Seguimiento de los procesos de coccin de pan por anlisis de imgenes digitales Abstracto Hornear industrial es un proceso controlado por

temperatura y el tiempo, que considera ni la calidad real de las materias primas, ni los parmetros de proceso como la humedad, la temperatura y el estado real de pastelera pastelera. Adems, el proceso de coccin es irreversible. Por lo tanto, sin la supervisin de procesos teniendo en cuenta el estado real del proceso, los resultados ptimos se pueden lograr. Para obtener resultados ptimos, se requiere un sistema de control automatizado, pero an no est disponible.Tal sistema debe ser capaz de identificar los productos para hornear y el estado actual del proceso de coccin representado por el color y el tamao de los productos para hornear. Para desarrollar este sistema, se utiliza el procesamiento digital de imgenes. Un sistema ptico se llev a cabo, que fue capaz de hacer que las imgenes digitales de los productos para hornear desde el interior del horno de forma continua. El objetivo fue el desarrollo de algoritmos para la distincin de los productos para hornear y la caracterizacin de la saturacin del color y la forma, en conjunto resultante en un sistema de control de procesos en lnea ptica. Mediante el uso de un algoritmo de Viola-Jones modificado el tipo de horno bien en el horno se identifica con un error de 5,6%. El error de determinacin automtica de la anchura y la altura del cambio de bollos de pan con respecto a la evaluacin manual es menos de 4%. Basado en una red neuronal, la buena hornear se identifica pxel por pxel. El error de entrenamiento de la red neuronal fue 7,0%. Esto permite el clculo de la evolucin de la luminosidad y la saturacin de color. Usando esta informacin, el estado del proceso de coccin se identifica con fiabilidad. Por lo tanto, se proporcionan los elementos bsicos para el control automtico. 1. Introduccin El ncleo del proceso de produccin en una panadera es el horno. Bsicamente el horno finaliza la forma del producto horneado por tratamiento trmico de masa cruda. El resultado deseado es una calidad pastelera constante y definida a costos razonables. Sin embargo, debido a fallos en el preprocesamiento de la masa o las variaciones en las materias primas de la calidad del producto recibido del sistema de control de proceso de coccin predeterminado puede no ser ptima. Goesaert et al. (2005) analizan el

impacto de los componentes de la harina de trigo en la calidad del pan. Demuestran con detalle el destino de los componentes durante el proceso de elaboracin del pan. Sahlstrm y Brthen (1996) analizaron la influencia de los diferentes procedimientos de toma de masa sobre la evolucin del color de la corteza, as como el volumen de pan. Flander et al. (2007) investigaron las condiciones de coccin en la calidad del pan utilizando la metodologa de superficie de respuesta con un diseo central compuesto por pan de avena integral. El efecto de la cantidad de inyeccin de vapor en las caractersticas pan seleccionados fueron investigados por Lefianza et al. (2011) . Se discutieron cmo el volumen especfico, la prdida de humedad y la relacin de miga corteza puede ser influenciado debido a la inyeccin de vapor. Textura, propiedades trmicas y las caractersticas de pegado de producto horneado con referencia a las condiciones de coccin fueron investigados por Patel et al. (2005) . Demostraron cmo la velocidad de calentamiento influye en la entalpa de recristalizacin amilopectina, tasa de firmeza pan y la cantidad de amilosa soluble. Algunas pequeas diferencias en las materias primas y preprocesamiento quiz compensado por un sistema de control basado en el estado de adaptacin hornear proceso. Wong et al. (2007) sealan, que la produccin es altamente dependiente de personal con experiencia para controlar diversas prcticas para hornear, por ejemplo, el tiempo para alimentar la masa en el horno, la tasa de flujo de volumen de gas natural a los quemadores, etc deteccin de defectos en el procesos de coccin, que tambin pueden ser causados por errores de manejo, pueden ser compensados mediante el control adecuado de los parmetros del horno, como la temperatura, la humedad o el tiempo de coccin. Pero tiene que ser considerado, que debido a la lenta tiempos de reaccin de grandes hornos industriales, los cambios de temperatura pueden ser aplicados slo al principio del proceso. As que el principal parmetro ajustable ser probablemente el tiempo de coccin. La mayora de sistemas disponibles se basan en un tiempo esttico tablas de temperatura. Por lo tanto, las diferencias en las materias primas, las condiciones del proceso o errores de operacin pueden reducir la calidad del producto. Hay una necesidad de desarrollar diseo de control de proceso ms eficaz para procesos de coccin ( Wong et al., 2007 ). En la actualidad no existe un sistema de supervisin disponibles, que controla el horneado por online-anlisis de tamao o cambios de color para garantizar la corteza y la miga con la estructura ptima y color, as como sensacin en la boca. Tal

sistema de control en lnea sera deseable aumentar la calidad del producto y reducir los bienes deficientes. Hay muchos ejemplos de aplicaciones con xito de sistemas de procesamiento de imgenes en el procesamiento de alimentos. Du y Sun, 2004a , Du y Sun, 2004b y Du y Sun, 2008 demostr una clasificacin de formas de pizza y coberturas utilizando un sistema de procesamiento de imgenes.Tambin proporcionan una visin general de los acontecimientos recientes en el procesamiento de imgenes para la evaluacin de calidad de los alimentos. Brosnan y Sun, 2002 y Brosnan y Sun, 2004 yGunasekaran (1996) tambin proporcionan una buena perspectiva de los sistemas de visin artificial para la inspeccin de calidad. Munkevik et al. (2007) describe un sistema de visin por computador que evala los atributos de apariencia de una comida preparada. Para los procesos de coccin, el control de la mayor calidad de los productos de bases sobre las mediciones despus de la coccin. Por medicin ptica, Perrot et al. (1996) evaluaron el punto final ptimo para hornear galletas. Evaluacin de la calidad sobre la base de la medicin del color en alimentos es descrito por Psotka (2001) y Papadakis (2000) . Kim (1997) presenta las mediciones de parmetros pticos con una cmara monocromtica y la viabilidad director para establecer un control de proceso continuo y en lnea, basado en la medicin ptica . La optimizacin de la calidad, el control de la temperatura es discutido por diferentes estudios de Grau et al. (1999) , as como Therdthai y Adamczak (2002) . Todos los estudios revelan las dependencias importantes de calidad de los productos de panadera de la temperatura. Una correlacin entre la variacin de los parmetros de coccin y de productos para hornear ptima se muestra por Bolz (2007) yBaitinger (1992) . Sus estudios apoyan el hecho de que un sistema de control apropiado para la monitorizacin continua y la temperatura pueden optimizar los resultados de un proceso de coccin. Una investigacin de Broyart et al. (1998) demostraron la viabilidad de la medicin de los cambios de luminosidad de galletas durante la coccin y la prediccin de la cintica de cambio de color. Se utiliz una cintica de primer orden para modelar la variacin de la ligereza, donde la dependencia de la temperatura de la constante de velocidad de reaccin se expresa mediante una ecuacin de Arrhenius. Aparte de ligeras diferencias de los datos de simulacin estaban de acuerdo con las mediciones. Para ser capaz de controlar un proceso de coccin, los datos continuos de variables de estado reales del proceso, especialmente buen estado de sodio tiene que estar disponible. El procesamiento de imgenes parece ser un

instrumento adecuado para establecer un enfoque rpido y confiable ya que el color y la forma pueden ser identificados. El objetivo de este estudio fue actualizar un horno de niveles mltiples existente con un sistema de formacin de imgenes y el anlisis. Este sistema debe ser capaz de detectar el volumen y la saturacin de color de bollos de pan en lnea, de modo que un sistema de control basado en el estado puede ser realizada ms tarde. 2. Material y mtodos Para esta investigacin se utiliz un horno dispone de varios niveles comerciales (Matador tienda MD 122, Werner & Pfleiderer Lebensmitteltechnik Sachsen GmbH, Alemania). La zona de coccin es de 120 160 cm. El horno se calienta elctricamente. La cmara (DFK 31BU03.H, The Imaging Source Europe GmbH, Alemania) se instala en el lado del horno, donde se cort un agujero en la pared lateral, como se puede ver enla figura. 1 . Se eliminaron los lmparas internas del horno en este nivel. La resolucin de la cmara es de 1024 786 pxeles. Como fuente de luz de una lmpara LED se instal en el horno (1 m Superflux LED-Leiste 2-CHIP; impermeabilizado 12 V, 60 LEDs, el color de la luz blanca, el artculo 2270051; Pur-led Technik, Alemania). Para evitar reflexiones sobre los productos para hornear y las imgenes sobreexpuestas, la lmpara se ha instalado en la parte frontal del horno y encima de la puerta, por lo que la luz viene de arriba hacia abajo.

. Figura 1. (a) A esquemas del sistema de formacin de imgenes. (B) Un ejemplo de imagen adquirida. La configuracin para el sistema de adquisicin de hornear y la imagen se muestra en la figura. 1 . En el lado izquierdo del horno se instala la cmara digital. La cmara digital est conectada a un ordenador (Intel Core i3, 2933 MHz, 4 GB de RAM, Microsoft Windows 7) y cada 3 s una imagen se adquiere. El procesamiento digital de imgenes para evaluar los parmetros del proceso de coccin se lleva a cabo por el software programado en Visual C #, utilizando AForge Imaging Toolbox ( Kirilov, 2006 ). Se prepararon los bollos de pan que se resumen en la Tabla 1 .

Tabla 1. receta estndar de pan rollos de horno usado en esta investigacin. La harina de trigo T.550; 1,000 g Agua 580 g Sal 20 g Malta para hornear 30 g Levadura seca 16 g Margarina 5g Tiempo Amasar 1 min, 25 min, 6 min, 50 rpm Aumento Bale 15 min Aumento pieza (30 C, 80% rel.Lf.) 80 min Fase de inicio de coccin (horno) 230 C, 1 min, 0,5 L de vapor Fase de coccin principal (horno) 230 C, 11 min Fase de coccin final (horno) 220 C, 3 min, atmosfrico 3. El procesamiento de imgenes En la fig. 2 todo el procesamiento del sistema de monitorizacin desarrollado puede ser visto, excepto el de deteccin de estado. Los procedimientos individuales sern discutidos en las siguientes secciones.

. Figura 2. Visin general del procesamiento de imgenes. (1) El proceso de inicio se toma una imagen del horno vaco para detectar el campo de visin y para encontrar la pared posterior. (2) Cuando se detecta la insercin de una buena coccin, la ligereza de la esquina superior izquierda de la pared posterior se mide para una futura normalizacin y una buena pieza de coccin se encuentra ms o menos. (3) Despus de cada imagen tomada se corrige en la claridad y la imagen se corta a la zona donde se encuentra una buena pieza de hornear. En la imagen pequea, la posicin exacta de la pieza de repostera se mide y se evala color. No se muestra la determinacin inicial del Estado.

3.1. Preprocesamiento y la normalizacin de las imgenes Hay cambios de 5-15% en la claridad de las imgenes tomadas durante una ejecucin de proceso. Una de las razones es el aumento de horno de la pastelera, que aumenta su superficie casi blanco y por lo tanto aumenta la luz ambiente difusa. Otra razn es la disminucin de la reflectancia, mientras que la masa se vuelve marrn, que se traduce en una disminucin de la luz ambiente difusa. Los cambios de luminosidad tambin pueden ser el resultado de cambios leves (~ 1-2%) de la opacidad de las ventanas de vidrio debido a la condensacin de vapor. Para hacer frente a esta ligereza variaciones, imgenes del horno vaco se toman antes de que comience el proceso, para localizar la seccin de la imagen que muestra el interior del horno y adquirir algo de informacin sobre la geometra del horno, sobre todo la posicin de la pared posterior, usando transformaciones de Hough ( Duda y Hart, 1972 ). Uso de las caractersticas geomtricas de transformacin de Hough de una imagen se puede detectar. Es uno de los procedimientos ms utilizados en el anlisis de imgenes ( Hart, 2009 ). Antes de que se lleva a cabo la transformacin de Hough se aplica un procedimiento de deteccin de bordes. Como resultado se obtiene una imagen en blanco y negro. En opuesta a funcionar apropiado para los pxeles de la imagen en donde se minimiza la suma de los cuadrados de las diferencias de pxeles existentes y tericos, la transformacin de Hough se basa en un anlisis de frecuencia de las posibles soluciones. Para la deteccin de la lnea en la imagen de las lneas se representan en una forma especial parametrizado utilizando dos parmetros (Hesse forma normal), con el que las lneas verticales tambin se pueden representar. Como resultado de la transformacin se genera un espacio de dos dimensiones caracterstica (llamado acumulador), cuyos ejes representan los dos posibles valores de los parmetros de la lnea. Para cada pxel negro, los valores correspondientes a todos los posibles valores de los parmetros de lnea se incrementan en el acumulador. Por lo tanto los valores en el espacio de caractersticas son la frecuencia de todas las lneas posibles. Basado en la frecuencia y un umbral definido antes se determinan las lneas deseadas. En esta aplicacin se utilizan slo las dos lneas horizontales ms frecuentes que representa entre el rea de la pared trasera, que se puede ver en la figura. 2 d. Esta rea de la pared trasera se usa entonces para normalizar la ligereza y la tonalidad de todos los siguientes imgenes durante una ejecucin de proceso. Enla fig. 3 se presenta la luminosidad media de una parte de pared trasera, que no fue utilizado como referencia para la normalizacin, antes y

despus de la normalizacin. Como puede verse, hay slo pequeos cambios en los datos normalizados.

. Figura 3. Luminosidad antes y despus de la normalizacin de una parte de pared trasera, que no fue utilizado como referencia para la normalizacin. Debido a que el procesamiento de la imagen se inicia antes de que el proceso de coccin real, era necesario para detectar la insercin de los productos para hornear para determinar el inicio del proceso. Esto se hace restando cada imagen a partir de la anterior y la evaluacin de este diferencial significa gris (dmg) valor de la imagen de diferencia resultante. Durante el proceso de ejecucin, el valor dmg de las imgenes de diferencia son muy bajos y son causadas principalmente por el ruido de la cmara. La insercin o la extraccin de los productos para hornear hace que un valor ms alto que el DMG ms tres veces la desviacin estndar media, que se utiliza como un umbral adaptativo. Si el valor dmg se eleva ms alto que el umbral durante al menos dos imgenes, la insercin de bicarbonato de buena y se asumi el inicio del proceso, como puede verse en la figura. 4 . Si el valor dmg se eleva por encima del umbral durante el proceso, se supondr una distorsin y el procesamiento de la imagen se saltar la imagen probablemente errnea, esperando fallos en pretratamiento de la imagen o la adquisicin de imgenes. Una pista se le dar al operador tener cuidado acerca de la situacin.

Figura 4. diferencial significa valores de gris de imgenes de diferencia durante el horneado. El pico al comienzo ( t = 0 min) y final ( t = 20 min) indican la alimentacin y la eliminacin del horno con los productos para hornear, respectivamente. 3.2. Distincin y localizacin de los productos para hornear Cuando se activa el inicio del proceso, la masa se puede clasificar en panecillos o croissants, utilizando un algoritmo Viola-Jones (vj) adaptado y simplificado ( Viola y Jones, 2004 ). El algoritmo vj se pretende analizar las caras en tiempo real y se clasifica a ser muy cerca de ser el estndar de facto para la solucin de tareas de deteccin de rostros ( Jensen, 2008 ). Para aplicar el algoritmo de vj la imagen es preprocesado (gris y cambiar de tamao reducido a 25%). El algoritmo de vj transforma la imagen en lo que se llama imagen integral, que se utiliza para comprobar si una combinacin de patrn rectangular sencilla predefinido (llamado caractersticas) se puede encontrar en una seccin (sub ventana) de la imagen. Esto se lleva a cabo de una manera en cascada, lo que significa que una seccin de la imagen es slo evalu adicionalmente, si las caractersticas de proceder se han clasificado positivamente. Si no, la seccin bajo investigacin se mueve un pxel ms a la imagen y el anlisis se realiza de nuevo. Debido al procedimiento de anlisis de conexin en cascada, el algoritmo funciona muy tiempo de manera eficiente. Las diferencias con el algoritmo original vj son el uso de mucho menos caractersticas (slo 18 para bollos de pan se utilizaron) y el abandono de un procedimiento de entrenamiento automtico. En lugar de utilizar el algoritmo de entrenamiento de fuerza bruta original, que requiere una enorme cantidad de datos de patrn y el tiempo, las cascadas de detector para el

reconocimiento de bollos de pan y cruasanes fueron creadas manualmente. La posicin de las caractersticas dentro de la ventana secundaria real, as como el orden de las caractersticas en la cascada se determin manualmente tambin. Otra limitacin es el uso de slo ventanas sub cuadrticas. Pero el principio bsico del algoritmo vj, la combinacin de mltiples clasificadores dbiles basado en caractersticas rectangulares que detectan gradientes de luminosidad para obtener un clasificador fuerte, que es capaz de detectar patrones complejos, se mantiene sin cambios. Para clasificar los productos para hornear en el horno, mltiples cascadas de deteccin vj se aplican a la primera imagen. Si la primera cascada para panecillos encuentra un bollo de pan, los productos para hornear se pueden clasificar como pan. Si la cascada panecillo encuentra nada, la prxima cascada se aplica para evaluar mejor la imagen y encontrar, as como localizar, por ejemplo, croissants. Si la segunda cascada tambin falla al detectar nada, una posible tercera cascada se aplica y as sucesivamente. Si no detecta nada en cascada el programa informar de un error al operador. Con 18 diverso proceso se ejecuta con pan y cruasanes del bien horneado se identifica correctamente con un error de 5,6%. . Figura 5 muestra imgenes de ejemplo, en los que se destacan sub ventanas, en las que se detect un bollo de pan. Se puede observar, que no todos los bollos de pan se pueden detectar. Sin embargo, slo un patrn definitivamente clasificado y situado es suficiente para decidir, wether hay bollos de pan u otros productos para hornear en el horno (suponiendo que slo un tipo de coccin de buena a la vez est en el horno).

Figura 5. Reconocido y situado panecillos.

3.3. La deteccin de cambios en la forma de pastelera El primer intento de deteccin vj, que procesa toda la imagen, est destinado a clasificar y para localizar exactamente al menos una pieza de pastelera. En todas las imgenes ms tarde, la deteccin vj utiliza un algoritmo ligeramente ms simplificado con condiciones menos restrictivas aplicadas a las caractersticas y se aplica slo a la pequea subregin de la imagen, donde se encuentra la masa en la primera imagen. Esto es mucho ms rpido (~ 1-10 ms) que la imagen entera vj deteccin (~ 5 s), pero todava suficiente para controlar la anchura y la altura de los cambios durante el proceso de coccin. El cambio de ancho de una pastelera se puede acceder directamente a travs del cambio de ancho de la ventana secundaria vj detectada. El cambio de altura se puede calcular por el movimiento hacia arriba del centro de la ventana secundaria detectado, que es proporcional al cambio de altura de la pastelera. Bajo el supuesto de una forma elipsoide de pan, el cambio de volumen se puede calcular fcilmente utilizando la altura y la anchura de los cambios. . Figura 6 muestra la evolucin de la altura y la anchura de bollos de pan durante todo el proceso. Se puede observar, que el crecimiento en altura es mayor que crezca la anchura y que el desarrollo tamao termina despus del primer tercio del proceso. La raz del error cuadrtico medio de ancho y la determinacin de cambio de altura es de 3,7% y 1,8%, respectivamente. Estos errores se calculan por contar manualmente los pxeles y compararlo con el resultado obtenido por el algoritmo de VJ. Una medicin fuera de lnea real del tamao actual de los bollos de pan no era tcnicamente posible, pero se midieron los volmenes de inicio y fin. El aumento total de volumen fue, como se esperaba, alrededor de 25-30%, que coincide con los resultados del algoritmo de VJ.

Figura 6. evolucin del tamao del pan durante el proceso de coccin evaluado por el algoritmo de Viola-Jones y contando pxeles manualmente (referencia). Error cuadrtico medio de la determinacin de cambio de anchura: 3,7%, y la determinacin de cambio de altura: 1,8%. 3.4. La deteccin de colores pasteles cambios de saturacin El algoritmo vj slo puede revelar informacin sobre lugares y formas de los patrones preestablecidos. La informacin de color no se puede acceder a travs de este enfoque, ya que slo utiliza imgenes a escala de grises. El primer enfoque fue un filtro de color simple (bicarbonato de buena identificado si los valores de HSL-del sistema estn en los siguientes intervalos: H: 36 a 151: 0 a 0,33, S, L: 0,09 a 1) a la misma subregin de la imagen tal como se utiliza para la evaluacin del tamao que debe decidir wether un pxel muestra de pastelera o de fondo. Desde el pixel que muestra los pasteles, los valores de color medias reales podran ser extrados fcilmente. Sin embargo, este filtro simple fue obviamente destinado a fallar debido al cambio de color de la pasta durante la coccin. Por lo tanto el anlisis de color se basa en una red neuronal artificial. Esta red neuronal decide si un pxel pertenece a una pasta o el fondo de la imagen. Las redes analizadas consisten de siempre tres neuronas de entrada para los valores RGB de un pxel, desde dos hasta cuarenta neuronas ocultas y siempre una sola neurona de salida. La red fue entrenada mediante el algoritmo de retropropagacin ( Rumelhart et al., 1986 ). El conjunto de datos de entrenamiento se prepar de forma manual mediante la creacin de una mscara binaria para la coccin bueno (representado por 1) y el fondo

(representado por 0). Se compone de aprox.500.000 pxeles por imagen que representa fondo y aprox. 300.000 pxeles por imagen que representa una buena coccin. Dado que la funcin de transferencia se utiliza la funcin de tansig sigmoidal. En la fig. 7 la evolucin del error se presenta para las diferentes estructuras de la red, como se puede ver, hay sobreentrenamiento se produce incluso para las estructuras muy complejas. Cuanto ms compleja es la estructura de la red, ms rpido disminuye el error. Despus de 0,8 pocas de formacin para la red 3-8-1 el error de prediccin de buena coccin es el mismo que para las estructuras ms complejas; su valor es 7,0%.La ms sencilla de red (3-2-1) no ha podido obtener un error inferior a 12,5%.

Figura 7. La evolucin del error durante la formacin de diferentes estructuras de la red. Aunque la red neuronal utiliza la misma informacin de color para identificar, si un pxel representa pastelera o de fondo, es mucho ms fiable que un filtro de color sencilla. De todos los pxeles de pastelera los valores medios reales de color se extraen y se utilizan para controlar los cambios de saturacin de color durante el proceso de coccin. figura. 8 muestra la evolucin de la media de saturacin de color y la luminosidad de los pxeles detectados pastelera de bollos de pan durante el proceso de coccin significar. Un cambio significativo en la saturacin de color se produce despus de la primera tercera del proceso, cuando el tamao de desarrollo ha terminado.

Figura 8. Color de la evolucin de pan durante el proceso de coccin. Si el seguimiento de un objeto con el algoritmo vj falla durante el proceso de coccin, la red neuronal puede tambin proporcionar los nmeros de pastelera y los pxeles del fondo de la subregin de la imagen fija. A partir de la relacin de estos dos nmeros, tambin es posible calcular aproximadamente el cambio de tamao de la masa. Sin embargo, este procedimiento no es tan preciso como el basado en el algoritmo de vj. 4. Conclusiones Para controlar el tamao y la evolucin del color de los productos para hornear durante un proceso de coccin, el anlisis de imgenes es una herramienta adecuada. Incluso la imagen pre-procesamiento de bajo nivel de la imagen actual o imgenes de diferencia devuelve informacin confiable, como valor medio gris para determinar el estado del proceso bsico (horno de vaco, horno de carga). Para clasificar y ubicar un solo horno bien y hacer un seguimiento del crecimiento de los rollos, los algoritmos ms complicados y diferentes pasos de preprocesamiento son obligatorios. Despus de una etapa de normalizacin de los algoritmos Viola Jones pueden identificar la buena hornada con una alta fiabilidad. Para evitar la formacin procedimiento automtico de larga y compleja, se aplic un enfoque de formacin manual. Los resultados obtenidos son precisos y se correlacionan con el comportamiento esperado. Automticamente el aumento de tamao es determinado por nuestro sistema. Para rollos de pan que tiene lugar durante el primer tercio del proceso, siendo la primera etapa de coccin. El color no cambia durante esta etapa. Se comienza a evolucionar en el segundo tercio del proceso de marcado

de la segunda etapa, cuando el calor no puede disiparse rpida y se utiliza para las reacciones de Maillard en la superficie. Dependiendo de procesamiento de imgenes, un monitoreo en lnea del estado de la buena coccin se realiza basndose en el tamao y color de identificacin. Esto hace un sistema de control adaptativo automatizado posible, lo que podra ser capaz de ajustar dinmicamente los parmetros de proceso y para optimizar un proceso de coccin con respecto a la energa, tiempo, as como la calidad del producto. Incluso los errores del operador podraser evitarse como un sistema automatizado de control de hornear. Un sistema de control siempre estar atento y nunca ocupado o cansado.