conclu

Vista previa del material en texto

82 
 
 
CONCLUSIONES 
 
El proceso de selección de las mandarinas, permite la obtención de un 
producto clasificado por atributos de calidad, los cuales inciden directamente 
en la venta y comercialización, y por consiguiente puede ser efectuada por el 
productor al momento de la cosecha, sin la presencia del intermediario. Los 
procesos de clasificación dependen en gran manera de las técnicas de 
adquisición de imágenes, ya que pequeñas variaciones en los factores 
propios de la captura de la imagen como lo es el tamaño en pixeles, su 
iluminación y la distancia focal, facilitan o dificultan el proceso posterior de 
selección. 
Las redes neuronales artificiales emulan las redes biológicas y se utilizan 
para aprender estrategias de control. Los clasificadores con redes tienen 
ventajas comparados con los métodos estadísticos tales como adaptabilidad, 
procesamiento paralelo masivo y tolerancia a los errores. Se implementan 
con éxito en la clasificación de diferentes productos agrícolas, debido a que 
las características que definen a estos productos no siguen una función 
matemática determinada. 
 
 
 
 
 
83 
 
 
RECOMENDACIONES 
En complemento a la automatización propuesta para la selección de 
mandarinas de acuerdo a su tamaño, es necesario aplicar las 
recomendaciones prescritas a continuación: 
• Complementar la automatización aplicando y disponiendo de sensores 
de detección antes, durante y después del proceso de selección para 
controlar y permitir mayor eficiencia en el modelo matemático 
planteado. 
• Mantener la luminosidad correcta en la adquisición de las imágenes 
para lograr minimizar los efectos secundarios producidos por la 
aparición de sombras sobre el fondo de captación. 
• Aplicar la selección del fruto para el acondicionamiento y preparación 
del terreno con el fin de optimizar la siembra, cultivo y cosecha del 
fruto de acuerdo a los estándares de calibre establecidos, permitiendo 
al productor indagar y analizar sobre la producción de un determinado 
tamaño de mandarina para su comercialización 
 
 
 
 
 
 
84 
 
 
REFERENCIAS BIBLIOGRAFICAS 
 
Balestrini A, Mirian (2006). Como se Elabora el Proyecto de Investigación. 
(6a ed). Caracas, Venezuela. Consultores Asociados. 
Barrera, Cardiel. Rico, Melgoza y Díaz, (2002), Diagnóstico y Detección de 
Fallas utilizando Identificación de Parámetros y Redes Neuronales. 
Ponencia presentada en el Congreso de Instrumentación Universidad 
Michoacana de San Nicolás de Hidalgo. México. 
 
Campbell. Stanley, (1966). Diseños Experimentales y 
Cuasiexperimentales en la Investigación Social. Amorrortu. Buenos 
Aires, Argentina 
 
Chambi, Julio (2011). Procesamiento de Imágenes con Matlab. 
(Documento en línea), disponible en: http//lonely113.blogspot.com 
 
Chávez, N. (2001). Introducción a la Investigación Educativa. (3a ed). La 
columna. 
 
Cho, Wai (2003), Sistema de Reconocimiento de Patrones Visuales 
Basados en Técnicas de Procesamiento de Imágenes y Redes 
Neurales. Proyecto de investigación presentado para optar al grado de 
magister en Ingeniería de Control y Automatización de procesos. Urbe. 
Maracaibo Venezuela. 
 
Danhke, L.B. (1989). Investigación y Comunicación. México. Mc Graw Hill. 
Fidias, G (2004). El proyecto de investigación: Introducción a la 
metodología científica. (4ta ed). Caracas Venezuela. Episteme. 
Fiszelew, A y Martínez, R (2000). Generación Automática de Redes 
Neuronales con Ajuste de Parámetros Basado en Algoritmos 
Genéticos. Universidad de Buenos Aires. Argentina 
 
Fuentes C, Ricardo (2001). Sistema de Visión Artificial para el Control de 
Calidad del melón. Universidad de Colima. México 
 
González, Rafael. Richard E. Woods (1996). Tratamiento Digital de 
Imágenes. Madrid, España. Adisson- Wesley 
 
Hernández S, Roberto. (2006). Metodología de la Investigación. (3a ed). 
México. Mc Graw Hill. 
Hilera G, José. (1995). Redes Neuronales Artificiales: Fundamentos, 
85 
 
 
modelos y aplicaciones. Wilmininton, Delawade. Adisson-Wesley/ Díaz 
de Santos 
Illidge A, Stanley (2012), Sistema de Visión Artificial para la Clasificación 
de Uchuvas Basado en Forma y Color. Proyecto de investigación 
presentado para optar al grado de magister en Ingeniería de Control y 
Automatización de procesos. Urbe. Maracaibo Venezuela. 
 
Kerlinger, F. (1979). Enfoque Conceptual de la Investigacion del 
Comportamiento. 
 
Manual de Trabajo de Grado y Tesis doctoral (1999) Universidad Dr. 
Rafael Belloso Chacín. Maracaibo. Venezuela. 
 
Mendez, C.E. (2001). Fundamentos de Metodología . (3a ed). Colombia. 
 
Nevot, Javier (1999). Diseño de un Controlador Avanzado Basado en 
Redes Neuronales para la Gestión de la Mezcla Aire-Gasolina en un 
Motor Alternativo. Universidad Politécnica de Cataluña. Barcelona. 
España 
 
Palella S, Santa (2010). Metodología de la Investigación Cuantitativa. (3a 
ed). Caracas Venezuela. Fedupel 
 
Pérez L, José (2010). Como realizar la Delimitación del Tema y 
Limitaciones de la Investigación. (Artículo en línea), disponible en: 
http//asesoriatesis1960.blogspot.com 
 
Sandoval N, Zulma (2005). Caracterización y Clasificación de Café Cereza 
usando Visión Artificial. Proyecto de investigación presentado para optar 
al grado de magister en Automatización Industrial. Manizales Colombia. 
 
Smith, Carlos. (1991). Control Automático de Procesos. (1aed). México. 
Limusa. 
 
Rada, G. (2007). Unidad de Análisis. (Documento en línea), disponible en: 
http://escuela.med.puc.cl/recursos/recepidem/introductorios6.htm 
 
 
 
 
 
86 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
ANEXOS 
 
 
 
 
 
 
 
 
 
 
87 
 
 
Anexo A 
 
CODIFICACION DEL PROGRAMA: SELECCIÓN DE MANDARINAS 
 
 
%TOMA DE LA IMAGEN 
objVideo=camara3; 
preview(objVideo); 
pause(2) 
Imagen=getsnapshot(objVideo); 
subplot(2,2,1); 
imshow(Imagen) 
closepreview; 
pause(2) 
 
% CONVERSION A NIVELES DE GRISES 
Conversion=rgb2gray(Imagen) 
 
% UMBRALIZACION DE LA IMAGEN 
Autoumbral=graythresh(Conversion); 
Umbralizacion=im2bw(Conversion,Autoumbral); 
ImagenFinal=not(Umbralizacion); 
 
% PRESENTACION DE LA IMAGEN UMBRALIZADA 
Redimension=imresize(ImagenFinal,[50,50]); 
subplot(2,2,2); 
imshow(Redimension) 
 
% CALCULO DEL TAMAÑO DE LA MANDARINA 
Tama=bwarea(ImagenFinal) 
 
if Tama < 6000 
 
 title('CLASE II') 
 A=[0;0] 
elseif Tama < 11000 
 
 title('CLASE I') 
 A=[0;1] 
elseif Tama < 17000 
 
 title('EXTRA') 
 A=[1;1] 
 
elseif Tama > 17000 
 
 title('EXTRA') 
 A=[1;1] 
end 
d=A 
88 
 
 
%%%%%%%%% REDES NEURONALES %%%%%%%%%% 
% La caja CLASE II LA SALIDA SERA [0 0;0 0] 
% La caja CLASE I LA SALIDA SERA [1 1;0 0] 
% La caja EXTRA LA SALIDA SERA [1 0;0 0] 
 
x=[0 0 1;0 1 1]; 
d=[0 1 1;0 1 0]; 
red=newp([0 1;0 1],2); 
red=train(red,x,d);% Entrenamiento de la red 
prueba=A;% Vector de prueba convertido a tipo Columna 
u=sim(red,prueba);% Valor que toma la salida deseada 
CESTA=u 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
89 
 
 
 
Anexo B 
 
IMÁGENES EXPERIMENTALES DE MANDARINAS 
 
Imagen Umbralizada y clasificada: Mandarina Clase II 
 
 
 
Fuente: Oviedo (2013) 
 
 
90 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase I 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
91 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase Extra 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
92 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase Extra. 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
93 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase I. 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
94 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase I. 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
95 
 
 
 
Imagen Umbralizada y clasificada: Mandarina Clase Extra. 
 
 
 
Fuente: Oviedo (2013) 
 
 
 
 
 
96 
 
 
 
Imagen Umbralizada y clasificada: MandarinaClase II. 
 
 
 
Fuente: Oviedo (2013)