Descarga la aplicación para disfrutar aún más
Lea materiales sin conexión, sin usar Internet. Además de muchas otras características!
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)
santdemon santiago
Compartir