RESUMEN
Es sabido que el reconocimiento autónomo de la madurez de las frutas reviste aún hoy un singular
grado de complejidad, ya que para que una fruta sea considerada de buena calidad, deberá cumplir
ciertas cualidades relacionadas principalmente con el grado de color que presenta cada papaya a
analizar. Por lo tanto el objetivo del presente trabajo será reconocer si una fruta posee o no el
color adecuado.
Nuestro software mostrara una gráfica del análisis de los colores de la fruta fotografiada, donde
se podrá observar la curva correspondiente a cada fruta y los valores de los colores
correspondientes a cada área de la fruta. El objetivo será reconocer la fruta e indicar el grado de
madurez en la que se encuentra.
This article will show us a higher processing in papayas than other fruits, but the idea can be used
to apply in futures cases. In consequence we must to deal with a problem, which will be to train
a neural network that is able to recognize if a papaya is ideal to eat, in other words, if the papaya
is mature or not.
In the first step, we select a group of papayas, which will be recognised for the system using
pictures by a digital camera. Then using a processing software, each papaya is associated with its
colors, after that we have all the colors of the papaya, and we start with the training of the neural
network. Finally we finish when we use degrees of grey to predict is the papaya is ready to be
consumed or not. If the neural network trained recognizes adequately the colors of the papaya,
and set in scales of grey, we can say we achieve our aim.
2.2 Aprendizaje
Aprendizaje supervisado: En este tipo de
aprendizaje se muestra ciertos patrones a la Figura 3. Representación del perceptrón simple
red y una salida deseada para estos patrones,
posteriormente se compara la salida
2.3.2 Perceptrón Multicapa
Dentro de las redes neuronales, las que más proceso, los pesos sinápticos de la red son
utilizadas son las redes con múltiples capas fijos y no se modifican.
que funcionan hacia delante. Esta red está
2.4 Determinar la arquitectura de la
compuesta por un conjunto de nodos de
RED.
entrada que componen la capa de entrada,
un conjunto de una o más capas ocultas de Al margen de la estructura interna de una
neuronas y una capa de neuronas de salida. RNA, para trabajar en el reconocimiento de
La señal de entrada se propaga hacia patrones debemos preocuparnos
adelante desde la capa de entrada por la primeramente por establecer el número de
oculta hasta la salida; este tipo de neuronas en la capa de entrada y el número
configuración se conoce como MLP o de neuronas en la capa de salida.
“MultiLayer Perceptron” 𝐹𝑖𝑔𝑢𝑟𝑎 4.El hecho Considerando a una RNA como una caja
negra podremos representar su interacción
funcional con el entorno de la siguiente
manera 𝐹𝑖𝑔𝑢𝑟𝑎 5.
2.7 Almacenamiento
Para almacenar una imagen en disco o Fig. 4 Histograma
memoria se han desarrollado una diversidad
2.9 Segmentación
2.10 Diagrama de Control:
La segmentación de una imagen consiste
Los gráficos de control o diagramas de
en la división o partición de la imagen en
control se utilizan para controlar el
varias zonas o regiones homogéneas y desarrollo de los procesos de producción e
disjuntas a partir de su contorno, su identificar posibles inestabilidades y
conectividad, o en términos de un conjunto circunstancias anómalas.
de características de los píxeles de la imagen
que permitan discriminar unas regiones de En resumen, lo que se pretende con este tipo
otras. Los tonos de gris, la textura, los de análisis es controlar los procesos para
asegurarse de que funcionan correctamente.
momentos, la dirección de los bordes, las
Si la gran mayoría de los puntos mostrados
modas de los tonos de gris en ventanas 3x3,
7x7 y 15x15, etc., son características a de la gráfica están dentro de los límites se
utilizar para la segmentación. considera que el proceso está controlado. En
Distinguiremos entre segmentación el momento en el que uno o varios puntos
completa, cuando las regiones disjuntas aparecen fuera de los límites establecidos o
corresponden directamente a objetos de la no representan una distribución estadística
imagen y segmentación parcial, cuando las gaussiana, se considera que el proceso está
descontrolado y comienza la búsqueda de la
regiones no se corresponden directamente
causa de su mal funcionamiento.
con objetos de la imagen. Para conseguir la
segmentación completa se necesita un nivel 2.11 Entrenamiento de la Red Neuronal
superior de conocimiento que utiliza un
Parámetros de entrenamiento:
conocimiento específico del dominio de la
escena. Este conocimiento de nivel superior Neurona Intermedia: 200
puede ser, por ejemplo, que los objetos de la Bias: Si
imagen corresponden a caracteres numéricos Ratio: 0.0009
o letras de un alfabeto. Los métodos de Momento: 0
segmentación se pueden agrupar en cuatro a: 0
clases diferentes: c: 0
error: 10%
a) Métodos basados en píxeles, que a etapas: 300
su vez pueden ser:
- locales (basadas en las propiedades
Curva de Resultado de
de los píxeles y su entorno) entrenamiento:
- globales (basadas en la información
global obtenida, por
- ejemplo, con el histograma de la
imagen).
b) Métodos basados en bordes.
c) Métodos basados en regiones, que
utilizan las nociones de homogeneidad y
proximidad geométrica, como las técnicas
de crecimiento, fusión o división.
Por otro lado la propuesta en este artículo consiste en que la computadora por medio de
la aplicación que usa las imágenes de una cámara digital sea capaz de reconocer una
papaya y usando el procesamiento de imágenes logre interpretarlo (Fig. 6).
b. Se asigna una matriz con cuadriculas lo suficientemente pequeñas, para que contenga
la imagen de la papaya. Para nuestro caso vamos a trabajar con una matriz de 50x50,
tendremos en cuenta que no importa la calidad de la imagen, si es grande o no, pues
siempre se va a escalar a la dimensión dicha (Fig. 7).
Valor del
Color (120) r
d. Se generara una gráfica con los datos que se obtuvo de la matriz indicando, los
colores de cada uno (Fig. 9).
4. Conclusiónes
Este resultado no pudo haber sido posible sin un software que nos permita el
procesamiento de imágenes y colores, el mismo que nos ha permitido obtener el
promedio de color de las frutas, indicándonos su tipo y su estado.
5._ Referencias
[1] S.Watanabe, «Pattern Recognition: Human and Mechanical,» Wiley, New York, 1985.
[2] M. V. Hilera J, « Redes neuronales artificiales:,» Addison-Wesley Iberoamericana,
Madrid, 1995.
[3] L. A. Loayza, «Reconocimiento de patrones mediante redes,» San Marcos, Lima, Perú,
2012.
[4] G. RC, «Tratamiento digital de imágenes,» Addison-Wesley Publishing Co, ,
Washington, 1996.
[5] L. U. R. C. Dra. Nora La Serna, «Técnicas de Segmentacion en Procesamiento Digital
de Imágenes,» San
[6] G. RC, «Tratamiento digital de imágenes,» Addison-Wesley Publishing Co, ,
Washington, 1996.
[7] L. U. R. C. Dra. Nora La Serna, «Técnicas de Segmentacion en Procesamiento Digital
de Imágenes,» San Marcos, Lima, 2009.
[8] W. R. González R., «Digital Image Processing,» Prentice Hall, 2004..
[9] L. A, «Introductory Computer Vision and Image Processing,» de McGraww – Hill,
1991..
[10] V. W. Murray J. D., de The Encyclopedia of Graphics File Formats, 1996..
[11] A. M. M. P. A. M. Omid Omidi Arjenaki, ««A new method for estimating surface area
of cylindrical fruits (zucchini) using digital image,» Department of Agricultural Machinery
Engineering, Faculty of Agriculture, Urmia University, Urmia, P.O. Box:165, Iran, 2012.