollo del país en

su conjunto y que todos los procesos agronómicos sean digitalizados.

Contextual:

La investigación de campo aplicada multidisciplinariamente donde se junta la

agronomía con la tecnología permite la contextualización del proyecto de titulación

a desarrollar.

Identifica los productos esperados:

El desarrollo de un sistema computacional de visión artificial cumple con

alternativas de solución para disminuir la aplicación de procesos manuales y evitar

errores involuntarios que provocan pérdidas económicas a través del

procesamiento de imágenes digitales mediante redes neuronales con el objetivo

de que los jornaleros trabajen con tecnología informática para el aumento de la

producción de frutas de forma eficiente.

Variables:

Durante el transcurso del desarrollo del proyecto de titulación se detallaran

conceptos de algoritmos de visión artificial, redes neuronales y sus tipos,

procesamiento de imágenes digitales, bases de datos y demás.

OBJETIVOS

OBJETIVO GENERAL

Desarrollar una herramienta informática que aplicando procesamiento digital de

10

imágenes pueda reconocer el banano de exportación.

OBJETIVOS ESPECÍFICOS

• Construir la línea base del caracterizado del banano de exportación para

garantizar la calidad del producto.

• Determinar el nivel de madurez del banano de exportación para proceder

con el embalado del producto.

• Desarrollar un aplicativo móvil para optimizar el proceso de clasificar el

banano apto para la exportación

ALCANCES DEL PROBLEMA

Los alcances del proyecto de titulación a desarrollar son los siguientes:

• Construir la línea base de la caracterización del banano se realiza un

levantamiento de información mediante investigaciones bibliográficas

donde se recopilan datos sobre los controles de calidad de la fruta,

consultando fuentes principales como AGROCALIDAD, DATACOMEX

S.A., AEBE y Conferencia de las naciones unidas sobre comercio y

desarrollo extrayendo información de suma importancia referente al tema

de exportación del banano.

• Determinar el nivel de madurez del banano se realiza una investigación

bibliográfica donde a través de un escrito realizado por el autor Mackenzie

Wright el indica cuales son las etapas de maduración de la fruta para el

consumo, además se visita otra fuente donde se puede encontrar datos

como: El tipo de temperatura necesaria que debe estar establecida en las

cámaras de maduración.

11

• Realizar un aplicativo móvil en Android Studio para la adquisición de las

imágenes tomadas desde un teléfono inteligente para después aplicar una

simulación del procesamiento digital de imágenes desde el software

MATLAB para la clasificación.

JUSTIFICACIÓN E IMPORTANCIA

La actual propuesta de proyecto contribuye a enfatizar el desarrollo de

herramientas tecnológicas e investigaciones para la agronomía, en busca de

optimizar y mejorar las practicas, los procesos, acelerando tiempos de respuesta

y obtener mejores datos más precisos, los cuales ayuden a la toma de decisiones.

Actualmente el Ecuador cuenta con una gran riqueza agrícola, con áreas extensas

de diferentes cultivos los cuales, como en el caso del banano, representan un

ingreso muy importante no petrolero para el país, generando empleo, desarrollo

comunitario y progreso en la producción de frutas de forma eficiente.

El clasificador se convertiría en una herramienta que complementará y disminuirá

la aplicación de los procesos manuales aumentando el rendimiento de la

producción en los jornaleros, una identificación más precisa del calibrado de la

banana es la implementación de algoritmos de visión artificial cumplen con la

función de detectar y validar el estado de la fruta, además el tamaño de la banana

es una de las características de vital importancia, puesto que esta determinará el

tipo de mercado al cual iría la fruta y la generación de ingresos económicos por

medio de las ventas locales y extranjeras.

El estudio del PDI (PROCESAMIENTO DIGITAL DE IMÁGENES) es una ayuda

para buscar información o datos a través de las imágenes, mediantes técnicas de

pre-procesado, segmentación, y luego extrayendo características que puedan

convertirse en datos relevantes para la investigación y proceso que se le quiera

aplicar a la imagen seleccionada.

Esta es una pauta, para el inicio del desarrollo de plataformas o herramientas

12

tecnológicas, que usen como un dato principal las imágenes, y por medio del

análisis y procesamiento de las mismas, se obtengan como resultado una

extracción de información que sirva para optimizar procesos, proporcionar

soluciones o sirva como dato para investigaciones de carácter científico.

METODOLOGÍA DEL PROYECTO

METODOLOGÍA PROCESAMIENTO DIGITAL DE IMÁGENES

El estudio del PDI (PROCESAMIENTO DIGITAL DE IMÁGENES) es una ayuda

para buscar información o datos a través de las imágenes, mediantes técnicas de

pre-procesado, segmentación, y luego extrayendo características que puedan

convertirse en datos relevantes para la investigación y proceso que se le quiera

aplicar a la imagen seleccionada.

El procesamiento digital de imágenes nace cuando se usa de recursos

tecnológicos para manipular y captar grandes cantidades de información espacial

en matrices de valores.

Históricamente, la primera vez que se usaron las técnicas de procesamiento de

imágenes fue en el año de 1920, con la transmisión de imágenes de fotografías

periodísticas, a través del cable subterráneo entre New York y Londres, esto

permitió reducir el tiempo emisión-recepción lo que tomaba 1 semana (por barco)

se lo hizo en 3 horas (por cable).

Y a partir de esto se ha logrado desarrollar técnicas de codificación y reproducción

de imágenes logrando pasar la representación de las imágenes de 5 a 15 tonos

de grises.

En el caso de la captura de imágenes, existen dos causas por la cual haya pérdida

de información cuando se realiza este procedimiento: la naturaleza discreta de los

pixeles de la imagen y los rangos limitado de valores de intensidad de luminoso

que somos capaces de medir en cada pixel.

13

FASES DEL PDI

ADQUISICIÓN DE LA IMAGEN

La primera etapa es la adquisición, es la más importante dentro del procesamiento

de imágenes, puesto que se trata de conseguir que la imagen sea lo más

adecuada, para que se pueda seguir con las siguientes etapas. Para que la

adquisición de la imagen sea correcta debe estar acompañada de un buen sistema

de hardware (cámara, computadora, escenario, etc.) y que el software

seleccionado, el cual analiza la imagen, debe ajustarse según las necesidades,

brinde los datos o la información esperada.

PRE PROCESAMIENTO DE IMÁGENES

Los principales objetivos de pre procesamiento de imágenes son: la mejora de

imágenes degradadas y la obtención de un realce de la característica

seleccionada.

Típicamente, una imagen tiene la propiedad de que un pixel tiene un valor cercano

al de sus vecinos. Toda imagen se ve inmersa en un ruido que se puede

caracterizar como aditivo blanco gaussiano (AWGN) que puede afectar a los

pixeles de manera que la propiedad anteriormente mencionada no se cumpla.

Para limitar el efecto del ruido se puede realizar un proceso de suavizado o realce

de la imagen.

Y como este, se pueden aplicar muchos otros filtros según las aplicaciones, para

limitar el efecto del ruido. Por lo tanto el objetivo del pre procesamiento es una

mejora de los datos de la imagen que suprima las distorsiones indeseadas o

incremente

SEGMENTACIÓN DE IMÁGENES

La segmentación de las imágenes consiste en, dividir o descomponer la imagen

14

en partes constituyentes, es decir subdividirla, separar el objeto de interés y el

fondo, basándonos en características las cuales nos permitan distinguir el objeto

del fondo y los objetos entre sí, que haya en una imagen.

La segmentación trata de dividir la imagen en partes o zonas homogéneas y

disjuntas a partir de su contorno, su conectividad, o en términos de conjuntos de

características de pixeles de la imagen que permitan distinguir una región de otra.

EXTRACCIÓN DE CARACTERÍSTICAS.

En el esquema propuesto de texturas orientadas primero se estandariza la

imagen a una resolución de 3000 x 2000 para que las diferentes mediciones y

cálculos a realizar sean lo más fiable posible en el momento de la comparación.

Una vez estandarizada la imagen RGB, se realiza una división de canales en tres

imágenes de escala de grises de 8 bits que contienen los componentes rojo, verde

y azul de la original, entre las cuales de manera experimental por ser la que mejor

calidad y definición muestra se escoge la verde (Green) para su procesamiento.

Luego, de manera automática se colocan valores de límites superior e inferior

(para segmentar la imagen en escala de grises dentro de las características de

mayor interés y de fondo). Seguidamente se convierte la imagen a blanco y negro

y se rellenan los huecos que en ella queden para darle uniformidad a la textura y

poder aplicarle una segmentación especial (Watershed) que separa

automáticamente las partículas que se tocan, dando la forma final a la imagen que

se busca.

CLASIFICADORES

Los clasificadores son algoritmos, en donde se ingresa un elemento no identificado

a una categoría concreta conocida, los ordena, selecciona un conjunto de

ejemplos etiquetados y trata de definir una regla que permita asignar una etiqueta

a cualquier objeto de entrada.

Los clasificadores tienen varios tipo de aprendizaje, estos son: los supervisados,

15

semi-supervisado y los de aprendizaje por refuerzo.

Los clasificadores supervisados son los que parten de una función matemática,

mediante un conjunto de objetos ya clasificados y esto a su vez, asignan una

etiqueta a otro objeto ingresado.

METODOLOGÍA DE DESARROLLO EN CASCADA

Para este proyecto de titulación se utilizará la metodología de desarrollo en

cascada o ciclo de vida, ya que esta permite separar el proyecto en fases

previamente planificadas. En la fase inicial se realizará un levantamiento de

información sobre la producción y calibración de la banana con el objetivo de

programar el clasificador, según las necesidades que se pueden encontrar en ese

momento y los resultados que se obtendrán mediante técnicas de recopilación de

datos, se podrá diseñar el sistema computacional clasificador y adaptarlo a las

necesidades de los hacendados bananeros.

Una vez culminado los diseños se da inicio con la implementación y pruebas de la

herramienta, en las cuales se va a corregir, modificar o mejorar el proceso de

calibración de la banana digitalizando dicho proceso completamente.

Las fases los procesos que se realizaran dentro del proyecto de titulación a

desarrollar:

Fase I: Análisis y requerimientos de la producción de la banana.

Fase II: Diseño de la plataforma de visión artificial para el procesamiento de

imágenes digitales a través de una red neuronal.

Fase III: Implementación del prototipo de sistema de visión artificial.

Fase IV: Verificación y pruebas del sistema de visión artificial.

Fase V: Mantenimiento del sistema de visión artificial.

16

CAPÍTULO II

MARCO TEÓRICO

ANTECEDENTES DEL ESTUDIO

En el ámbito del agro, a nivel regional se han realizado investigaciones de gran

aporte en relación con la línea de visión por computadora, estos estudios han

permitido plantear el desarrollo de este proyecto de titulación desde una

perspectiva mucho más posible, encaminando los procedimientos y técnicas a

estudiar para la obtención de mejores resultados respecto a la clasificación de

acuerdo al tamaño de la banana cavendish. De esto tenemos los siguientes

estudios.

En la Universidad Autónoma del Caribe de Colombia, en el año 2009 se realizó un

sistema que utiliza técnicas de visión artificial para la ayuda en la clasificación de

café cereza, además de determinar el estado de maduración, desde sus etapas

iníciales, a partir de 9 características, que incluían medias de color, textura y el

tamaño y forma del café. (Sandoval Z. &., 2009)

El tamaño y forma generalmente es elipsodial-esferica, independiente de su

estado de madures y la forma elipsoidal se define con un centro y tres ejes de

simetría, esta forma va variando en cuanto va creciendo, pero cuando está en el

punto óptimo del proceso de maduración, debería tener la forma esférica, es decir

los ejes de simetría son iguales, y si se sobrepasa de maduración, su estado físico

regresa a un forma elipsoidal alargada.

De las 9 características de la clasificación 2 eran de forma en las cuales se

aplicaron el tratamiento de la imagen y el filtro de Sobel.

En este estudio se implementó, mediante el uso de imágenes un clasificador

Bayesiano cuyo desempeño, fue del 98%, pero también se recomienda

profundizar en algoritmos de extracción de características y por ende mejorar el

17

algoritmo de clasificación (Sandoval & Prieto, 2009).

También en la Universidad Central de Santander (Colombia), se realizó un

Sistema de Clasificación de mangos Tommy, en el año 2015, usando la

herramienta toolbox de procesamiento de imágenes de Matlab, cuyo propósito es

clasificar el mango Tommy de acuerdo al color y el tamaño, por medio del PDI

(Procesamiento de Imágenes) se realizó, paso a paso el proceso de extracción de

imágenes, la segmentación, y la obtención de información.

La parte más importante fue la adquisición de las imágenes, porque con ellas inicia

el PDI, la iluminación, al cámara web el área a capturar la imagen deben está en

óptimas condiciones. (González, Woods, 1994).

Se usó la herramienta Matlab para el procesamiento de la imagen, la adquisición

de las variables, y la clasificación del color y el tamaño, para el tamaño,

previamente estableciendo el área de mango Tommy en tamaño óptimo, esto

datos fueron ingresados a una red de decisiones.

Tomado en cuenta que lo más importante era el color, hubo mangos de tamaño

óptimo, pero que eran rechazados por estar con predominación de color verde.

Así mismo hubo mangos de color amarillo predomínate, pero de tamaño pequeño,

la herramienta tecnológica se plantea como solución en el agro, puesto que

conlleva procesos manuales con alto grado de errores y susceptibilidad en el

proceso de clasificación por parte del trabajador (Romero, Marin, & Jimenez,

2015).

Otro estudio realizado también en Colombia, por el Instituto Tecnológico

Metropolitano, Facultad de Ingeniería, hizo una metodología para determinar las

características de color, tamaño y formas para el proceso de selección de fresas

de exportación.

Después de realizar el PDI, se extrajeron datos para el cálculo del tamaño, se

18

determina por el máximo diámetro horizontal del cuerpo de la fresa, tomando los

pixeles del diámetro horizontal(𝐷𝑝) con una imagen de un cuadro negro con

dimensiones en mm conocidas, luego se obtiene una constante llamada x que

relaciona a pixeles/mm. Y el tamaño máximo horizontal de la fresa es obtenida por

la ecuación final:

𝐷 =𝐷𝑝

𝑋

En la prueba del tamaño se obtuvo un error de menos del 6.5%, se usaron los

clasificadores KNN, Perceptrón Simple, Mínimos Cuadros y un SVM lineal, dando

un 100% la clasificación exitosa al usar SVM lineal.(Nilsen & Madrigal, 2016).

FUNDAMENTACIÓN TEÓRICA

VISIÓN COMPUTACIONAL

La visión artificial o también llamada visión por computadora o interpretación de

imágenes, es un área de la inteligencia artificial, mediante el uso de técnicas de

procesamiento de imágenes, aunque también se podría definir como,” la ciencia

que estudia las imágenes mediante computadores digitales”.

Cabe recalcar que históricamente la visión por computador aparece relacionada

con el procesamiento digital de imágenes, puesto que emplea técnicas para llegar

a los fines que se espera de la imagen seleccionada, el sistema de visión por

computadoras consta por así decirlo de dos partes, el sistema de adquisición de

imágenes (hardware) y el sistema de tratamiento de las imágenes (software).

Dentro de la primera parte se contempla todo lo que tiene que ver con la

iluminación, sensores, tarjetas digitalizadoras, cámaras, y en la segunda parte

están las tres etapas básicas de tratamiento de imágenes de la visión por

computador: procesamiento, segmentación y reconocimiento de la imagen.

Aunque se podría decir que la visión por computadora es en muchos casos muy

19

precisa y el tratamiento que se le da a la imagen podrá dar datos relevantes, aun

así no es capaz de emular la visión humana, por un lado se podría decir que está

muy lejos de alcanzar la capacidad de reconocimiento de formas complejas, que

posee el ser humano.

Los tiempos de procesamiento y análisis de una imagen digital, están en

desventajas con la del ser humano, pero por otro la visión por computadora es

mucho más precisa: longitudes, áreas o en tareas rutinarias como procesos de

control de calidad. Por ello se podría decir que la visión de computador ayuda a

complementar las capacidades visuales del hombre.

Las áreas de aplicación de la visión por computadoras son los procesos

industriales (control de calidad, control de procesos de fabricación de productos)

percepción remota, robótica y apoyo a diagnósticos médicos entre otras (Cerrada,

2002).

O como una síntesis podríamos decir, que el PDI, es el conjunto de técnicas, que

se aplican a las imágenes con el objetivo de mejorar la calidad o facilitar la busque

da información de una imagen determinada

SISTEMAS DE VISIÓN POR COMPUTADORAS

Un sistema de visión por computadoras está compuesto por dos partes, la primera

que es la que configura su estructura básica desde el punto de vista el hardware,

es decir el sistema de adquisición, captación y formación de imágenes, es

mediante el cual se transmite la información del mundo físico y la lleva a la

memoria del computador.

Los principales elementos que intervienen en la formación y captación de

imágenes son los siguientes el propio objeto de la escena, la cámara que se vaya

a usar, el sistema de iluminación y la computadora. La imagen que se obtenga

será el resultado de la forma, textura color, brillo, etc. del objeto que este en la

escena. (Cerrada, 2002)

La segunda parte es el sistema de tratamiento de imágenes, este es

definitivamente el software del sistema que se ejecuta sobre el hardware ya

20

descrito para cumplir la última misión de la visión por computador, es decir, la

interpretación automática de una escena tridimensional a partir de las imágenes

tomada de la misma.

El tratamiento de las imágenes se lo puede clasificar en tres categorías:

procesamiento, segmentación y reconocimiento, cada una contiene un conjunto

de técnicas para el tratamiento de la imagen. (Cerrada, 2002)

PROCESAMIENTO DIGITAL DE IMÁGENES

El procesamiento digital de imágenes nace cuando se usa de recursos

tecnológicos para manipular y captar grandes cantidades de información espacial

en matrices de valores.

Históricamente, la primera vez que se usaron las técnicas de procesamiento de

imágenes fue en el año 1920, con la transmisión de imágenes de fotografías

periodísticas, a través del cable subterráneo entre New York y Londres, esto

permitió reducir el tiempo emisión-recepción lo que tomaba 1 semana (por barco)

se lo hizo en 3 horas (por cable).

Y a partir de esto se ha logrado desarrollar técnicas de codificación y reproducción

de imágenes logrando pasar la representación de las imágenes de 5 a 15 tonos

de grises.

En el caso de la captura de imágenes, existen dos causas por la cual haya pérdida

de información cuando se realiza este procedimiento: la naturaleza discreta de los

pixeles de la imagen y los rangos limitado de valores de intensidad de luminoso

que somos capaces de medir en cada pixel. (Esqueda & Palafox, 2004-2005)

21

Figure No. 1 Imagen en varias matrices de pixeles.

De izquierda a derecha y de arriba abajo 256x256, 128x128, 64x64 y 32x32

Fuente: Universidad de la Rioja

ETAPAS DEL PROCESO DIGITAL DE IMÁGENES

Figure No. 2 Etapas del procesamiento de imágenes

Fuente: UNMSM (Universidad Nacional Mayor de San Marcos-Perú)

ADQUISICIÓN DE LA IMAGEN

La primera etapa es la adquisición, es la más importante dentro del procesamiento

de imágenes, puesto que se trata de conseguir que la imagen sea lo más

adecuada, para que se pueda seguir con las siguientes etapas.

Para que la adquisición de la imagen sea correcta debe estar acompañada de un

buen sistema de hardware (cámara, computadora, escenario, etc.) y que el

software seleccionado, el cual analiza la imagen, debe ajustarse según las

necesidades, brinde los datos o la información esperada.

El entorno y posicionamiento de cada elemento es muy importante al momento de

obtener la imagen, es decir, que el objeto a analizar y la cámara este bien

posicionados, la iluminación sea la correcta. (González, y otros, 2006).

22

PRE PROCESAMIENTO DE IMÁGENES

Los principales objetivos de pre procesamiento de imágenes son: la mejora de

imágenes degradadas y la obtención de un realce de la característica

seleccionada.

Típicamente, una imagen tiene la propiedad de que un pixel tiene un valor cercano

al de sus vecinos. Toda imagen se ve inmersa en un ruido que se puede

caracterizar como aditivo blanco gaussiano (AWGN) que puede afectar a los

pixeles de manera que la propiedad anteriormente mencionada no se cumpla.

Para limitar el efecto del ruido se puede realizar un proceso de suavizado o realce

de la imagen.

Y como este, se pueden aplicar muchos otros filtros según las aplicaciones, para

limitar el efecto del ruido. Por lo tanto el objetivo del pre procesamiento es una

mejora de los datos de la imagen que suprima las distorsiones indeseadas o

incremente las características relevantes para su posterior procesamiento

(Balsero, Botero y Zuluaga, 2005).

FILTRO DE IMÁGENES

Los principales objetivos de los filtros de imágenes son:

El suavizado de la imagen: reducir la cantidad de variaciones de intensidad entre

pixeles vecinos.

Eliminar el ruido: eliminar todos aquellos pixeles que tengan un nivel de

intensidad diferente al de los vecinos.

Realzar y detectar bordes: destacar los bordes que se hay en una imagen y

detectar los pixeles donde se producen cambios bruscos de intensidad.

En el caso de los contornos, bordes los principales filtros son:

Operador Sobel

En este caso, se suelen usar dos máscaras para modelizar el gradiente que se

llaman operadores de Sobel:

Sx = [−1 0 1−2 0 2−1 0 1

] Sy=[−1 −2 −10 0 01 2 1

]

23

Observemos que en las máscaras de Sobel, tienen más peso los píxeles situados

en posición vertical y horizontal respecto el píxel estudiado que los situados en la

diagonal. Este operador es menos sensible al ruido.

Figure No. 3 Operador de Sobel


Operador cruzado de Roberts En este caso, se suelen usar dos máscaras para

modelizar el gradiente:

Fx=[−1 00 1

] Fy=[0 −11 0

]

La ventaja de este operador es que es fácil y rápido de computar. Sólo está

implicado un entorno de vecindad de 4 píxeles y sólo se usan sumas y restas en

los cálculos. La principal desventaja es que, si lo que se quiere es determinar

bordes, es muy sensible al ruido y tiene una respuesta débil a los verdaderos

bordes, a menos que sean muy pronunciados. Para este propósito funciona mejor

el operador de Sobel.

24

Figure No. 4 Operador de Robert


Operador Laplaciano

El laplaciano de una función bidimensional f es un operador de derivación

isotrópico (independiente de la dirección de la discontinuidad en la imagen)

definido por:

∇2𝑓 =𝑑2𝑓

𝑑𝑥2+

𝑑2𝑓

𝑑𝑦2

Como en el caso del gradiente, la formulación del laplaciano puede implementarse

en forma digital de varias maneras. La más frecuente en la práctica es aplicar la

siguiente máscara:

0 1 0

1 -4 1

0 1 0

Es decir:

∇2𝑓(𝑥 + 𝑦) = [𝑓(𝑥 + 1, 𝑦) + 𝑓(𝑥 − 1, 𝑦) + 𝑓(𝑥, 𝑦 + 1) + 𝑓(𝑥, 𝑦 − 1)] − 4𝑓(𝑥, 𝑦) Nótese que la suma de los coeficientes de la máscara debe ser cero, lo que es

coherente en el caso de que el punto en cuestión y sus vecinos tengan el mismo

valor. Los píxeles del borde darán como respuesta un número negativo (o positivo)

“grande”.

El Laplaciano no se suele usar directamente en la práctica por ser muy sensible al

25

ruido, por lo que se suele usar sumado o restado (según la máscara usada) con

la imagen original para realzar los contornos, como en el ejemplo siguiente. Por la

misma razón, también a veces se usa primero un filtro gaussiano para eliminar

ruido, lo que da lugar al filtro llamado Laplaciano del Gaussiano (LoG), cuyo núcleo

puede calcularse componiendo ambos:

𝐿𝑜𝐺(𝑥, 𝑦) = −1

𝜋𝜎4[1 −

𝑥2 + 𝑦2

2𝜎2] 𝑒

−𝑥2+𝑦2

2𝜎2

Figure No. 5 FILTRO LAPLACIANO


Son algunos de los filtros que trabajan en el domino del espacio, que se usan para

resaltar características, en este caso los bordes.

SEGMENTACION DE IMÁGENES

La segmentación de las imágenes consiste en, dividir o descomponer la imagen

en partes constituyentes, es decir subdividirla, separar el objeto de interés y el

fondo, basándonos en características las cuales nos permitan distinguir el objeto

del fondo y los objetos entre sí, que haya en una imagen.

La segmentación trata de dividir la imagen en partes o zonas homogéneas y

disjuntas a partir de su contorno, su conectividad, o en términos de conjuntos de

características de pixeles de la imagen que permitan distinguir una región de otra.

Los algoritmos de segmentación de imágenes monocromáticas generalmente se

26

basan en una de las dos propiedades básicas de los valores del nivel de gris:

discontinuidad y similaridad. En la discontinuidad el método consiste en dividir una

imagen basándose en los cambios bruscos del nivel de gris.

Los temas más importantes en la discontinuidad son: a) detección de puntos

aislados, y b) detección de líneas y c) detección de bordes de una imagen. En la

similaridad, se presenta la regularidad en los valores del nivel de gris, los

principales métodos están basados en a) umbralización, b) crecimiento de región,

y c) división y fusión de regiones. (Serna & Roman, 2009).

El objetivo principal es resaltar específicamente los bordes, darle tratamiento

especial, para poder detectar características y distinguir un objeto de otro.

Una definición de los bordes o contornos de una imagen, se podría decir que son

transición entre regiones de niveles de gris distintos, contiene valores relevantes

sobre las fronteras entre los objetos y estos pueden ser utilizados para segmentar

la imagen o reconocer lo objetos.

ALGORITMO DE SOBEL

El filtro de Sobel es usado para detectar los bordes horizontales y verticales por

separado, sobre una imagen en escalas de grises, las imágenes se convierte en

formato RGB, a niveles de grises.

Los operadores de Sobel al igual que los operadores de gradiente tienen la tarea

de suavizar la imagen de tal manera que se elimina un poco de ruido de la imagen

si es que lo tiene, por lo consiguiente se puede desaparecer falsos bordes.

Para dicha tarea existen 2 mascaras de 3x3, una para el gradiente horizontal Gx

y una para el gradiente vertical Gy, que se utilizan como operadores de Sobel. A

partir de eso las derivadas basadas en los operadores de Sobel son:

27

Donde los valores de Z, son los pixeles evaluados por las máscaras en cualquier

localización de la imagen.

Para obtener los valores del gradiente de la imagen se utilizan las expresiones 6,

con lo que la magnitud se puede obtener con la expresión 2 y 3. Con esas

expresiones obtenemos el valor del gradiente en dichos pixeles, para obtener el

siguiente valor, las máscaras se mueven al pixel siguiente, es decir, la nueva

posición.

Una vez que se ha obtenido la magnitud del gradiente, se puede decir si un pixel

es un borde o no, con la expresión 5, obteniendo una imagen binaria en la

salida.(Macias, Rodríguez, & Alba-Juárez, 2016).

Coeficientes Sobel

ALGORITMO DE CANNY

Otro El filtro para detectar bordes, es el de Canny, este detector de bordes

proviene de optimizar tres criterios: minimiza el número de los falsos positivos y

negativos, una buena localización; haciendo que los bordes aparezcan en un lugar

real y respuesta única, ya que un borde detectado en la imagen genera como

respuesta un único borde con contorno de un pixel.

Canny hace una formulación matemática, basada en estos tres criterios y como

resultado se obtiene un detector de bordes optimizado, que consiste en aplicar un

suavizado gaussiano.

En las imágenes, los borde se encuentran generalmente difuminados, por lo que

en el contrates de los bordes, no lo modela mediante un escalón perfecto, sino

28

mediante una función de rampa.

El filtro de Canny, parte de una suposición, de que en la imagen de entrada

tendremos solamente ruido blanco y contraste del tipo escalón o rampa.

(Escolano, Cazorla, Alfonso, Colomina, & Lozano, 2003).

Figure No. 6 En la parte superior de la figura se encuentra, resultados al aplicarle operador de Canny.

(a)Imagen de entrada. (b) Resultado de aplicar el operador de Canny con σ=1.0.

(c) Resultado de aplicar el operador de Canny con σ=4,0. (d) Borde tipo escalón.

(e) Borde tipo rampa. (f) Borde tipo ridge. (g) Borde tipo roof. Fuente: Escalano et al.(2003).

SEGMENTACIÓN DE IMÁGENES MEDIANTE UMBRALIZACIÓN

Un método básico para diferenciar un objeto del fondo de la imagen es mediante

una simple binarización.

A través del histograma obtenemos una gráfica donde se muestran el número de

píxeles por cada nivel de gris que aparece en la imagen. Para binarizar la imagen,

se deberá elegir un valor adecuado (umbral) dentro de los niveles de grises, de tal

forma que el histograma forme un dentro de los niveles de grises, de tal forma que

el histograma forme un valle en ese nivel. Todos los niveles de grises menores al

umbral calculado se convertirán en negro y todos los mayores en blanco. Existen

muchos métodos de búsqueda del umbral.

29

Método del valor medio

Se usa el nivel medio de gris de la imagen como valor umbral. Esta umbralización

tendrá éxito si el objeto y el fondo ocupan áreas comparables en tamaño en la

imagen.

Figure No. 7 Imagen en escala de grises, el histograma y la umbralización

Fuente: Escalano et al.(2003).

Método del porcentaje de pixeles negros

Dado un histograma, y un porcentaje de píxeles negros deseados, se determina

el número de píxeles negros multiplicando el porcentaje por el número total de

píxeles.

A continuación se cuentan el número de píxeles de cada nivel del histograma,

empezando por el nivel cero, hasta llegar al número de píxeles negros deseados.

El umbral será el nivel de gris del histograma, en el que la cuenta llegue al número

de píxeles negros deseados.

Método de los dos picos

Si el histograma muestra al menos dos picos, el valor umbral más apropiado suele

ser (según se ve en la práctica) el menor valor entre esos dos picos del histograma.

Seleccionar el umbral automáticamente consiste en:

Encontrar los dos picos más altos.

Encontrar el menor valor entre ellos.

Encontrar el primer pico es fácil (aquel que tenga el mayor valor). El segundo pico

es más difícil de encontrar, ya que el segundo valor más grande del histograma

podría ser, por ejemplo, el que está más a la derecha del mayor, en vez de ser el

segundo pico.

30

Una manera simple que suele funcionar para encontrar el segundo pico es

multiplicar los valores del histograma por el cuadrado de la distancia al primer pico

y tomar el máximo.

𝑚𝑎𝑥 = [(𝑘 − 𝑓)2 ∗ ℎ] 0 ≤ 𝑘 ≤ 255

Donde k es el nivel de gris considerado, h (k) es el valor del histograma para ese

nivel y f es el nivel de gris donde se da el pico más alto.

Esto da preferencia a aquellos picos que no están cercanos al máximo pero es

muy sensible al ruido. Si el ruido está normalmente distribuido, los picos del

histograma pueden aproximarse por curvas Gaussianas.

Dichas curvas pueden ajustarse al histograma, y las dos mayores son usadas

como los picos más altos, el umbral debe estar comprendido entre ellos.

EXTRACCIÓN DE CARACTERISTICAS

ANALISIS MORFOLÓGICO

El análisis morfológico se caracteriza por, resaltar la forma y la geometría de los

objetos, el objetivo de las transformaciones morfológicos es la extracción de

estructuras geométricas en los conjuntos sobre los que se opera, mediante la

utilización de otro conjunto de forma conocida, al que se le denomina elemento

estructurante.

El tamaño y forma del elemento estructurante se elige, a priori, de acuerdo con la

morfología sobre la que va a interseccionar y en función de la obtención de formas

que se desea extraer. (Platero, 2009)

Es el objetivo de las operaciones morfológicas, es ayudar a simplificar las

imágenes conservando las características principales de la forma de los objetos.

Para conseguir una binarización más exacta, se aplicará la operación morfológica

de cierre (se aplica una dilatación seguida de una erosión), ya que elimina detalles

oscuros de la imagen, dejando el resto prácticamente igual.

Esta operación conseguirá para las frutas con irregularidades en su piel evitar que

estas generen píxeles de ruido en la imagen a segmentar. Es una técnica que es

sugerida para calcular el tamaño de las frutas. (Real, Granado, Perez, & Valle,

2016-2017)

31

CLASIFICADORES

Los clasificadores son algoritmos, en donde se ingresa un elemento no identificado

a una categoría concreta conocida, los ordena, selecciona un conjunto de

ejemplos etiquetados y trata de definir una regla que permita asignar una etiqueta

a cualquier objeto de entrada.

Los clasificadores tienen varios tipo de aprendizaje, estos son: los supervisados,

semi-supervisado y los de aprendizaje por refuerzo.

Los clasificadores supervisados son los que parten de una función matemática,

mediante un conjunto de objetos ya clasificados y esto a su vez, asignan una

etiqueta a otro objeto ingresado.

CLASIFICADORES BAYESIANOS

El objetivo de un sistema Bayesiano es saber cuál es la hipótesis más probable

entre varios conjuntos de datos. Si P (D) es la probabilidad a priori de los datos, P

(D|h) su probabilidad dada una hipótesis y se desea estimar P(h|D), la probabilidad

posterior de h dados los datos. Se puede plantear el siguiente teorema:

Ecuación 1.

𝑃(ℎ|𝐷) =𝑃(𝐷|ℎ)𝑃(ℎ)

𝑃(𝐷)

La hipótesis más probable MAP (máximum a posteriori hipótesis):

Ecuación 1.

ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻𝑃(ℎ|𝐷)

Ecuación 2.

ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻

𝑃(𝐷|ℎ)𝑃(ℎ)

𝑃(𝐷)

Ecuación 3.

ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻 = 𝑃(𝐷|ℎ)𝑃(ℎ)

Un algoritmo Bayesiano puede ser fácilmente implantado si se calculan todas las

posibles hipótesis en la ecuación 1 y se selecciona la hipótesis de mayor

probabilidad. En general si tiene un sistema de aprendizaje de lo general a lo

específico (o al revés) que busca especializaciones más generales (o

32

generalizaciones más específicas) se puede caracterizar asumiendo que las

hipótesis más generales (o específicas) son más probables que otras.

El principio básico, ilustrado en el párrafo anterior, puede ser empleado para

determinar de una forma a priori la clase en la cual puede ser clasificado un dato,

según las probabilidades generadas por una serie de funciones de clasificación

bayesiana, previamente definidas. (Castrillón, Giraldo, & Sarache, 2008)

ALGORITMO KNN

El algoritmo K-NN es un algoritmo que se usado para realizar algún tipo de

clasificación. En base a un conjunto de objetos, con características similares, es

decir, dado un conjunto de muestras de entrenamiento y dado un nuevo objeto

cuya clase no conocemos, se desea buscar entre el conjunto de objetos los “k”

más parecidos al nuevo objeto. A este se le asigna la clase más numerosa entre

los “k” objetos con la característica similar.

Figure No. 8 Reglas de K vecinos más cercanos

Fuente: ECURED

Vemos como en la imagen tenemos 12 casos ya clasificados en dos posibles

valores y que se ha seleccionado k=3. De los 3 casos ya clasificados que se

encuentran más cercanos al nuevo caso a clasificar, dos de ellos pertenecen a

una misma clase, por tanto, el clasificador 3-NN predice la clase mayoritaria para

el nuevo caso. Si el k varía la solución varía.

La elección del número adecuado de vecinos k es una tarea que no tiene un

procedimiento fijo, y en ocasiones su búsqueda se vuelve un proceso iterativo.

33

(Real, et al, 2016-2017).

Tabla No. 2 Línea base del caracterizado del banano de exportación

Línea base del caracterizado del banano de exportación

Información Fuente

Manual de aplicabilidad de buenas prácticas agrícolas de banano. Cosecha, post cosecha, y transporte. Muestreo y control post cosecha

Ministerio de Agricultura, Ganadería,

Acuacultura y Pesca. AGROCALIDAD

Agencia Ecuatoriana de Aseguramiento de la calidad del Agro

Anexo I: Normas de Comercialización para los plátanos. III Disposiciones relativas al calibrado:

La longitud del fruto, expresada en centímetros y medida a lo largo de la parte convexa desde el punto de inserción del pedúnculo en la corona hasta el ápice, el grosor, es decir, la medida, expresada en milímetros, de una sección transversal del fruto efectuada entre sus caras laterales y en la mitad del mismo, perpendicularmente al eje longitudinal

Conferencia de las naciones unidas sobre comercio y desarrollo :Banano

Diario Oficial de la Unión Europea

Control de calidad del banano. Control del empacado.

Análisis de los procesos logísticos y

su incidencia en la Exportación del bananaecuatoriano

Etapas de la maduración del banano

ESPOL

Cámara de maduración y climatización del banano para la exportación

HORTICULTURA

Datos de exportación de la banana. Con los promedios mensuales

Datacomex S.A.

Principales exportadores de banano

Principales destino de exportación del banano Ecuatoriano

34

Exportación del banano Ecuatoriano los primeros meces del año 2019

AEBE Asociación de Exportadores de

Banano del Ecuador

Tipo de cajas y sus respectivo precios del banano para la venta de los mercados internacionales

Ministerio de Agricultura, Ganadería, Acuacultura y Pesca

Fuente: Freddy Juanazo

Banano Cavendish

Los bananos Cavendish pertenecen a un subgrupo de los

cultivares tríploides ( AAA ) de Musa acuminat, son una fruta con de mayor

consuma a nivel mundial, su sabor es único, y apetecido por mercados europeos

y norteamericanos, donde Ecuador, es el principal país, en enviar fruta a ese

destino.

Por lo que el mejoramiento de la calidad y de buenas prácticas en la cosecha, son

fundamentales, para la optimización de estos procesos ayudados por las

herramienta que la tecnología nos pueda brindar.

Guía fitosanitaria de campo cultivo de Banano.

Antecedentes Ecuador es signatario de la Organización Mundial de Comercio

(OMC), por tanto debe cumplir y hacer cumplir las normas fitosanitarias nacionales

e internacionales; y garantizar el cumplimiento de los requisitos fitosanitarios

exigidos por los países importadores. Normativa Nacional Mediante Resolución

No 138, del 27 de Mayo de 2013 se aprueba la Guía de procedimientos de

inspección de banano y otras musáceas de exportación.

Objetivo y ámbito de aplicación

Verificar que los envíos de banano y otras musáceas cumplan con los requisitos

fitosanitarios relacionados con las plagas cuarentenarias y no cuarentenarias

reglamentadas, especificados por los países importadores. El servicio de

inspección en empacadoras, centros de acopio y puntos de control, es un servicio

especializado de AGROCALIDAD, mediante inspectores que están habilitados

para aprobar, rechazar, sancionar infracciones, ordenar destrucción de

cargamentos y disponer correctivos en general en todo el proceso de preparación

https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&rurl=translate.google.com.ec&sl=en&sp=nmt4&u=https://en.wikipedia.org/wiki/Triploid&xid=17259,1500003,15700019,15700124,15700149,15700168,15700186,15700191,15700201,15700208&usg=ALkJrhiYXUUkl0QTBVVLb9ip9xJSBi0Ktg

https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&rurl=translate.google.com.ec&sl=en&sp=nmt4&u=https://en.wikipedia.org/wiki/List_of_banana_cultivars&xid=17259,1500003,15700019,15700124,15700149,15700168,15700186,15700191,15700201,15700208&usg=ALkJrhhF_FJRrzRf2OiEyQb5aKDs32Qc8Q#AAA_Group

https://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=search&rurl=translate.google.com.ec&sl=en&sp=nmt4&u=https://en.wikipedia.org/wiki/Musa_acuminata&xid=17259,1500003,15700019,15700124,15700149,15700168,15700186,15700191,15700201,15700208&usg=ALkJrhj8__UACZovtbgZ6QGoMOC3B0LFnQ

35

de envíos. (Guía fitosanitaria de campo cultivo de Banano).

MANUAL DE COSECHA, POSTCOSECHA Y TRANSPORTE

¿Cómo deben ser las instalaciones para post cosecha?

La construcción debe ser sólida y disponer de espacio suficiente para la

instalación, operación y mantenimiento de los equipos así como para el

movimiento del personal y el traslado de materiales o productos.

Las áreas internas de la producción deben dividirse en zonas según el nivel de

sanidad que requieran, dependiendo de los riesgos de contaminación para la fruta.

Contar con los sistemas de desagüe y eliminación de desechos construidos de

manera que se evite la contaminación del banano o del abastecimiento de agua

potable.

Los alrededores deben estar libres de escombros y basura.

Se debe prohibir la entrada de animales a la finca donde se cultive banano,

incluidas las fuentes de agua, área post cosecha, lugares de almacenamiento de

agroquímicos y fertilizantes.

Contar con techos, paredes, pisos, puertas y ventanas construidos con materiales

impermeables no porosos, no tóxicos, de fácil lavado y desinfección. Se debe

evitar el uso de instalaciones de madera.

Disponer de una instalación para el tratamiento de agua y para desechos sólidos

y líquidos. Instalaciones para post cosecha emergencia.

Cosecha de la fruta

Se inicia marcando un día antes del proceso de embárquela fruta a ser cosechada,

pre calibrando la fruta (40 de calibración en la última mano o 45 de calibración en

la segunda mano) a ser cosecha, marcando las matas seleccionadas y las plantas

de edad de barrida (13 semanas máximo).

36

¿Cuáles son las prácticas de post cosecha y proceso de fruta?

Muestreo y control de post cosecha de la fruta

Consiste en el muestro de la fruta para obtener los datos de post cosecha para los

registros de finca como son: Edad, peso, calibración, longitud del dedo, defectos

de la fruta (tanto de campo como de cosecha).

Figure No. 9 Toma de datos del muestro de la fruta para medir calibración, largo de dedos y defectos de la fruta

Fuente: Agrocalidad.

Figure No. 10 Calibración mínima (40) y máxima (48) de la fruta.


37

Figure No. 11 Longitud no menor a 8


Este es el control de calidad detallado por, Agrocalidad, con los estándares que

deben de cumplir para la comercialización a los distintos mercados. (MANUAL DE

APLICABILIDAD DE BUENAS PRÁCTICAS AGRÍCOLAS DE BANANO).

Estado o proceso de fase de un banano Dentro de este punto podemos distinguir 3 estados o fases principales en las que

se puede encontrar un banano, es decir se analizará los diferentes cambios que

va apareciendo, desde que está verde hasta llegar al estado maduro, pasando

antes también por el estado pintón. (ORDOÑEZ, 2005)

Figure No. 12Etapas de Maduración del Banano


Banano Verde

Es el primer estado en el que se encuentra nuestro banano, ya que este la cascara

es muy dura y su sabor aún no es el adecuado para ser consumido, por lo que hay

que esperar el proceso o ciclo de maduración para poder disfrutar de su exquisitez.

Este proceso lo podríamos llamar como banano malhecho, es decir que aún

presenta pigmentación verde y líquido lechoso en sus cabezas, ya que han sido

recién arrancados de su tallo. (ORDOÑEZ, 2005)

38

Figure No. 13 Banano Verde


Banano Pintón

En este proceso ya el banano va cambiando en su coloración, es decir ya del

verde pronunciado al principio poco a poco va cogiendo el color amarillo, pero no

en su totalidad, ya que aún posee escasa pigmentación verde, su sabor aún no es

el adecuado para su consumo ya que al momento de pelarlo su cascara aún sigue

siendo algo dura por lo que se deja que continúe con el ciclo de maduración. El

tiempo que se puede presentar en esta fase de pintón sería un aproximado de 3

a 4 días después de ser cortado de su racimo. (ORDOÑEZ, 2005)

Figure No. 14 Banano Pintón


Banano Maduro

Este es la última fase que puede llegar el banano, ya que en estas condiciones ya

está apto para ser consumida, ya que el color de pigmentación ya es totalmente

amarillento y también a su vez presenta manchas marrones, por lo que podríamos

decir que el banano cumplió perfectamente con su ciclo de maduración y por ende

está lista para el consumo y la venta de la misma. Este proceso de maduración, el

tiempo que puede tardar es entre 6 a 7 días, siempre y cuando teniendo las

temperaturas apropiadas, las cuales rondan entre los 18 y 21 ºC y el grado de

humedad relativa, la cual puede variar entre 90 a 95%. Además, se nos menciona

que existe un factor esencial para que el banano madure rápido, en donde

el etileno es el agente que actúa como regulador de la maduración. (ORDOÑEZ,

2005)

https://es.wikipedia.org/wiki/Etileno_(biolog%C3%ADa)

39

Figure No. 15 Banano Maduro


Exportación de la banana mensualmente

A continuación se presentan resultados estadísticos de la exportación mensual de

la banana, detallando la cantidad de cajas exportadas desde el año 2016 hasta el

2018, las variaciones, y los promedios mensual y semanal de exportación.

Figure No. 16 Exportación Mensual del Banano

Fuente: DATACOMEX S.A.

40

Figure No. 17 Reporte estadístico de exportación mensual del banano


Compañías exportadoras de banano

En este proceso se anexa las compañías que exportaron banano en el año 2018

detallando la cantidad de cajas exportadas con sus respectivos porcentajes.

Figure No. 18 Compañías exportadoras de banano


Acumulado de exportaciones de banano por destino En este caso se anexa un cuadro comparativo donde se verifica las exportaciones

41

del banano del año 2017 y el 2018 identificando las variaciones a nivel de

porcentaje.

Figure No. 19 Comparativo de exportaciones por destino


Exportaciones del banano del año 2019

En este proceso se anexan las exportaciones de las primeras seis semanas del

año 2019.

Figure No. 20 Exportaciones del banano del año 2019

Fuente: AEBE

Calibrado del banano

El calibre se determina mediante:

• La longitud del fruto expresada en centímetros y medida a lo largo de la

parte convexa desde el punto de inserción del pedúnculo en la corona

hasta el ápice.

42

• El grosor de la banana es la medida expresada en milímetros, de una

sección transversal del fruto efectuada de sus caras laterales y en la mitad

del mismo al eje longitudinal.

El fruto de referencia para medir la longitud será

• El dedo mediano situado en la fila exterior de la mano.

• El dedo situado junto al corte, que se haya utilizado para seccionar la

mano, en la fila exterior del manojo.

• La longitud y el grosor del banano quedan fijados en 14 centímetros y 27

milímetros respectivamente.

Controles de calidad del banano

Este proceso consiste en seleccionar las cajas de banano de los camiones para

iniciar con la inspección la caja que se encuentre en óptimas condiciones se las

envía al pallet para ser estibadas. En este caso se detecta la cantidad de defectos

que obtiene la fruta.

• Un daño en la punta que roza la corona al otro banano provoca deterioro

en la fruta.

• Número de fallas en cada caja por clúster se obtiene la puntuación total.

• Se anotan las observaciones para que se tomen las medidas correctivas

en las fincas empacadoras.

Control del empacado del banano

Si no se revisan las cajas del banano minuciosamente puede existir un daño que

provoque la maduración de un banano y este después haga que el resto de la fruta

que están ubicadas en las cajas maduren debido a la temperatura que está

expuesto dicho banano.

• El banano de 39 a 46 calibres es exportado a Europa por lo cual contempla

43

en un tiempo de 15 a 25 días de maduración.

• Para el mercado de los Estados Unidos se envía el banano de 39, 47 y 48

calibres, la fruta para este mercado contempla un tiempo de maduración

de 5 a 8 días.

• En el campo haciendas o fincas se realiza el chequeo de calibración donde

se utiliza el calibrador de la fruta.

Precios del banano

En este proceso se anexan los precios del banano para la venta a los mercados

internacionales detallando los gastos de exportación.

Figure No. 21 Precios del Banano

Fuente: Ministerio de A

44

Tipos de empaques del banano

Caja tipo 22XU

Mercados: Europa, Rusia y Estados Unidos

Variedad: Cavendish Bananas Clase: Premium Primera Clase Largo del dedo: 8 pulgadas mínimo Diámetro del dedo: Mínimo 39 mm Máximo 46 mm Número de dedos por cluster: Desde 5 hasta 8 12 dedos Edad de la fruta: Mínimo 10 semanas – Máximo 13 semanas Caja: Caja de cartón tipo 22XU Peso: De 18,14 KG. Netos hasta 19,45 KG. Brutos. Plástico: Funda Banavac o Polypack (de acuerdo a la estación y al tiempo de tránsito del viaje). Número de cajas por contenedor: 1200 cajas al granel o 1080 cajas paletizadas.

Caja tipo 208

Mercados: Asia, Arabia Saudita e Irán

Variedad: Cavendish Bananas Clase: Premium Primera Clase Largo del dedo: 8 pulgadas mínimo Diámetro del dedo: Mínimo 39 mm Máximo 46 mm Número de dedos por clúster: 15 dedos mínimo Edad de la fruta: Mínimo 10 semanas – Máximo 13 semanas Caja: Caja de cartón tipo 208 Peso: 13,50 KG. Netos Plástico: Funda Banavac (entre los clusters se coloca un protector de plástico para la corona) Número de cajas por contenedor: 1540 cajas al granel o 1400 cajas paletizadas.

45

REDES NEURONALES

Las redes neuronales son más que otra forma de emular ciertas características

propias de los seres humanos, como la capacidad de memorizar y de asociar

hechos o acontecimientos. Si se logran examinar con atención aquellos problemas

que no se pueden expresar mediante un algoritmo, se observa que todos ellos

poseen una característica en común. En definitiva las redes neuronales son

denominados modelos artificiales y simplificados del cerebro humano siendo el

ejemplo perfecto del que se dispone para un sistema con capacidades de adquirir

conocimientos mediante redes neuronales. (MATICH, 2001)

Una red neuronal es considerada un nuevo sistema para el tratamiento de la

información cuya unidad básica de procesamiento se encuentra inspirada en la

célula fundamental del sistema nervioso humano (la neurona). (MATICH, 2001)

Figure No. 22 Redes Neuronales

Fuente: Mauricio Tamez-2016

BASE DE DATOS

Una base de datos es denominada una colección de datos que son relacionados

dentro de un mismo contexto, esto quiere decir que la información comparte una

característica entre sí para ser relacionados con los mismos registros. Los

registros como por ejemplo datos de clientes, empleados o actividades

empresariales son almacenados de forma sistemática y ordenada con el fin de

46

que los usuarios puedan establecer consultas a través de sistemas de aplicación

web o formularios creados en lenguajes de programación como: Visual Studio,

Python entre otros aplicativos. (Villamar, 2017)

A continuación, se describen las características que proporcionan los sistemas

gestores de base de datos:

• Actualización de información a través de la sentencia DML (Lenguaje de

Manipulación de Datos) UPDATE.

• Consulta de registros mediante la sentencia SELECT.

• Eliminación de datos por medio de la sentencia DELETE.

• Ingreso masivo de datos a través de la sentencia INSERT.

MARIA DB

Es un gestor de base de datos que es compatible con MYSQL donde este sistema

garantiza una capacidad de reemplazo con librerías binarias equivalentes y una

exacta combinación con los comandos y APIs de MYSQL. MARIADB es una base

de datos que utiliza sentencias DML SQL para la creación de tablas, consultas,

inserción de claves primarias y foráneas, actualización, inserción y eliminación de

datos. (Villamar, 2017)

PHPMYADMIN

Es una aplicación de código abierto programada en PHP y funcionan a través de

la herramienta XAMPP para WINDOWS y APACHE en Linux, esta herramienta

cumple con la función de administrar una base de datos MYSQL mediante una

interfaz web sin la necesidad de instalar gestores DB en el sistema operativo.

PHPMYADMIN es compatible con la mayor cantidad de sentencias de SQL para

el manejo de tablas e inserción masiva de información. (Villamar, 2017)

Características de PHPMYADMIN

• Interfaz web intuitiva.

• Gestión de procedimientos DML, DCL y DDL

• Gestión de disparadores.

• Creación de consultas complejas.

47

• Soporte de base de datos MYSQL y MARIA DB.

o Administración de credenciales de usuarios de base de datos

MYSQL y MARIADB.

o Consulta por lotes.

o Procesos de búsqueda, eliminación de tablas, vistas, campos e

índices.

o Mantenimiento del Servidor de Base de Datos.

ANDROID

Android es un sistema operativo para dispositivos móviles basado en Linux y

utilizado por la mayor cantidad de desarrolladores de software donde por medio

de esta plataforma los mismos pueden crear aplicaciones móviles y ejecutarlas en

emuladores de Android o en el propio sistema operativo con el fin de verificar su

respectivo funcionamiento y errores que se pueden presentar en la programación

de un APP. (Villamar, 2017)

A continuación se demuestra los tipos de APP que se ejecutan en ANDROID:

• Mensajería instantánea (WhatsApp, Facebook, Telegram, etc.)

• Juegos en línea.

• Aplicaciones de Comercio Electrónico.

• Aplicaciones de Banca en Línea.

• Aplicaciones de salud.

• Aplicaciones de Streaming (YouTube, Netflix, IPTV, etc.)

Android Studio

Es un entorno de desarrollo IDE para el desarrollo de aplicaciones móviles

empleando el lenguaje de programación JAVA. Este aplicativo posee un potente

editor códigos y herramientas para desarrolladores de INTELLIJ donde los

ingenieros de software pueden programar las APP de forma sistemática y

empleando varios entornos de programación. (Villamar, 2017)

A continuación, se presente algunas funciones que proporciona Android Studio:

• Sistema de compilación flexible.

• Emuladores inmediatos con varias funciones de compilación.

48

• Entorno unificado donde el usuario puede desarrollar la APP y ejecutarla

al mismo tiempo.

• Integración de código de GITHUB para desarrollos de APP y enviar el

código a la plataforma de GITHUB.

Complementos de Android Studio

OpenCV

Es una biblioteca utilizada en la segmentación y procesamiento de imágenes

digitales a través de la función CANY creada por la empresa informática INTEL.

OPENCV es una librería que es aplicada en varios sistemas operativos de

computadoras y móviles como lo son: Windows, Linux, MAC, Android e IOS, con

el objetivo de digitalizar y optimizar los procesos volviéndolos más rápidos y

eficientes. Las redes neuronales con OPENCV son aplicadas en varios entornos

de trabajo generando que los usuarios obtengan un excelente rendimiento en el

momento de ejecutar una tarea específica asignada por la organización.

A continuación se indican los ambientes donde se emplean las redes neuronales

con OPENCV:

• Medicina (Imágenes Radiográficas).

• Entornos Académicos.

• Reconocimiento de información vehicular.

• Procesos de agricultura y ganadería.

Características de OPENCV

Las características de OPENCV son las siguientes:

• Estructuras de datos y funciones básicas para el procesamiento de

imágenes digitales a través del módulo CORE.

• Proporción de una interfaz de usuario con integración de codecs de

imágenes y video y capacidad de capturar eventos del mouse de

computadora por medio del módulo HIGHHUI.

• Procesamiento, filtrado y transformada de imágenes a través de algoritmos

de visión artificial que a su vez son proporcionados por el módulo

IMGPROC.

49

• Seguimiento de objetos captados en videos por medio de algoritmos

multimedia.

• Detección y reconocimiento de objetos estándar por medio del módulo

OBJDETECT.

Figura No. 23 Módulos de OPENCV

Fuente: PACKT

Fases de OPENCV

En la siguiente imagen se presenta las etapas de OPENCV.

Figura No. 24 Etapas de OPENCV

Fuente: Copyright 2019, OpenCV team

50

MATLAB

Es definido como un lenguaje de cálculos matemáticos a nivel técnico en lo cual

es utilizado por millones de ingenieros en tecnologías de la información, civiles y

científicos. Esta plataforma cumple con la función de resolver problemas

científicos y de ingeniería basado en la creación de modelo de matrices

expresando las matemáticas en métodos o procedimientos computacionales, las

gráficas que son integradas en el lenguaje de programación permiten visualizar y

obtener información sobre problemas o ejercicios numéricos. (BALLIN, 2018)

Esta herramienta es aquella que posee un alto rendimiento para la verificación de

los datos técnicos, integrando la computación, visualización y el entorno de

programación. Además, MATLAB posee estructuras de datos sofisticadas,

contiene herramientas de edición y depuración en los cual es compatible con la

programación orientada a objeto. (BALLIN, 2018)

Figure No. 25 MATLAB

Fuente: BRAINERR

51

FUNDAMENTACIÓN LEGAL

Constitución de la República del Ecuador 2008

Plan Nacional de Desarrollo 2017-2021

Sección primera – Educación

Capítulo primero – inclusión y equidad

Art. 350.- El sistema de educación superior tiene como finalidad la formación

académica y profesional con visión científica y humanista; la investigación

científica y tecnológica; la innovación, promoción, desarrollo y difusión de los

saberes y las culturas; la construcción de soluciones para los problemas del país,

en relación con los objetivos del régimen de desarrollo.

Art. 355.- El Estado reconocerá a las universidades y escuelas politécnicas

autonomía académica, administrativa, financiera y orgánica, acorde con los

objetivos del régimen de desarrollo y los principios establecidos en la Constitución.

Se reconoce a las universidades y escuelas politécnicas el derecho a la

autonomía, ejercida y comprendida de manera solidaria y responsable. Dicha

autonomía garantiza el ejercicio de la libertad académica y el derecho a la

búsqueda de la verdad, sin restricciones; el gobierno y gestión de sí mismas, en

consonancia con los principios de alternancia, transparencia y los derechos

políticos; y la producción de ciencia, tecnología, cultura y arte.

Sus recintos son inviolables, no podrán ser allanados sino en los casos términos

en que pueda serlo el domicilio de una persona. La garantía del orden interno será

competencia y responsabilidad de sus autoridades.

Cuando se necesite el resguardo de la fuerza pública, la máxima autoridad de la

entidad solicitará la asistencia pertinente. La autonomía no exime a las

instituciones del sistema de ser fiscalizadas, de la responsabilidad social,

rendición de cuentas y participación en la planificación nacional. La Función

Ejecutiva no podrá privar de sus rentas o asignaciones presupuestarias, o retardar

las transferencias a ninguna institución del sistema, ni clausurarlas o

reorganizarlas de forma total o parcial.

52

Sección Octava Ciencia, Tecnología, Innovación y Saberes

Ancestrales

Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes

ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las culturas

y la soberanía, tendrá como finalidad:

1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.

2. Recuperar, fortalecer y potenciar los saberes ancestrales.

3. Desarrollar tecnologías e innovaciones que impulsen la producción nacional,

eleven la eficiencia y productividad, mejoren la calidad de vida y contribuyan a la

realización del buen vivir.

Art. 386.- El sistema comprenderá programas, políticas, recursos, acciones, e

incorporará a instituciones del Estado, universidades y escuelas politécnicas,

institutos de investigación públicos y particulares, empresas públicas y privadas,

organismos no gubernamentales y personas naturales o jurídicas, en tanto

realizan actividades de investigación, desarrollo tecnológico, innovación y aquellas

ligadas a los saberes ancestrales.

El Estado, a través del organismo competente, coordinará el sistema, establecerá

los objetivos y políticas, de conformidad con el Plan Nacional de Desarrollo, con

la participación de los actores que lo conforman.

Art. 387.- Será responsabilidad del Estado:

1. Facilitar e impulsar la incorporación a la sociedad del conocimiento para

alcanzar los objetivos del régimen de desarrollo.

2. Promover la generación y producción de conocimiento, fomentar la

investigación científica y tecnológica, y potenciar los saberes ancestrales,

para así contribuir a la realización del buen vivir, al sumak kawsay.

3. Asegurar la difusión y el acceso a los conocimientos científicos y

tecnológicos, el usufructo de sus descubrimientos y hallazgos en el marco

de lo establecido en la Constitución y la Ley.

53

4. Garantizar la libertad de creación e investigación en el marco del respeto

a la ética, la naturaleza, el ambiente, y el rescate de los conocimientos

ancestrales.

5. Reconocer la condición de investigador de acuerdo con la Ley.

Art. 388.- El Estado destinará los recursos necesarios para la investigación

científica, el desarrollo tecnológico, la innovación, la formación científica, la

recuperación y desarrollo de saberes ancestrales y la difusión del conocimiento.

Un porcentaje de estos recursos se destinará a financiar proyectos mediante

fondos concursables. Las organizaciones que reciban fondos públicos estarán

sujetas a la rendición de cuentas y al control estatal respectivo.

Ley Orgánica de Educación Superior (LOES)

Título a ámbito objeto fines y principios del sistema de educación

Superior.

Capítulo II

Art. 8.- Serán Fines de la Educación Superior.- La educación superior tendrá los

siguientes fines:

a) Aportar al desarrollo del pensamiento universal, al despliegue de la

producción científica y a la promoción de las transferencias e innovaciones

tecnológicas;

b) Fomentar y ejecutar programas de investigación de carácter científico,

tecnológico y pedagógico que coadyuven al mejoramiento y protección del

ambiente y promuevan el desarrollo sustentable nacional;

Art. 13.- Funciones del Sistema de Educación Superior.- Son funciones del

Sistema de Educación Superior: literales a, b, d f, ñ

a) Garantizar el derecho a la educación superior mediante la docencia, la

investigación y su vinculación con la sociedad, y asegurar crecientes

niveles de calidad, excelencia académica y pertinencia;

54

b) Promover la creación, desarrollo, transmisión y difusión de la ciencia, la

técnica, la tecnología y la cultura;

c) Fortalecer el ejercicio y desarrollo de la docencia y la investigación

científica en todos los niveles y modalidades del sistema;

d) Garantizar el respeto a la autonomía universitaria responsable;

e) Brindar niveles óptimos de calidad en la formación y en la investigación.

Título II Autonomía responsable de las universidades y

Escuelas politécnicas

Capítulo II

Patrimonio y financiamiento de las instituciones de educación

Superior

Art. 20.- Del Patrimonio y Financiamiento de las instituciones del sistema de

educación superior.- En ejercicio de la autonomía responsable, el patrimonio y

financiamiento de las instituciones del sistema de educación superior estará

constituido por:

a) Los beneficios obtenidos por su participación en actividades productivas de

bienes y servicios, siempre y cuando esa participación no persiga fines de lucro y

que sea en beneficio en la institución;

g) Los recursos provenientes de herencias, legados y donaciones a su favor;

h) Los fondos autogenerados por cursos, seminarios extracurriculares, programas

de posgrado, consultorías, prestación de servicios y similares, en el marco de lo

establecido en esta Ley;

Art. 35.- Asignación de recursos para investigación, ciencia y tecnología e

innovación.- Las instituciones del Sistema de Educación Superior podrán acceder

55

adicional y preferentemente a los recursos públicos concursables de la pre

asignación para investigación, ciencia, tecnología e innovación establecida en la

Ley correspondiente.

Capítulo 12

Personal académico

Art. 148.- de la LOES agrega los profesores o profesoras e investigadores o

investigadoras que hayan intervenido en una investigación tendrán derecho a

participar, individual o colectivamente, de los beneficios que obtenga la institución

del Sistema de Educación Superior por la explotación o cesión de derechos sobre

las invenciones realizadas en el marco de lo establecido en esta Ley y la de

Propiedad Intelectual. Igual derecho y obligaciones tendrán si participan en

consultorías u otros servicios externos remunerados. Las modalidades y cuantía

de la participación serán establecidas por cada institución del Sistema de

Educación Superior en ejercicio de su autonomía responsable.

PLAN NACIONAL DE DESARROLLO – ECUADOR

Estrategias para el 2017-2021

Matriz de políticas y lineamientos estratégicos

Objetivos

Objetivo 4. Fortalecer las capacidades y potencialidades de la ciudadanía

4.4 Mejorar la calidad de la educación en todos sus niveles y modalidades, para

la generación de conocimiento y la formación integral de personas creativas,

solidarias, responsables, críticas, participativas y productivas, bajo los principios

de igualdad, equidad social y territorialidad

4.4 i.) Asegurar en los programas educativos la inclusión de contenidos y

actividades didácticas e informativas que motiven el interés por las ciencias, las

tecnologías y la investigación, para la construcción de una sociedad socialista del

conocimiento.

56

4.6 Promover la interacción recíproca entre la educación, el sector productivo y la

investigación científica y tecnológica, para la transformación de la matriz

productiva y la satisfacción de necesidades

4.6. f) Fortalecer y promocionar la formación técnica y tecnológica en áreas

prioritarias y servicios esenciales para la transformación de la matriz productiva,

considerando los beneficios del sistema dual de formación

4.6. j) Generar mecanismos de incentivo y acceso al financiamiento de programas

y proyectos de investigación científica y desarrollo tecnológico, promoviendo su

implementación con criterios de priorización para el desarrollo del país.

Objetivo 8. Consolidar el sistema económico social y solidario, de forma

sostenible.

8.1. Invertir los recursos públicos para generar crecimiento económico sostenido

y transformaciones estructurales

8.1.d ) Articular la inversión del Estado Central con las empresas públicas, las

entidades del sistema de seguridad social, las universidades y escuelas

politécnicas, la banca pública y otros niveles de gobierno, en el marco de la

planificación nacional.

HIPÓTESIS O PREGUNTA CIENTÍFICA A CONTESTARSE

¿Determinar el tamaño de la fruta mediante el software clasificador de banana,

facilitará la de toma decisión sobre el estado óptimo de la fruta para su

exportación?

57

VARIABLES DE LA INVESTIGACIÓN

Variable Independiente

El banano que está listo para la exportación.

Variable Dependiente

Desarrollo de una herramienta informática basada en visión artificial. Aplicando

procesamientos de imágenes digitales y su simulación en MATLAB mediante

redes neuronales

DEFINICIONES CONCEPTUALES

• Visión por computadora

Consiste en la adquisición, procesamiento, clasificación, y reconocimiento de

imágenes digitales. (Querejeta Simben 2015i)

• Pixel

Es un elemento básico de una imagen (picture element) o también se podría decir

que es la menor unidad homogénea de una imagen. (S.L., 2016)

• Imagen

Es un arreglo bidimensional de pixeles con diferentes intensidad luminosa (escala

de grises). (Manuel Martín 2013)

• Color

Este se forma mediante los tres colores básicos, rojo, verde, azul, (por sus siglas

en ingles RGB), y pueden formarse por una tripleta de valores de 0 a 1(R, G, B)

donde representan la intensidad cada uno de los tres colores básicos. (J. M.

Artigas, 2002)

• Brillo

Indica si una área está más o menos iluminadas.(González M. L., 2015)

58

• Tono

Indica si un área parece similar al rojo, verde o azul o a una proporción de ellos.

(Arroyal, 2016)

• Espacio RGB

Está basado en la combinación de las tres señales de combinación cromática

distinta: rojo, verde, azul, (red, green, blue). La manera más sencilla de determinar

un color es especifico es la cantidad de color rojo, verde, azul que se quiera

combinar para tener un color deseado. (Artigas, 2002)

Figure No. 26 Espacio de colores RGB

Fuente: Elsevier

• Mapa de color

Es una matriz de nx3, donde cada una de las regiones es una de las tripletas de

colores, el primer renglón corresponde al valor mínimo del eje de color y el último

renglón al máximo. (Elizondo, 2002)

• Histogramas de una imagen

Es una representación del número de pixeles de cierto nivel gris en función de los

niveles de gris. (Martín, 2013)

59

• Suavizado de la imagen

Es el conjunto de técnicas que se aplican a las imágenes digitales con el objetivo

de mejorar la calidad o facilitar la búsqueda de información.

• Ruido de la imagen

Es la variación aleatoria (que no se corresponde con la realidad) del brillo o

el color en las imágenes digitales producido por el dispositivo de entrada.

• RNA

Redes neuronales artificiales. (Anegón, 2002)

• Agrocalidad

Es la agencia encargada del control y regulación para la protección y el

mejoramiento de la sanidad animal, sanidad vegetal e inocuidad

alimentaria.(Ministerio de Agricultura, 2014)

https://es.wikipedia.org/wiki/Luminosidad_(color)

https://es.wikipedia.org/wiki/Color

60

CAPÍTULO III

PROPUESTA TECNOLÓGICA

Según lo detallado en el Capítulo II se emplean las siguientes propuestas tecnológicas

que son de gran ayuda para el desarrollo de la aplicación móvil que cumpla con la

función de almacenar imágenes digitales a la base de datos para que estas puedan

ser procesadas a través de una red neuronal implementada en el lenguaje de

programación de MATLAB y se pueda determinar el tamaño del objeto que esta

puesto como imagen.

Como propuesta para el desarrollo del tema “DESARROLLO DE UNA



PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB

MEDIANTE REDES NEURONALES.”, se ha realizado un levantamiento de

información sobre los procesos de calibración del banano y el estado en que se

encuentra esta fruta determinando si es acta para exportación a los diferentes

mercados nacionales e internacionales, dentro de este proceso se verificó los

diferentes errores como: cortes de la racima antes y después de tiempo y que a su

vez son cometidos por los agricultores en el momento de medir el tamaño de dicho

banano provocando de esta manera pérdidas de producción de la fruta llegando a

que esta sea rechazada, o sea vendida en un costo extremadamente bajo generando

pocas ganancias.

Tener como salida una aplicación de software basado visión artificial y a su vez una

APP móvil Android que tome las muestras de la banana y que las envíe a la red

neuronal a través de una base de datos convirtiendo el proceso de medición del

banano manual en digital solucionaría la mayor cantidad de errores humanos

produciendo un alto rendimiento en este proceso con un porcentaje mayor de

exactitud en los cálculos matemáticos de medición del tamaño de la banana.

61

Para realizar las respectivas pruebas en el proyecto de titulación en desarrollo se

programará una aplicación móvil empleando la herramienta Android Studio donde

esta cumplirá solamente con la función de recopilar las muestras del banano y

enviarlas a una base de datos MYSQL una vez culminada la APP Android se

implementa el lenguaje de programación de MATLAB lo cual será utilizado para

establecer consultas al gestor de base de datos MYSQL sobre las imágenes del

banano almacenadas y procederá con el respectivo análisis de calibración

determinando si la fruta es acta o no para exportación a los diferentes mercados

nacionales e internacionales.

En esta fase de este capítulo la propuesta tecnológica hace énfasis a los diversos

tipos de factibilidad que son: la operacional, técnica, económica y legal, la

metodología a emplear en el proyecto con sus diferentes etapas, los entregables del

proyecto, el procesamiento y análisis de la información recopilada por medio de

técnicas de instrumentación de datos como la encuesta y la entrevista y los criterios

de validación de la propuesta que consiste en realizar un dialogo con experto en

desarrollo e implementación de software con el objetivo de determinar la viabilidad o

el nivel máximo de aceptación de la propuesta.

A continuación se presenta la propuesta del diseño de la APP Android, el diagrama

de usabilidad de la aplicación y el proceso de análisis de las imágenes digitales a

través de la red neuronal:

62

Figure No. 27 Diagrama Topológico de la Aplicación Móvil Android

Fuente: Trabajo de Investigación

Autor: Freddy Juanazo

63

Figure No. 28 Usabilidad de la APP Android



64

Figure No. 29 Sistema de Red Neuronal



65

ANÁLISIS DE FACTIBILIDAD

El análisis de factibilidad dentro del proyecto de titulación en desarrollo sobrelleva

a que se defina la viabilidad o el alto nivel de aceptación mediante técnicas de

instrumentación de datos o enfocándose en las necesidades que se presentan en

un entorno o ambiente de trabajo, la implementación del tema propuesto para

haciendas bananeras, es de vital importancia con el objetivo de mejorar el proceso

de calibración del banano manual convirtiéndolo en digital ejecutando una solución

óptima disminuyendo tiempo y recursos de esta manera se declara factible la

propuesta tecnológica.

FACTIBILIDAD OPERACIONAL

Dentro de la factibilidad operacional existe un gran apoyo en las haciendas

bananeras para el desarrollo del sistema de red neuronal con el fin de mejorar el

proceso de calibración manual del banano digitalizando los procedimientos que

ayudan a determinar si la fruta posee características excelentes para ser

exportada a los mercados de índole nacional e internacional y realizar esta

medición de manera computarizada además, la propuesta tecnológica

proporciona múltiples beneficios sobre la solución de problemas de medición del

tamaño del banano reduciendo los posibles errores de calibración de dicha fruta

que son provocados por los agricultores.

En base a las necesidades y problemas que se han ido presentando en las

haciendas bananeras sobre la calibración del banano este proyecto es factible

operacionalmente ya que este proceso se lo ha ido realizando manualmente pero

no con exactitud generando que esta fruta que es consumida a nivel mundial en

jugos, helados, cocteles y demás sea vendida a un menor costo o utilizándola

como alimento para toda clase de animal doméstico produciendo de esta manera

pérdidas económicas en las distribuidoras de banano verde.

66

FACTIBILIDAD TÉCNICA

En esta etapa de la factibilidad técnica se detallan los recursos técnicos

informáticos que serán participes en el proyecto de titulación.

Tabla No. 3 Recursos Técnicos Informáticos

Recursos de Software

Software Descripción

ANDROID STUDIO

Software desarrollador de

aplicaciones móviles para

sistemas operativos Android.

MATLAB Herramienta para procesar

imágenes digitales en MATLAB.

MYSQL

Base de datos para el

almacenamiento de imágenes

digitales.

Recursos de Hardware

Hardware Descripción

Dispositivo móvil que será

utilizado para la toma de

imágenes del banano y con esto

procesarlas mediante una red

neuronal y determinar el tamaño

óptimo

Computadora Laptop con

procesador Core I3, Memoria

RAM de 8 Gigabyte, Disco Duro

de 300 Gigabyte.

Fuente: Trabajo de Investigación Autor: Freddy Juanazo

67

FACTIBILIDAD ECONÓMICA

Para el desarrollo de este proyecto de titulación se detallan los costos que se

invierten en la propuesta tecnológica.

Tabla No. 4Costos del Proyecto

Descripción Cantidad Costo Unitario Costo Total

Servicio de

Internet 1 $ 30 $ 30

Computadora

Laptop Toshiba

Core I3

1 $ 700 $ 700

Gastos

Operacionales

(Alimentación y

Transporte)

1 $ 100 $ 100

Gastos de

Impresión 1 $ 100 $ 100

Total 4 $ 930 $ 930


Además se presenta el presenta el presupuesto de mano de obra del proyecto

detallando los costos que debe invertir las bananeras para una respectiva

implementación.

Tabla No. 5 Presupuesto del Proyecto

Responsables del

Proyecto Costo Unitario Costo Total

Freddy Juanazo-Ing.

Irma Naranjo, Msc. $ 1500 $ 1500

Total $ 1500 $ 1500


68

FACTIBILIDAD LEGAL

El proyecto de titulación en desarrollo se encuentra avalado por las leyes, normas

y estatutos constituidos en la República del Ecuador las cuales estos reglamentos

permiten que los usuarios puedan desarrollar en innovar tecnologías de la

información contribuyendo con la mayor cantidad de factores presentes en zonas

rurales y urbanas conllevando a mejorar los servicios de agricultura, ganadería,

pesca y demás presentes en el Ecuador.

En referente al uso de software no se infringen las leyes ya que se va a utilizar la

herramienta Android Studio donde no se requiere licenciamiento de programas, lo

mismo el software de MySQL que se lo integra al Android Studio para el

procesamiento digital de imágenes. En el caso de Software de Matlab se utiliza

una licencia estudiantil para realizar la simulación de la clasificación de bananas.

ETAPAS DE METODOLOGIA DEL PROYECTO

Para el desarrollo del proyecto de titulación basado en el desarrollo de un sistema

de visión artificial se emplea la metodología de proyectos de cascada donde se

detallan las siguientes fases:

Fase I: Análisis y requerimientos de la producción de la banana: En esta fase

se describe los procesos de la línea base del caracterizado de la banana, su

tiempo de corte de la racima y el proceso de medición de la fruta, además se

realizaron encuestas a los trabajadores de las bananeras para recabar

información relevante sobre este proceso de producción. También se desarrolla

un cronograma de actividades describiendo las tareas del proyecto.

Se descubrió errores en los calibradores de la frutas sobre la medición del tamaño

de la misma, en base a esto se vio la necesidad de desarrollar una herramienta

informática, para eliminar el proceso de calibración manual digitalizándolo con el

objetivo de disminuir posibles fallas en los jornaleros.

69

Fase II: Diseño de la plataforma de visión artificial para el procesamiento de

imágenes digitales a través de una red neuronal: En base a la fase anterior, se

desarrolla una aplicación móvil Android la cual permitirá tomar muestras de la

banana desde cualquier posición durante el proceso de corte de la racima y

enviarlas mediante la red local al computador donde se ejecuta el sistema de

visión artificial de análisis de imágenes.

Las imágenes enviadas desde el dispositivo móvil Android se ubican en un

directorio llamado uploads donde el calibrador digital desarrollado en MATLAB

accede a este directorio para extraer las muestras y procederlas a analizar. Este

directorio se lo puede modificar en base a las necesidades del cliente.

Fase III: Implementación del prototipo de sistema de visión artificial: En esta

fase se desarrolla un sistema de visión artificial aplicando redes neuronales

convolucionales para el análisis de las muestras recolectas en el aplicativo móvil

Android y determinar el tamaño exacto de la fruta y verificar si es apta para

exportación.

Además, el sistema de calibración digital almacena las muestras analizadas

definiendo una ruta establecida por el desarrollador de sistemas con el objetivo de

verificar los resultados óptimos en cada muestra analizada por el mismo

calibrador.

Fase IV: Verificación y pruebas del sistema de visión artificial: En esta fase

se realizan las pruebas para verificar el funcionamiento del sistema de calibración

digital y también identificar los procedimientos que utiliza para medir el tamaño y

el nivel de madurez de la fruta.

En la fase de pruebas se tomo muestras desde cualquier posición y distancia,

desde la aplicación móvil Android verificando el envío de las imágenes al

computador mediante la red local, donde estas imágenes se cargan en una ruta

específica, una vez realizado este proceso se extrae dichas muestras para

proceder analizarlas.

70

En este caso se dirige a la aplicación desarrollada en MATLAB, el aplicativo extrae

la muestra por medio de una función para después mostrar por pantalla la imagen

que va hacer visualizada por el jornalero, una vez realizado este proceso de

extracción se analiza la muestra mediante una función que determina si la fruta es

exportable, finalmente se almacenan los resultados del proceso de análisis a

través de un procedimiento donde el usuario puede acceder a una ruta

programada en el sistema encontrando los resultados de las muestras analizadas.

Todas las funciones se cargan en cada uno de los botones de la aplicación.

Fase V: Mantenimiento del sistema de visión artificial: En última fase se realizó

un mantenimiento al sistema limpiando los procesos de ejecución para poderlo

ejecutar nuevamente.

Se crea una función de enceramiento en el aplicativo desarrollado en MATLAB por

el motivo de que se utilizan variables globales que a su vez pueden provocar

posibles errores en el sistema e información errónea dentro del proceso de

calibración digital. Por ende antes de cada calibrado se debe realizar una limpieza

en el sistema antes de una nueva ejecución.

Figure No. 30 Metodología de Proyectos de Cascada

Fuente: Openclassrooms

71

CRONOGRAMA DE ACTIVIDADES DEL PROYECTO

Figure No. 31 Diagrama de Gantt



Tabla No. 6 Cuadro de Actividades Actividades

Fecha de Inicio

Duración en días

Fecha Fin

Desarrollo de la APP Android 3-dic-2018 3 5-dic-2018

Creación de la base de datos MySQL 6-dic-2018 4 10-dic-2018

Conexión de la base de datos con la APP Android

11-dic-2018 4 15-dic-2018

Creación de la red neuronal en MATLAB

16-dic-2018 4 20-dic-2018

Conexión de la base de datos con MATLAB

21-dic-2018 2 23-dic-2018

Procesamiento de imagines digitales 26-dic-2018 3 29-dic-2018


Diseño: En este proceso se diseña la topología de red donde va a funcionar la

aplicación móvil y el sistema de red neuronal para el procesamiento de imágenes

digitales. VER PROPUESTA TECNOLÓGICA. Además se procede a anexar la

pantalla de la aplicación móvil Android.

0 2 4 6

Desarrollo de la APP Android

Creación de la base de datosMySQL

Conexión de la base de datos conla APP Android

Creación de la red neuronal enMATLAB

Conexión de la base de datos conMATLAB

Procesamiento de imágenesdigitales

72

Figure No. 32 Pantalla de la aplicación móvil Android



Implementación: En esta fase se detalla la programación de la aplicación móvil

y la conexión con la base de datos MySQL:

Declaración de variables

En este proceso se declaran las variables que serán utilizadas en cada una de las

funciones de la aplicación móvil Android.

73

Figure No. 33 Declaración de Variables



Asignación de las funciones a cada uno de los botones

Una vez declaradas las variables se procede a asignar las funciones a cada uno

de los botones en Android Studio.

Figure No. 34 Asignación de Variables


Autor: Freddy Juanazo Creación de funciones

En este caso se crea una función tipo void donde esta se encarga de seleccionar

la imagen que deseas almacenar en un directorio y en la base de datos MySQL.

74

Figure No. 35 Función tipo Void



Después de haber seleccionado la imagen con sus respectivas características se

procede a almacenarla en la base de datos MySQL y en el directorio programado.

Figure No. 36 Función de características de la imagen


Autor: Freddy Juanazo Después de seleccionar la imagen se envía un mensaje tipo JSON desde PHP

hacia la aplicación de Android Studio para verificar que se haya guardado

correctamente.

75

Figure No. 37 Función de Almacenamiento de imagen



Antes de realizar un almacenamiento de la imagen se procede a llamar la instancia

de la clase y agregar un nombre a dicha imagen.

Figure No. 38 Función de Selección de Imagen



En esta fase se procede a crear una función tipo String que permita extraer los

byte de la imagen y poderla subir correctamente.

76

Figure No. 39 Función de Formato de Imagen



Operación: En esta fase se detalla se anexa las imágenes que se almacenaron

en el directorio programado en PHP.

Una vez programadas las funciones de almacenamiento de información en la base

de datos MySQL se realiza las respectivas pruebas y se procede a verificar que

las imágenes estén guardadas en el directorio programado, además se muestra

la clase MySingleton donde a través de esta se pueden almacenar las imágenes

correctamente.

Figure No. 40 Almacenamiento de datos en la base de datos



77

Figure No. 41 Imágenes almacenadas en el servidor desde la APP Android



ENTREGABLES DEL PROYECTO

Los entregables del proyecto son los siguientes:

• Preguntas de encuestas.

• Programación de PHP de conexión a la base de datos MySQL.

• Procesamiento de imágenes digitales de MATLAB.

• Diseño de la red neuronal.

CRITERIOS DE VALIDACIÓN DE LA PROPUESTA

Para determinar la validación del proyecto de titulación se tomó en consideración

la constancia del criterio de juicio de experto, y se realizó la investigación de

campo aplicando como técnica de recolección de información la encuesta con un

total de 10 preguntas, dirigida a personas con conocimientos de producción de

banano y exportación de la fruta con el objetivo de verificar el máximo nivel de

aceptación del proyecto llegando a la conclusión que se tome en consideración

este proyecto para medir el tamaño y la madurez del banano mediante redes

neuronales.

En caso del juicio de experto se estableció un dialogo con el Ing. Andrés Mera

experto en agronomía donde el indica que la propuesta tecnológica presenta los

recursos necesarios para su aplicación en campos de producción de frutas donde

esto optimiza el tiempo de calibración o medición del tamaño y madurez de una

fruta como el banano objeto de este proyecto. Además, se detalla que este

proyecto es de gran ayuda para la mayoría de las compañías productoras de

banano debido a que algunas de estas no poseen conocimiento de cómo mejorar

el proceso de medición del banano.

78

PROCESAMIENTO Y ANÁLISIS

La encuesta se encuentra dirigida al personal que labora en las bananeras

ubicadas en el sector del Km 26 vía Duran-Boliche, la encuesta consta de un total

de 10 preguntas que serán tabuladas en la herramienta Excel y se utilizaran

gráficos de pastel para la respectiva tabulación. A través de la encuesta podemos

verificar si el proyecto de titulación cuyo tema es: “DESARROLLO DE UNA



PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN

MATLAB MEDIANTE REDES NEURONALES” es viable y posea la capacidad de

proporcionar alternativas de solución al problema del calibrado del banano.

En esta encuesta tiene como objetivo indagar más sobre el problema del calibrado

del banano que se ha ido presentando con el transcurso del tiempo, además, se

pretende recabar la mayor cantidad de información para finalmente anexar

evidencias de cómo el proyecto puede disminuir el problema presente.

Adicionalmente se pretende saber opiniones de las personas que serán partícipes

en las encuestas sobre las tecnologías de la información y comunicación que

serán aplicadas al calibrado del banano.

La encuesta se logró aplicar a un total de 40 personas de la muestra de la

población, obteniendo los siguientes resultados y análisis de las preguntas.

Población

La población a considerar son las 46 personas que trabajan en haciendas

bananeras del KM 26 VÍA DURAN-BOLICHE.

Muestra

La muestra es un subconjunto representativo de la población que ayudan al

investigador a seguir con el transcurso de la investigación. Existen diferentes tipos

de muestreo. El tipo de muestra seleccionada dependerá de la calidad y cuán

representativo se quiera que sea el estudio de la población.

79

Calculo de la Muestra

Para realizar el cálculo de la muestra se toma en consideración la siguiente

fórmula:

n =𝑚

𝑒2(m − 1) + 1

Datos de la formula

• M = Tamaño de la población (46)

• E = Error de Estimación (6%)

• N = Muestra (40)

n =46

(0.06)2(46 − 1) + 1

n =46

1.162

n = 39.58

n = 40 personas a encuestar

80

ENCUESTA REALIZADA A LOS TRABAJADORES DE LAS

HACIENDAS BANANERAS UBICADAS EN EL KM 26 DE LA VÍA

DURÁN-BOLICHE

1. ¿En qué tiempo usted se tarda en medir el tamaño del banano?

Tabla No. 7 Pregunta 1 Opciones Cantidad Porcentaje

0-15 min 8 20%

30-45 min 10 25%

1 hora 2 5%

Más de 2 horas 20 50%

Total 40 100%


Figure No. 42 Porcentaje de Respuesta de la Pregunta 1



Análisis: Durante la encuesta se verificó que el 50% de las personas

encuestadas se toman un tiempo de dos horas para medir el tamaño de la banana.

0-15 min20%

30-45 min25%

1 hora5%

Más de 2 horas50%

81

2. ¿Durante la producción del banano ha sido rechazada la fruta

por no aprobar los controles de calidad?

Tabla No. 8 Pregunta 2 Opciones Cantidad Respuesta

SI 30 75%

NO 10 25%

Total 40 100%






encuestadas indican que la fruta ha sido rechazada por no aprobar los controles

de calidad.

SI75%

NO25%

82

3. ¿Si contesto SI en la pregunta dos, ha pensado usted en mejorar

el proceso de medición del banano para obtener un tamaño

óptimo que permita que la fruta apruebe los controles de

calidad?

Tabla No. 9 Pregunta 3 Opciones Cantidad Respuesta

SI 25 62%

NO 15 38%

Total 40 100%






encuestadas indican que si han pensado en mejorar el proceso de medición del

banano para obtener un tamaño óptimo en la fruta que permita aprobar los

controles de calidad.

SI62%

NO38%

83

4. ¿Cuántas veces ha sido rechazado su banano por motivo del

tamaño?


1 Vez 5 12%

Más de 1 Vez 10 25%

Varias Veces 25 63%

Total 40 100%






encuestadas indican que sus cajas de banano han sido rechazadas varias veces.

1 Vez12%

Más de 1 Vez25%

Varias Veces63%

84

5. ¿Ha pensado en implementar un sistema de medición del

tamaño de la banana?

Tabla No.11 Pregunta 5 Opciones Cantidades Porcentaje

SI 35 87%

NO 5 13%

Total 40 100%






encuestadas indican que si han pensado en implementar un sistema que medida

el tamaño del banano.

SI87%

NO13%

85

6. ¿Estaría usted de acuerdo que se mejore el proceso de

calibración del banano disminuyendo los errores de medición

que provocan rechazos en la fruta?

Tabla No. 12 Pregunta 6 Opciones Cantidades Porcentaje

Totalmente de

Acuerdo 35 87%

De Acuerdo 1 3%

Indiferente 2 5%

Totalmente en

desacuerdo 2 5%

En desacuerdo 0 0%

Total 40 100%






encuestadas indican que están totalmente de acuerdo que se mejore el proceso

de calibración del banano.

Totalmente de Acuerdo

87%

De Acuerdo3%

Indiferente5% Totalmente

en desacuerdo

5%

En desacuerdo

0%

86

7. ¿Usted como productora de banano posee controles que

ayuden a obtener una excelente producción de la fruta?

Tabla No.13 Pregunta 7 Opciones Cantidad Porcentaje

SI 2 5%

NO 38 95%

Total 40 100%






encuestadas indican que no poseen controles que ayuden a obtener una mejor

producción del banano.

SI5%

NO95%

87

8. ¿Cuáles son las causas que surgen y que provocan que el

banano sea rechazado?


Falla en la medición

de la fruta 20 50%

Corte de la racima

antes de tiempo 15 37%

Corte de la racima

después de tiempo 5 13%

Total 40 100%






encuestadas indican que por fallas en la medición de la fruta se da el rechazo de

la misma.

Falla en la medición de

la fruta50%

Corte de la racima antes

de tiempo37%

Corte de la racima

después de tiempo

13%

88

9. ¿Cuándo existe rechazo en las cajas de banano usted que

indicadores aplicaría para disminuir la perdida de la fruta?

Tabla No.15 Pregunta 9 Opciones Cantidades Porcentaje

Comida para ganado 4 10%

Ventas en mercados

latinos 16 40%

Ventas en el mercado

nacional 20 50%

Total 40 100%






encuestadas que venderían el banano en el mercado nacional para disminuir un

poco las pérdidas económicas.

Comida para ganado

10%

Ventas en mercados

latinos 40%

Ventas en el mercado nacional

50%

89

10. ¿Estaría usted de acuerdo que los agricultores se eduquen en

tecnologías informáticas para mejorar el proceso de calibración

del banano?


Totalmente de

acuerdo 37 92%

De acuerdo 2 5%

Indiferente 1 3%

Totalmente en

desacuerdo 0 0%

En desacuerdo 0 0%

Total 40 100%






encuestadas indican que están totalmente de acuerdo que los agricultores se

adapten a las tecnologías de la información y comunicación.

Totalmente de acuerdo

92%

De acuerdo5%

Indiferente 3%

Totalmente en desacuerdo

0%

En desacuerdo 0%

90

Pruebas del clasificador

En este caso se procesa la imagen original aplicando algoritmos de

segmentación.

Figure No. 52 Procesamiento de Imágenes



Después de haber segmentado se procede a seleccionar la imagen original,

para su respectiva evaluación.

Figure No. 53 Selección de la imagen original



91

Por último se la recorta y se presenta un mensaje que el banano es

aceptado porque cumple con las condiciones de exportación.

Figure No. 54 Recorte de la Imagen



Figure No. 55 Banano Aceptado



92

CAPÍTULO IV

CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O

SERVICIO

Tabla No.17 Criterios de Aceptación del Producto o Servicio Criterios o Alcances Cumplimiento % de

cumplimiento

Desarrollo de la aplicación móvil

Android.

X 100%

Conexión de la aplicación móvil

Android con la base de datos MySQL.

X 100%

Acceso a las imágenes mediante una

carpeta localhost desde la herramienta

MATLAB.

X 100%

Procesamiento de imágenes digitales

en MATLAB.

X 100%

Diseño de la red neuronal en MATLAB. X 100%

Preguntas de Encuestas X 100%


93

CONCLUSIONES

• Para el desarrollo de una herramienta informática desarrollada se utilizaron

los softwares de Android Studio y Matlab donde el primero se lo programo

para adquisición de imágenes y a su vez se conectó el aplicativo móvil con

PHP para el envío de muestra mediante la red estableciendo una ruta

donde se almacenan dichas muestras, el segundo toma las muestras para

después analizarlas y guardarlas en otro directorio.

• Para construir la línea base de la caracterización del banano se realizó un

levantamiento de información mediante investigaciones bibliográficas

donde se recopilaron datos sobre los controles de calidad de la fruta, de

fuentes principales como AGROCALIDAD, DATACOMEX S.A., AEBE y

Conferencia de las naciones unidas sobre comercio y desarrollo en lo cual

se extrajo información de suma importancia referente al tema de

exportación del banano.

• Para determinar el nivel de madurez del banano se realizó una

investigación bibliográfica donde a través de un escrito realizado por el

autor Mackenzie Wright en la cual el indica cuales son las etapas de

maduración de la fruta para el consumo. También se visitó otra fuente

donde publicaron el proceso de climatización de la fruta, detallando la

temperatura necesaria que está en un rango sugerido de 18 a 20 °Cen las

cámaras, con el objetivo de que se dé una maduración optima de dicho

banano en base a los niveles de temperatura establecidos.

• A través de un aplicativo móvil desarrollado en Android Studio se

adquirieron muestras del banano que fueron tomadas con la cámara digital

de un teléfono inteligente, cuyas muestras fueron ingresadas en una

simulador de procesamiento digital de imágenes desarrollado en MATLAB

para la clasificación del banano determinando si es apto para exportación

se utilizó una red neuronal convolucional pre-entrenada ResNet-

50 empleando la herramienta Deep Learning Toolbox.

94

RECOMENDACIONES

• Implementar sistemas de redes neuronales en empresas dedicadas a la

producción de banano con el objetivo de mejorar y mantener los controles

de calidad que permitan exportar la fruta sin rechazo.

• Ejecutar procesos de imágenes digitales para fines de mejora de la

producción de banano, reduciendo los posibles errores humanos en la

calibración y medición del nivel de madurez de cada banano.

• Desarrollar aplicativos móviles Android que permitan tomar muestras sobre

los bananos optimizando de esta manera el tiempo de calibración y

medición de los niveles de madurez de la fruta digitalizando el proceso.

95

BIBLIOGRAFÍA

Anegón, F. d. (2002). La aplicación de Redes Neuronales Artificiales (RNA):.

Arroyal, I. V. (2016). Retoque digital de imágenes. ARGG0110.

Artigas, J. M. (2002). Fundamentos de colorimetría.

BALLIN. (2018). Modelo computacional de ayuda a la toma de decisiones.

Guayaquil.

Castrillón, O., Giraldo, J., & Sarache, W. (2008). Sistema de Clasificación

Bayesiano basado en Múltiples Clases. Journal of Systemics, Cybernetics anf

Informatics , 25.

Cerrada, C. (2002). Introduccion a la Vision Por Computador. En C. J. Sánchez,

Libro Avances en robótica y visión por computador (págs. 30-45). Castilla:

Ediciones de la Universidad de Castilla-La Mancha.

Elizondo, J. J. (2002). Fundamentos de procesamiento de imágenes digitales.

Tijuana-Mexico.

Escolano, F., Cazorla, M., Alfonso, M., Colomina, O., & Lozano, M. (2003).

Inteligenci Artificial, Modelos Técnicas y Áreas de Aplicación. España, Madrid:

Graficas Rogar.

Esqueda, J., & Palafox, L. (2004-2005). Fundamentos de Procesamiento de

Imágenes. Baja Califironia: Departamento de Editorial Univeristario.

González, A., Martínez, F., Pernía, A., Alba, F., Castejón, M., Ordieres, J., y otros.

(2006). Técncas y algoritmos básicos de visión artificial. La Rioja: Universidad de

La Rioja, Servicios de Publicaciones.

González, M. L. (2015). Selección y adecuación de la imagen para productos

editoriales.

J. M. Artigas, P. C. (2002). Tecnología del color.

Macias, R., Rodríguez, J., & Alba-Juárez, J. (2016). Extraccion de bordes;

Operadores Sobel, Prewitt y Roberts.

http://www.boletin.upiita.ipn.mx/index.php/ciencia/669-cyt-numero-55/1293-

extraccion-de-bordes-operadores-sobel-prewitt-y-roberts.

Manuel Martín 2013, O. Procesamiento Digital de Imágenes. Enero 2013. FCC –

BUAP, Puebla-Mexico.

Martín, M. (2013). Procesamiento Digital de Imágenes. Puebla-Mexico.

MATICH. (2001). Redes Neuronales. Argentina.

96

Ministerio de Agricultura, G. A. (2014). Manual de aplicabilidad de buenas

prácticas agrícolas de banano.

Nilsen, M., & Madrigal, C. (2016). Clasificación de calidad de fresas usando

procesamiento de imágenes y máquinas. Repositorio Institucional Universidad

Inca Garcilazo de la Vega , 157-163.

ORDOÑEZ, G. (2005). DISEÑO DE UN PROCESO PARA LA MADURACION

ACELERADA DEL BANANO UTILIZANDO ETEFON COMO AGENTE

MADURADOR. GUAYAQUIL.

Platero, C. (2009). Apuntes de vision artificia. España: Free Software Foundation,

Inc.

Querejeta Simben 2015i, P. Procesamiento digital de imágenes. Julio 2015.

Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca,

Argentina, Bahía Blanca.

Real, J., Granado, B., Perez, E., & Valle, L. D. (2016-2017). Sistema de

Reconocimiento de frutas. OPERA, Universidad de Sevilla , 4-5.

Romero, A., Marin, A., & Jimenez, J. (2015). Sistema de clasificacion por vision

artificial de mangos Tommy. UIS Ingenierias, Revista de la Facultad de Ingienierias

Fisicomecanicas , 22-30.

S.L., E. E. (02 de Noviembre de 2016). cocoschool. Obtenido de

https://www.cocoschool.com/pixel-funcion-fotografia-digital/

Sandoval, Z. &. (2009). Procesamiento de imagenes para la clasificacion del cafe

cereza.

Sandoval, Z., & Prieto, F. (2009). Procesamiento de imagenes para la clasificacion

del cafe cereza. Redalyc , 67-73.

Serna, N. L., & Roman, U. (2009). Tecnicas de segfmentacion de Procesamiento

de imágenes. Revista de Investigacion UNMSM , 9-16.

Villamar, A. B. (2017). APP preguntativa, responsiva,. Guayaquil.

97

ANEXOS

98

ANEXO I: FORMATO DE ENCUESTAS REALIZADAS TRABAJO DE TITULACIÓN: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA

APLICANDO REDES NEURONALES

Encuesta realizar por el estudiante Freddy Juanazo Paucar de la Universidad de Guayaquil

Facultad de Ciencias Matemáticas y Física Carrera de Ingeniería en Sistemas

Computacionales para la obtención de datos relevantes sobre el calibrado de la banana

que es para la exportación

*marque una X la respuesta que usted cree conveniente solo se puede elegir una sola

opción

1. ¿En qué tiempo usted se tarda en medir el tamaño del banano?

a. 0-15 min

b. 30-45 min

c. 1 hora

d. Más de 2 horas

2. ¿Durante la producción del banano ha sido rechazada la fruta por no aprobar

los controles de calidad?

a. SI

b. NO

3. ¿Si contesto SI en la pregunta dos, ha pensado usted en mejorar el proceso

de medición del banano para obtener un tamaño óptimo que permita que la

fruta apruebe los controles de calidad?

a. SI

b. NO

4. ¿Cuántas veces ha sido rechazado su banano por motivo del tamaño?

a. 1 Vez

b. Más de 1 Vez

c. Varias Veces

99

ANEXO II: MANUAL DE USUARIO



“DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN



IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE

REDES NEURONALES.”




AUTOR (ES):


TUTORA:



2019

100

PANTALLA PRINCIPAL

En este caso la pantalla de la aplicación móvil Android está compuesta por dos

botones que son los siguientes:

BOTÓN CHOOSE IMAGE

El botón Choose Image se encarga de que el usuario seleccione una foto desde

la galería y le asigne un nombre al archivo para después enviar la imagen al

servidor de aplicaciones.

Una vez presionado el botón Choose Image aparece la ventana de galería donde

el usuario puede seleccionar la imagen que desee subir.

101

Después de haberse seleccionado la imagen se le asigna un nombre y se la envía

al servidor de aplicaciones.

102

BOTÓN UPLOAD IMAGE

El botón Upload Image se encarga de enviar la imagen al servidor de

aplicaciones.

Después de haber presionado el botón Upload Image las imágenes se almacenan

en el directorio seleccionado en la aplicación móvil Android.

Análisis de las imágenes de la banana desde el software MATLAB

PANTALLA PRINCIPAL DE MATLAB

103

El botón Buscar Muestra para calibrar cumple con la función de que el usuario

pueda seleccionar una imagen almacenada en el directorio programado en la

aplicación.

BOTÓN BUSCAR MUESTRA

Después de haberse seleccionado la imagen se procede a realizar los respectivos

análisis de la imagen seleccionada en diferentes etapas por medio del botón

Analizar Muestra Banano.

104

ANALIZAR MUESTRA DE BANANO

Partiendo desde la imagen original se visualiza las siguientes etapas de la misma

aplicando tratamiento de la imagen.

105

En este proceso se verifica que la imagen a utilizar sea la original para el

procesamiento de la misma a través de la visión artificial.

En este proceso se verifica como la imagen es recortada y se muestran los

histogramas de la misma

Una vez realizado los respectivos tratamientos de la imagen se almacena la misma

imagen con el nombre de aprobación de la fruta.

106

BOTÓN GUARDAR MUESTRA

Para pasar a la siguiente calibración de la banana se procede a realizar un barrido

en la pantalla con el botón limpiar.

BOTÓN LIMPIAR

Por último se finaliza el proceso de calibración de la fruta por medio del botón salir.

BOTÓN SALIR

107

ANEXO III: MANUAL TÉCNICO



“DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN



IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE

REDES NEURONALES.”




AUTOR (ES):


TUTORA:



2019

108

CÓDIGO DE LA APLICACIÓN MÓVIL ANDROID

Dentro del activity_main se crean los controles que serán utilizados para realizar

la llamada a cada una de las funciones.

En el Android Manifest se asignan los permisos de acceso a internet mediante la

función android.permission.INTERNET para que el usuario pueda enviar las

imágenes desde la aplicación móvil al servidor. También se asignan los permisos

de lectura del archivo a través de la función de

109

android.permission.READ_EXTERNAL_STORAGE para proceder a visualizar

el tipo de imagen seleccionada.

En este segmento se declaran las librerías para la llamada de cada uno de

los métodos y funciones que vienen integradas en estos repositorios. Como

la librería Bitmap que se encarga de manejar las imágenes, la Volley que

es encargada de enviar los archivos al servidor a través de la red de internet

y JSON para los distintos formatos de lectura y asignación de un nombre y

valor a la imagen.

En este segmento se declaran las variables de tipo prívate que serán utilizadas

en cada una de las funciones de la aplicación móvil Android.

110

Después de haber declarado las variables se procede a crear la función onClick

para los botones y se llama a cada una de las funciones creadas en los mismos

botones.

Por medio de esta función selectImage (), se selecciona la imagen de cualquier

tipo desde la galería del dispositivo móvil Android. En el método

ACTION_GET_CONTENT, muestra al usuario el listado de imágenes

almacenadas en el dispositivo móvil dando la oportunidad a que él pueda

seleccionar alguna. También este método permite que el archivo seleccionado se

pueda visualizar por pantalla y devuelve el resultante del archivo. El método

IMG_REQUEST se encarga de devolver la imagen seleccionada por el usuario.

Por medio de la función onActivityResult permite verificar que si la imagen esta

seleccionada y lista para ser enviada, se muestra como resultado la visualización

de la imagen por medio del método VISIBLE, la asignación de un nombre y la

dirección donde la imagen va hacer almacenada por medio del método bitmap

111

Mediante la función uploadImage (), se envía la imagen al directorio programado

a través de la red de internet y con el método JSONObject se envía un mensaje

de confirmación que el archivo ha sido guardado con existo mediante un Array.

Mediante la función imageToString se selecciona el formato de imagen JPEG

para que el usuario seleccione dichas imágenes con ese formato si selecciona con

112

otro formato la aplicación las convierte automáticamente al formato JPEG.

También con el método Base64 retorna la imagen como tipo String.

Las líneas de código PHP se las utilizas para realizar la conexión entre el aplicativo

móvil y el ordenador donde serán almacenados los archivos JPEG y el método

json_enconde es el que se encarga de responder si la imagen se encuentra

almacenada en la ruta programada.

113

En este apartado se instala la librería Volley para que la aplicación móvil Android

pueda enviar los archivos JPEG al ordenador que los almacenara en una ruta

programada.

CÓDIGO DEL CALIBRADOR DE BANANO

La función buscar_muestra es la encargada de abrir un directorio donde se

encuentran almacenadas las imágenes de la banana para después ser

analizadas, se está utilizando variables globales para aplicarlas en el programa

calibrador. El método uigetfile se especifica la ruta y el tipo de archivo que se van

a mostrar. En el método fullfile se envía el nombre y la carpeta donde se

encuentra la imagen. Una vez encontrada la imagen esta es presentada en un

axes.

114

En la función generar_reporte_analisis se almacenan los resultados de las

imágenes procesadas en el calibrador de banano de la siguiente manera:

• Nombre de la imagen.

• Resultado (Aprobado-Reprobado)

• Fecha del análisis.

En la variable folder se va almacenar las imágenes ya procesadas en la ruta que

se especifica en el calibrador a través del método strcat (), mediante el cual

permite concatenar y asignarle un nuevo nombre a la imagen procesada con su

respectiva extensión. El método imwrite escribe en el nuevo directorio la imagen

con su nuevo nombre.

115

En la función analizar tiene como ingreso la imagen seleccionada por medio del

botón Buscar Muestra para Calibrar y se procede con el análisis de la imagen

con los siguientes métodos:

• En la variable img_RGB se almacena la imagen seleccionada.

• En el método graythresh convierte la imagen umbralizada.

• El método im2bw la binariza

Con el método rgb2_graypresenta la imagen el filtrado de la imagen en escala de

grises. Por medio del método edge se aplica la detección de bordes mediante la

ejecución del algoritmo Sobel. Por último el método im_dilate se obtiene los

bordes de dicha imagen de forma dilatada.

Se limpian los “agujeros” de la imagen mediante el método im_fill.

116

Se extraen las características de la imagen por medio del método regionprops, a

la cual se envía la imagen binarizada. Mediante el ciclo for realiza un recorrido de

la matriz de la imagen que comienza en 1 hasta el tamaño de dicha imagen

almacenada en la variable propied, realizando recuadros tomando el centro de la

imagen como referencia.

Para la corrección de ruido de la imagen se aplica el método rectangle () donde

este selecciona en áreas pequeñas los puntos negros que puede presentar dicha

imagen. El método round es el que se encarga de redondear los valores de la

imagen aproximándola a un entero.

117

Para el cálculo de las áreas de la imagen se aplica el método bwboundaries ()

que es utilizado para hallar el perímetro de la imagen en línea amarilla. El método

Área de la variable propied2 se obtiene el número de pixeles, mientras que el

método Centroid de la misma variable se obtiene la coordenada referente al

centro de la imagen.

118

Se presenta la imagen con sus respectivos histogramas en formato RGB y se

ejecuta el recorte por medio del método imcrop (), que tiene como parámetro la

imagen original y la imagen recortada.

119

Se establece una condicionante que si se determina que el área es menor o igual

que al número de pixeles 631818 se presenta como mensaje el tamaño óptimo

para exportación de la fruta, caso contrario se presenta como mensaje que el

tamaño no es válido para exportación.

Para determinar el nivel de madurez se realiza una validación mediante

condicionante y se presenta como mensaje el color de la banana que aparece en

la imagen. La suma de la matriz de cada color por medio del método sum (),

determina el color total de la fruta. Por último en cada uno de los if toma un color

para realizar la comparación resultante de las sumatorias.

120

En la función salir se aplica el método questlg que realiza una pregunta a través

de un cuadro de dialogo aplicando condicionante if si se cumple con la condición

se llama al método close (), que permite el cierre del programa calibrador.

En la función limpiarse encera todas las variables globales.

121

INSTALACIÓN DE XAMPP

A continuación se inicia el asistente de instalación. Para continuar, haga clic en el

botón "Next".

Los componentes mínimos que instala XAMPP son el servidor Apache y el

lenguaje PHP, pero XAMPP también instala otros elementos. En la pantalla de

selección de componentes puede elegir la instalación o no de estos componentes.

Para seguir estos apuntes se necesita al menos instalar MySQL y phpMyAdmin.

122

En la siguiente pantalla puede elegir la carpeta de instalación de XAMPP. La

carpeta de instalación predeterminada es C:\xampp. Si quiere cambiarla, haga

clic en el icono de carpeta y seleccione la carpeta donde quiere instalar XAMPP.

Para continuar la configuración de la instalación, haga clic en el botón "Next".

La siguiente pantalla ofrece información sobre los instaladores de aplicaciones

para XAMPP creados por Bitnami. Haga clic en el botón "Next" para continuar. Si

deja marcada la casilla, se abrirá una página web de Bitnami en el navegador.

123

Una vez elegidas las opciones de instalación en las pantallas anteriores, esta

pantalla es la pantalla de confirmación de la instalación. Haga clic en el botón

"Next" para comenzar la instalación en el disco duro.

El proceso de copia de archivos puede durar unos minutos.

124

Durante la instalación, si en el ordenador no se había instalado Apache

anteriormente, en algún momento se mostrará un aviso del cortafuegos de

Windows para autorizar a Apache a comunicarse en las redes privadas o públicas.

Una vez elegidas las opciones deseadas (en estos apuntes se recomienda permitir

las redes privadas y denegar las redes públicas), haga clic en el botón "Permitir

acceso".

Una vez terminada la copia de archivos, la pantalla final confirma que XAMPP ha

sido instalado. Si se deja marcada la casilla, se abrirá el panel de control de

XAMPP. Para cerrar el programa de instalación, haga clic en el botón "Finish".

125

El Panel de Control de XAMPP

Abrir y cerrar el panel de control

Al panel de control de XAMPP se puede acceder mediante el menú de inicio

"Todos los programas > XAMPP > XAMPP Control Panel" o, si ya está iniciado,

mediante el icono del área de notificación.

La primera vez que se abre el panel de control de XAMPP, se muestra una ventana

de selección de idioma que permite elegir entre inglés y alemán.

El panel de control de XAMPP se divide en tres zonas:

• la zona de módulos, que indica para cada uno de los módulos de XAMPP:

si está instalado como servicio, su nombre, el identificador de proceso, el

puerto utilizado e incluye unos botones para iniciar y detener los procesos,

administrarlos, editar los archivos de configuración y abrir los archivos de

registro de actividad.

• la zona de notificación, en la que XAMPP informa del éxito o fracaso de las

acciones realizadas

• la zona de utilidades, para acceder rápidamente

126

INSTALACIÓN DE ANDROID STUDIO

Android Studio es la herramienta desarrollada por Google especialmente para los

desarrolladores de aplicaciones de Android. Gracias a ella es posible programar

dichas aplicaciones dentro de un entorno especializado a la vez que nos brinda de

otra serie de posibilidades que abordaremos más adelante como por ejemplo la

posibilidad de crear máquinas virtuales y emuladores de Android para poder

disponer de este sistema operativo desde nuestro ordenador.

Para poder utilizar las ventajas del Android Studio en nuestro ordenador lo primero

que debemos hacer es instalar el entorno de desarrollo así como el SDK que nos

permite hacer uso de las funciones de Android en nuestro PC y poder programar

para este sistema operativo.

Para ello lo primero que debemos hacer es descargar la versión más reciente de

Android Studio.

Una vez descargado el instalador correspondiente a nuestro sistema operativo

(por defecto la propia web detectará nuestro sistema operativo y nos ofrecerá la

mejor versión acorde a él) lo ejecutamos en nuestro equipo para comenzar con la

instalación.

Lo primero que veremos será el asistente de instalación de Android Studio.

http://www.adslzone.net/app/uploads/2015/02/Android-Studio-Instalacion-Foto-1.png

127

El proceso de instalación es muy sencillo, como prácticamente cualquier otra

aplicación para nuestro sistema operativo, aunque de todas formas vamos a

analizar el proceso paso a paso. Seguimos con el asistente y nos preguntará por

los componentes que queremos instalar de esta suite de programación.

Lo más recomendable es instalar todos para tener todas las funciones disponibles

en caso de que queramos utilizarlas. Seguimos con el asistente y llegaremos a la

licencia y a los términos de uso, que debemos aceptar para poder seguir con la

instalación.



128

En el siguiente paso debemos elegir la ruta donde instalaremos nuestro Android

Studio. Debemos elegir una ruta para el programa en sí y otra diferente para

instalar el SDK, con bastante espacio disponible ya que las descargas y

actualizaciones de los componentes de este suelen ocupar bastante espacio.

En el siguiente paso el asistente nos preguntará por la cantidad de memoria RAM

que queremos asignar para el uso de máquinas virtuales y emuladores de Android.

Cuanta mayor memoria mejor rendimiento tendrán estas, aunque debemos tener

en cuenta que ni ningún smartphone cuenta con más de 2GB de memoria (de

momento) y que el sistema operativo y las demás aplicaciones de nuestro

ordenador también necesitan memoria, por lo que la cantidad que nos aparezca

como recomendada será la que debemos dejar.



129

Con esto comenzará ya la copia de los archivos al disco duro. Este proceso puede

tardar más o menos tiempo según la velocidad de nuestro sistema.




130

Una vez finalice la instalación Android Studio se conectará a Internet y descargará

los elementos del SDK necesarios para funcionar correctamente.

Una vez finalice esta copia de datos ya estaremos listos para utilizar nuestro

entorno de programación de Android.



131

INSTALACIÓN DE MATLAB

136

ANEXO IV: CODIGO MATLAB clc;clear all; outputFolder = 'C:\Users\USER\Documents\tesis\bananos'; rootFolder = fullfile(outputFolder); categories = {'banano_no_apto_exceso_maduracion',

'banano_no_apto_maduro',

'banano_no_apto_pinton','banano_no_apto_verde','bananos_verdes_exp

ortacion'}; imds = imageDatastore (fullfile (rootFolder, categories),

'LabelSource' , 'foldernames' ); tbl = countEachLabel (imds); tbl; minSetCount = min (tbl {:, 2}); % determina la menor cantidad de

imágenes en una categoría

% Use el método splitEachLabel para recortar el conjunto. imds = splitEachLabel (imds, minSetCount, 'randomize' );

% Observe que cada conjunto ahora tiene exactamente el mismo

número de imágenes. countEachLabel (imds) % Encuentra la primera instancia de una imagen para cada

categoría. banano_no_apto_exceso_maduracion = find(imds.Labels ==

'banano_no_apto_exceso_maduracion', 1); banano_no_apto_maduro = find(imds.Labels ==

'banano_no_apto_maduro', 1); banano_no_apto_pinton = find(imds.Labels ==

'banano_no_apto_pinton', 1); banano_no_apto_verde = find(imds.Labels ==

'banano_no_apto_verde', 1); bananos_verdes_exportacion = find(imds.Labels ==

'bananos_verdes_exportacion', 1);

figure subplot(2,3,1); imshow(readimage(imds,banano_no_apto_exceso_maduracion)) subplot(2,3,2); imshow(readimage(imds,banano_no_apto_maduro)) subplot(2,3,3); imshow(readimage(imds,banano_no_apto_pinton)) subplot(2,3,4); imshow(readimage(imds,banano_no_apto_verde)) subplot(2,3,5); imshow(readimage(imds,bananos_verdes_exportacion))

% De carga de red pre-entrenada net = resnet50 ();

137

% Visualiza la primera sección de la red. figure plot(net) title('First section of ResNet-50') set(gca,'YLim',[150 170]); net.Layers(1) % Inspect the last layer net.Layers(end)

% Number of class names for ImageNet classification task numel(net.Layers(end).ClassNames) [trainingSet, testSet] = splitEachLabel(imds, 0.3, 'randomize');

% Crear augmentedImageDatastore desde los conjuntos de prueba y

entrenamiento para cambiar el tamaño % imágenes en imds al tamaño requerido por la red. imageSize = net.Layers(1).InputSize; augmentedTrainingSet = augmentedImageDatastore(imageSize,

trainingSet, 'ColorPreprocessing', 'gray2rgb'); augmentedTestSet = augmentedImageDatastore(imageSize, testSet,

'ColorPreprocessing', 'gray2rgb');

% Obtener los pesos de red para la segunda capa convolucional w1 = net.Layers(2).Weights; % Escala y redimensiona los pesos para visualización. w1 = mat2gray (w1); w1 = imresize (w1,5); % Muestra un montaje de pesos de red. Hay 96 conjuntos

individuales de % de pesos en la primera capa. figure montage(w1) title('Pesos de la primera capa convolucional')

featureLayer = 'fc1000' ; trainingFeatures = activations(net, augmentedTrainingSet,

featureLayer, ... 'MiniBatchSize', 32, 'OutputAs', 'columns'); % Obtener etiquetas de entrenamiento del entrenamiento trainingLabels = trainingSet.Labels; % Entrene al clasificador SVM multiclase utilizando un

solucionador lineal rápido y configure % 'ObservationsIn' to 'column' para que coincida con el arreglo

utilizado para la capacitación % caracteristicas. classifier = fitcecoc (trainingFeatures, trainingLabels, ... 'Learners' , 'Linear' , 'Coding' , 'onevsall' , 'ObservationsIn' ,

'columns' ); % Extraer características de prueba utilizando la CNN testFeatures = activations(net, augmentedTestSet, featureLayer,

... 'MiniBatchSize', 32, 'OutputAs', 'columns');

% Pasa las características de imagen CNN al clasificador entrenado

138

predictedLabels = predict(classifier, testFeatures,

'ObservationsIn', 'columns');

% Obtener las etiquetas conocidas testLabels = testSet.Labels;

% Tabular los resultados utilizando una matriz de confusión. confMat = confusionmat (testLabels, predictedLabels);

% Convertir la matriz de confusión en forma de porcentaje confMat = bsxfun(@rdivide,confMat,sum(confMat,2)) % Muestra la precisión media mean(diag(confMat))

%Ahora puede aplicar el clasificador recién entrenado para

categorizar nuevas imágenes. [nombre dir] =

uigetfile('C:\xampp\htdocs\uploads\imagenes\*.jpg','Abrir'); if nombre == 0 return end imagen= imread(fullfile(dir,nombre)) % Cree augmentedImageDatastore para cambiar automáticamente el

tamaño de la imagen cuando % características de la imagen se extraen mediante activaciones. ds = augmentedImageDatastore(imageSize, imagen,

'ColorPreprocessing', 'gray2rgb'); % Extrae características de la imagen usando la CNN imageFeatures = activations(net, ds, featureLayer, 'OutputAs',

'columns'); % Haz una predicción usando el clasificador label = predict(classifier, imageFeatures, 'ObservationsIn',

'columns')

139

ANEXO V: CARTA DE JUICIO DE EXPERTO