UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

ESCUELA ACADEMICO PROFESIONAL DE INFORMTICA

DISEO DE UN MODELO COMPUTACIONAL PARA

MEJORAR EL PROCESO DE CLASIFICACIN DE
ESPARRAGOS

PROPUESTO POR:
Ing. Salazar Campos Orlando

<salazarcjo@gmail.com>

ELABORADO POR:
Murrugarra Llerena Joseph Hans

<perhark@gmail.com>

AREA DEL PROYECTO:

Procesamiento Grafico

Trujillo, 17 de diciembre del 2014

Contenido
INTRODUCCIN ________________________________________________________ 6
GENERALIDADES DEL PROYECTO. ___________________________________ 7

I.

1.1.

Problema _____________________________________________________________ 7

1.1.1.
Realidad Problemtica _______________________________________________________ 7
1.1.1.1. Descripcin del problema en la actualidad _____________________________________ 7
1.1.2.
Enunciado del problema ______________________________________________________ 7

1.2.

Hiptesis _____________________________________________________________ 7

1.3.

Variables de estudio ____________________________________________________ 7

1.3.1.
1.3.2.

1.4.

Objetivos _____________________________________________________________ 8

1.4.1.
1.4.2.

1.5.

Variable Independiente _______________________________________________________ 7

Variable Dependiente ________________________________________________________ 8

Objetivo general ____________________________________________________________ 8

Objetivos especficos ________________________________________________________ 8

Justificacin de estudio __________________________________________________ 8

1.5.1.
1.5.2.

Acadmica _________________________________________________________________ 8
Empresarial ________________________________________________________________ 8

MATERIALES Y METODOS _________________________________________ 9

II.
2.1.

Poblacin y Muestra ____________________________________________________ 9

2.1.1.
2.1.2.

2.2.

Tcnicas e instrumentos ________________________________________________ 10

2.2.1.
2.2.2.

2.3.

Tcnicas __________________________________________________________________ 10
Instrumentes ______________________________________________________________ 10

Fuente e informantes __________________________________________________ 10

2.3.1.

2.4.

Poblacin __________________________________________________________________ 9
Muestra ___________________________________________________________________ 9

Fuente ___________________________________________________________________ 10

Diseo de contrastacin ________________________________________________ 11

MARCO TEORICO ________________________________________________ 11

III.
3.1.

Antecedentes del proyecto ______________________________________________ 11

3.1.1.
3.1.2.

3.2.

Internacionales ____________________________________________________________ 11
Nacionales ________________________________________________________________ 12

Marco terico ________________________________________________________ 12

3.2.1.
Modelo __________________________________________________________________ 12
3.2.2.
Modelo Computacional ______________________________________________________ 13
3.2.2.1. Definicin ______________________________________________________________ 13
3.2.2.2. Historia ________________________________________________________________ 13
3.2.2.3. Caractersticas___________________________________________________________ 14
3.2.2.4. Usos ___________________________________________________________________ 14
3.2.3.
Proceso de clasificacin de esprragos__________________________________________ 15

3.2.3.1. Esparrago ______________________________________________________________ 15

3.2.3.2. Tipos de esparrago _______________________________________________________ 16
3.2.3.2.1. Esprragos Verdes ____________________________________________________ 16
3.2.3.2.2. Esprragos Blancos ___________________________________________________ 16
3.2.3.3. Proceso de clasificacin ___________________________________________________ 17
3.2.3.3.1. Recepcin de materia prima ____________________________________________ 18
3.2.3.3.2. Almacenamiento de materia prima_______________________________________ 18
3.2.3.3.3. Seleccin y clasificacin ________________________________________________ 19
3.2.3.3.4. Corte _______________________________________________________________ 20
3.2.3.4. Caractersticas de un esparrago de calidad ____________________________________ 21
3.2.4.
Procesamiento Digital Imgenes ______________________________________________ 21
3.2.4.1. Imagen Digital ___________________________________________________________ 21
3.2.4.2. Tipos de Imgenes Digitales ________________________________________________ 21
3.2.4.2.1. Imgenes de mapa de bits ______________________________________________ 22
3.2.4.2.2. Imgenes vectoriales __________________________________________________ 22
3.2.4.3. Fases de procesamiento ___________________________________________________ 22
3.2.4.3.1 Adquisicin de imgenes _______________________________________________ 22
3.2.4.3.1. Pre procesamiento ____________________________________________________ 24
3.2.4.3.2. Segmentacin ________________________________________________________ 28
3.2.4.3.3. Descripcin __________________________________________________________ 32
3.2.4.3.4. Reconocimiento ______________________________________________________ 33
3.2.4.3.5. Interpretacin _______________________________________________________ 34

DESARROLLO METODOLOGICO ___________________________________ 35

IV.
4.1.

Metodologa de Trabajo ________________________________________________ 35

4.1.1.
Paso 1: Recoleccin de la informacin _________________________________________ 35
4.1.2.
Paso 2: Anlisis de la informacin _____________________________________________ 35
4.1.2.1. Anlisis adquisicin de imgenes ____________________________________________ 35
4.1.2.2. Anlisis pre-procesamiento ________________________________________________ 36
4.1.2.3. Anlisis segmentacin ____________________________________________________ 37
4.1.2.4. Anlisis reconocimiento ___________________________________________________ 38
4.1.3.
Paso 3: Diseo del modelo ___________________________________________________ 39

V.

CONCLUSIONES _________________________________________________ 40

REFERENCIAS BIBLIOGRAFICAS. ______________________________________ 41

ndice de figuras
Figura 1. Esparrago Verde ________________________________________________________________ 16
Figura 2. Cultivo esparrago verdes. _________________________________________________________ 16
Figura 3. Esparrago Blanco _______________________________________________________________ 17
Figura 4.Proceso de clasificacin de esprragos ______________________________________________ 17
Figura 5. Recepcin de materia prima _______________________________________________________ 18
Figura 6. Almacenamiento de materia prima. _________________________________________________ 19
Figura 7. Especificaciones de clasificacin y corte de esprrago verde. ____________________________ 19
Figura 8.Seleccin y clasificacin __________________________________________________________ 20
Figura 9. Corte _________________________________________________________________________ 20
Figura 10. Ejemplo binarizacin. ___________________________________________________________ 24
Figura 11.Ejemplo mascara 3x3 ____________________________________________________________ 25
Figura 12. Filtrado espacial de imgenes. ____________________________________________________ 26
Figura 13.Mascara para filtro gaussiano. ____________________________________________________ 27
Figura 14. Filtros pasa-bajos en el dominio espacial. ___________________________________________ 27
Figura 15. Filtros paso-altos_______________________________________________________________ 28
Figura 16. Mascara de 3x3 para un filtro de paso alto __________________________________________ 28
Figura 17. Segmentacin orientada a regiones ________________________________________________ 29
Figura 18. Segmentacin orientada a regiones ________________________________________________ 30
Figura 19. Ejemplo crecimiento de regiones __________________________________________________ 30
Figura 20. Resultado ejemplo crecimiento de regiones. _________________________________________ 31
Figura 21. Divisin y Fusin de regiones ____________________________________________________ 31
Figura 22. Diagrama de bloques del proceso de reconocimiento de patrones. _______________________ 34
Figura 23. Diseo algortmico del modelo ____________________________________________________ 39

ndice de tablas
Tabla 1. Muestra piloto ____________________________________________________________________ 9
Tabla 2. Historia modelos Computacionales __________________________________________________ 14
Tabla 3. Calificaciones ___________________________________________________________________ 35
Tabla 4. Cuadro comparativo de formas de adquisicin de imgenes ______________________________ 35
Tabla 5. Cuadro comparativo de tipos de cmaras digitales _____________________________________ 36
Tabla 6. Cuadro comparativo de mtodos de umbralizacin _____________________________________ 36
Tabla 7. Cuadro comparativo mtodos de binarizacin _________________________________________ 37
Tabla 8. Cuadro comparativo mtodos de suavizamiento ________________________________________ 37
Tabla 9. Cuadro comparativo mtodos de segmentacin.________________________________________ 37
Tabla 10. Cuadro comparativos tcnicas de reconocimiento de patrones ___________________________ 38
Tabla 11. Cuadro comparativo de algunas tcnicas supervisadas _________________________________ 38

INTRODUCCIN
En el presente trabajo de investigacin, tiene como objetivo disear un modelo para mejorar la
clasificacin de esprragos, por lo cual se ha documentado en 4 captulos, conclusiones y referencias;
a fin de obtener un panorama ms amplio del tema a tratar.
La caracterstica principal de ste proyecto es que al aplicar este modelo se mejore el proceso de
clasificacin de esprragos en las empresas agroindustriales. As mismo, permitir a las empresas
agroindustriales reducir al mximo los desperdicios y optimizar los procesos de clasificacin de los
esprragos,
El presente proyecto est organizado de la siguiente manera:
En el captulo I, se abordara las generalidades del proyecto entre ellas, la descripcin del problema,
objetivos, justificacin de estudios.
En el captulo II, materiales y mtodos, se elige la poblacin y muestra en la que se probara la tcnica
diseada y los instrumentos que utilizara para probar los objetivos planteados para esta investigacin.
Tambin se incluye el diseo de contrastacin.
En el captulo III, correspondiente al marco terico se tienen los antecedentes o los trabajos previos
referentes al proyecto. As mismo, la teora correspondiente a modelos computacionales, las fases
del procesamiento digital imgenes, entre otros. Se detalla en cada fase del procesamiento digitales
de imgenes las tcnicas, algoritmos y hardware dependiendo de cada fase.
En el captulo IV, metodologa del trabajo, se detallan cada uno de los pasos que se sigue en la
metodologa usada, empezando por el paso 1: recoleccin de informacin, la cual fue realizada en el
marco terico. El pas 2: anlisis de informacin, se realizaron cuadros comparativos para elegir los
algoritmos que mejor se adapten al diseo de la tcnica. Finalmente en el paso 3: Diseo del modelo,
se muestra el diseo algortmico de los pasos que conforman el modelo.
Finalmente, se presentan las conclusiones y las referencias usadas en el desarrollo del trabajo de
investigacin.

I.

GENERALIDADES DEL PROYECTO.

1.1. Problema
1.1.1.

Realidad Problemtica
1.1.1.1. Descripcin del problema en la actualidad
El comercio exterior es muy importante para el crecimiento y desarrollo
sostenido a largo plazo; ms an en la actualidad tiene un peso
importante en la actividad econmica de los pases, el mismo que es
demostrado por las evidencias de los pases desarrollados y las
experiencias de los "pases exitosos" que han logrado su crecimiento y
desarrollo econmico gracias al crecimiento de las exportaciones.
La industria peruana viene conquistando nuevos mercados con los
productos de exportacin tanto como importacin por ello en la
actualidad los esquemas de control de calidad aplicados a la industria
en la cual el volumen de produccin est marcado por la alta demanda
de los productos especialmente en frutas y hortalizas como la es el
esparrago es necesario establecer estndares cada vez ms estrictos para
incrementar la calidad de los productos ya sea cuando se van a exportar
o se quedara en nuestro pas (Benites, 2012)
Pero mecnicamente esto es un arduo y delicado trabajo, sin embargo,
en fechas recientes muchas de las tecnologas y esquemas de trabajo se
han ido incorporado a las hoy llamadas agroindustrias, con el fin de
reducir al mximo los desperdicios, optimizar los procesos de
clasificacin (Trent B. y Folwell R. 2003). Entre las principales
dificultades del procesos de clasificacin tenemos la deteccin de
imperfecciones, putrefaccin, puntas rotas en el esparrago, Por ello es
necesario mejorar dicho proceso con el fin de ser realmente eficientes
contribuyendo a la industria peruana.

1.1.2.

Enunciado del problema

Cmo mejorar el proceso de clasificacin de esprragos?

1.2. Hiptesis
El diseo de un modelo computacional para la mejora del proceso de clasificacin
de esprragos.

1.3. Variables de estudio

1.3.1.

Variable Independiente
Modelo computacional
7

1.3.2.

Variable Dependiente
Mejora del proceso de clasificacin de esprragos

1.4. Objetivos
1.4.1.

Objetivo general
Disear un modelo computacional para mejorar el proceso de clasificacin de
esprragos.

1.4.2.

Objetivos especficos
Comprender los procesos de clasificacin de los esprragos que cumplen los
respectivos estndares de calidad.
Investigar los algoritmos y tcnicas existentes para solucionar problemas
similares al nuestro.
Disear un modelo basado en visin computacin para poder clasificar los
esprragos
Desarrollar el prototipo del modelo para la clasificar esprragos
Analizar resultados del modelo propuesto.

1.5. Justificacin de estudio

1.5.1.

Acadmica
El presente proyecto representa la oportunidad de poner en prctica los
conocimientos de la visin computacional, planteando un modelo para mejorar
el control de calidad de los esprragos.

1.5.2.

Empresarial
El control de calidad en la agroindustria es muy importante, en este caso del
esprrago pues as se determina si es apto para el consumo humano y cumple
ciertos estndares de calidad. Muy a menudo estos procesos industriales son
realizados por personas, y esta propenso a errores que sern disminuidos. As
mismo, con la ayuda de la visin computacional se piensa mejorar el control de
calidad de los esprragos proponiendo una mejora en la clasificacin segn su
calidad.

II.

MATERIALES Y METODOS
2.1. Poblacin y Muestra
2.1.1.

Poblacin
Imgenes de esprragos en formato JPG de dimensiones 300x200 pixeles.

2.1.2.

Muestra
Primero se halla la desviacin estndar de la poblacin por medio de una
muestra piloto.
Nro
Esparrago

de Xi = Percepcin Nro
calidad [0-1]
Esparrago

de Xi = Percepcin
calidad [0-1]

15

16

17

18

19

20

21

22

23

10

24

11

25

12

26

13

27

14

Total = no = 27

= Xi / no
= 17/27
= 0.62

Tabla 1. Muestra piloto

Fuente: Propio

Luego se halla la desviacin estndar:

( )2
= =1
1
donde:
S : desviacion estandar de la muestra piloto
Xi : Percepcin calidad
: Percepcin calidad promedio
no : nmero de esprragos de la muestra piloto
Finalmente la desviacion estandar es 0.49. Para determinar el tamao de la muestra en
una poblacion infinita se aplica la siguiente formula:

2 2
2

donde:
n : tamao necesario de la muestra de esparragos
Z : nivel de confianza o margen de confiabilidad

(95% = 1.96 )

S: desviacion estandar(0.49)
E: error de estimacion(0.05)
El resultado correspondiente al tamao de la muestra es: 368.947264
2.2. Tcnicas e instrumentos
2.2.1.

Tcnicas
Observacin

2.2.2.

Instrumentes
Ficha observacin, cronmetro.

2.3. Fuente e informantes

2.3.1.

Fuente
Empresa Savsa.

10

2.4. Diseo de contrastacin

Se tiene en cuenta el diseo de contrastacin experimental con grupo control y con post
test, el cual se encuentra representado en el siguiente grfico.
G1:
G2:

X1____
X2

O1
O2

Donde:
X1: Modelo computacional
X2: Mtodo tradicional
O1: Observacin del resultado de la aplicacin de X en un grupo
O2: Observacin del resultado sin la aplicacin de X en el mismo grupo.

III.

MARCO TEORICO
3.1. Antecedentes del proyecto
3.1.1.

Internacionales
El estudio denominado Asparagus defect inspection with machine vision
cuyos autores son Rigney, M.P., Brusewitz, G.H. and Kranzler, G.A. en el
ao de 1992. Adopta como problema el Cmo detectar defectos en
esprragos? Ante lo cual plantea el uso de la visin por computador. As
mismo, se usaron algoritmos de procesamiento de imgenes los cuales se
pusieron a prueba para la deteccin de defectos de esprragos. Obteniendo
como resultados por ejemplo en la propagacin de puntas que fueron
correctamente identificadas con una tasa de error del 8%, extremidades rotas
fueron detectados con una tasa de error del 25%, y las lanzas con cicatrices
o agrietados se detectaron con una tasa de error del 42% el uso de funciones
discriminantes multivariantes.
La tesis denominada Selector de fruta y simulacin de una aplicacin real
cuya autora es Fernndez, M. en el ao 2006, en la Universidad Politcnica
de Catalunya. El objetivo principal de esta investigacin fue crear un
programa que clasificara las imgenes de frutas, en buenas o malas. Las
primeras dificultades se hacen visibles: qu fruta escoger y cmo determinar
si es o no apta para el consumo directo decidindose por melocotones ya que
estos, por su textura y coloracin, resultaban ms complicados e interesantes
que las manzanas o naranjas, de coloracin ms definida, Los resultados del
algoritmo selector estn determinados en gran medida por dos aspectos:
variedad de la fruta e iluminacin. La variedad de la fruta resulta un
problema a tener en cuenta a la hora de determinar los umbrales de
binarizacin. No es lo mismo una fruta de tonos amarillentos que una de
tonos rojizos. se estudi otros espacios de color y otras tcnicas de
procesamiento digital de imgenes que dieron respuesta ms eficaz a la
deteccin y clasificacin de fallos.
La Tesis: Sistema De Visin Artificial Para El Control De Calidad Del
Meln, cuyo autor es Fuentes R. en el ao 2001, realizada en la Universidad
de la Colina en Mxico. Cuyo objetivo de estudio fue orientado al proceso
11

de seleccin de hortalizas, principalmente el meln en sus dos variedades:

Honeydew y Cantaloupes. La orientacin del proyecto se centra en la
localizacin, extraccin, anlisis y posterior clasificacin del meln de
acuerdo a los estndares nacionales e internacionales para su posterior
empaque. Se desarroll esta investigacin gracias a la aplicacin de estas
nuevas tecnologas como lo es la visin artificial. En su primera etapa el
proyecto se orienta al desarrollo de los algoritmos computacionales
referentes al proceso de seleccin mediante tcnicas de visin artificial que
involucran las etapas de adquisicin, procesamiento y reconocimiento de
imgenes. Y en la segunda parte se encuentra en etapa de desarrollo un
automatismo que interacte con el sistema de visin artificial en tiempo real
para automatizar totalmente el proceso de seleccin y empaque del meln.
3.1.2.

Nacionales
El trabajo Mtodos alternativos para el mejoramiento automtico del
contraste de imgenes, cuyos autores son Chang, V. y Saavedra, J.
realizado en el ao 2001 en la Universidad nacional de trujillo, Cuyo
objetivo de estudio fue orientado a proponer mtodos para el mejoramiento
automtico de imgenes. Se propuso diferentes algoritmos de procesamiento
de imgenes, binarizacion, segmentacin de imgenes, eliminacin de ruido,
entre otros algoritmos con resultados ptimos.
La tesis denominada Elaboracin de un manual de buenas prcticas de
manufactura para una empresa agroindustrial de esparrago verde, cuya
autora es Benites S. en el ao 2012 en la Universidad Privada Antenor
Orrego. Este documento tcnico permitir a todo fabricante de alimentos
derivados de frutas y hortalizas, conocer y aplicar los requerimientos que
exigen la legislacin nacional e internacional en materia de la
implementacin de Buenas Prcticas de Manufactura (BPM), con el
propsito de reducir al mnimo los riesgos de contaminacin biolgica,
qumica o fsica, que pueden ocurrir durante el procesamiento de alimentos.
As mismo, est tesis brindara los conocimientos necesarios sobre el control
de calidad de los esprragos.

3.2. Marco terico

3.2.1.

Modelo
Un modelo es una abstraccin terica del mundo real que tiene dos utilidades
fundamentales:
Reducir la complejidad, permitindonos ver las caractersticas
importantes que estn detrs de un proceso, ignorando detalles de menor
importancia que haran el anlisis innecesariamente laborioso; es decir,
permitindonos ver el bosque a pesar del detalle de los rboles.
Hacer predicciones concretas, que se puedan falsar mediante
experimentos u observaciones. De esta forma, los modelos dirigen los
estudios empricos en una u otra direccin, al sugerir qu informacin
es ms importante conseguir.
12

Sin embargo, es importante recordar que los modelos no nos proporcionan una
informacin directa de lo que est ocurriendo realmente en el mundo real. Las
predicciones del modelo debern ser validadas o refutadas por los resultados
empricos (Thomas, K. 2005).
3.2.2.

Modelo Computacional
3.2.2.1. Definicin
El modelado computacional es el uso de matemticas, fsica e
informtica para estudiar el comportamiento de sistemas complejos
mediante la simulacin por computadora. Un modelo computacional
contiene numerosas variables que caracterizan el sistema bajo estudio.
La simulacin se realiza ajustando estas variables y observando cmo
los cambios afectan los resultados pronosticados por el modelo. Los
resultados de las simulaciones de modelos ayudan a los investigadores
a hacer predicciones acerca de qu pasar en el sistema real que se est
estudiando en respuesta a condiciones cambiantes. El modelado puede
agilizar la investigacin ya que permite que los cientficos realicen
miles de experimentos simulados por computadora a fin de identificar
los experimentos fsicos que con mayor probabilidad ayuden al
investigador a encontrar la solucin al problema bajo estudio.( Linda et
al,2001).
3.2.2.2. Historia
La historia de la computacin es muy extensa por que a continuacin
citaremos los acontecimientos ms relevantes hasta la primera
generacin de computadores, donde surgieron los primeros modelos
computacionales:

AO

AUTOR Y DESCRIPCIN

1623

Shickard construye la primera calculadora, basada en ruedas

dentadas y capaz de sumar y multiplicar
Pascal a la edad de 19 aos inventa para su padre (un contable) una
mquina que suma y resta.
Leibnitz mejora la mquina de Pascal, siendo capaz de multiplicar y
dividir.
Mahon construye una mquina aritmtica y otra lgica,
"Demostrador de Stanhope"
Charles Babbage construye en parte la mquina analtica,
considerndose el primer computador digital de prposito general.
Sus caractersticas eran: trabajaba con una aritmtica de 50 digitos
decimales, tardaba 1 segundo en hacer sumas y restas y alrededor de
un minuto con las multiplicaciones y divisiones.
Hollerith construye una mquina para tabular el censo.

1642
1671
1777
1820

1890
1914

.Torres Quevedo con tecnologa electromagntica disea los

esquemas de una calculadora digital.
13

1936

1938
1941

1942
1943

1945

Alan Turing contest a la cuestin de si las matemticas son

"decidibles", planteada aos atras, construyendo un modelo formal
de computador, la Mquina de Turing, y demostrando que haba
problemas tales que una mqui
na no poda resolver. Al mismo tiempo en Estados Unidos contestaba
a la misma cuestin Alonzo Chuch, basndose en una notacin
formal, que denomin clculo lambda, para transformar todas las
frmulas matemticas a una forma estndar.
Stibitz crea MODEL I, el primer sistema con terminales remotos, que
empleaba nmeros complejos para clculos balsticos
Basndose en los resultados de Turing y de Chuch, Zuse dise y
construy su serie de computadores electromecnicos binarios, desde
el Z1 hasta el Z3.
Atanasoff construye una mquina de propsito general con tubos de
vaco. Fue la primera computadora electrnica digital.
Mauchy y Eckert construyen el ENIAC (Electronic Numeric
Integrator and Calculator). Sus caractersticas: empleaba 18000 tubos
de vaco; consuma 150 kW; tena una medidas de 30x2,5 metros;
utilizaba 20 registros de 10 dgitos decimales; tardaba 200
microsegundos en la suma, 2,8 milisegundos en la multiplicacin y 6
milisegundos en la divisin; segua utilizando el sistema de tarjetas
perforadas.
Von Neumann tiene una idea innovadora que es almacenar en una
memoria rpida datos e instrucciones para que para modificar un
programa baste con modificar las instrucciones almacenadas en la
memoria. A este modelo se le conoce como "Modelo de von
Neumann" y es el que an en da emplean los computadores.
Tabla 2. Historia modelos Computacionales
Fuente: Thomas, K, 2005.

3.2.2.3. Caractersticas
Los modelos computacionales tienen las siguientes caractersticas:
Granularidad: Desde el punto de vista del modelo
computacional la granularidad se interpreta como la
complejidad de los elementos de clculo.
Typing: El concepto de la tipificacin se utiliza en un nivel
superior en relacin con los lenguajes de programacin pero
desde el punto de vista de un modelo computacional la
tipificacin de los lenguajes y la arquitectura estn
estrechamente relacionados.
3.2.2.4. Usos
El modelado computacional se usa para estudiar un amplio rango de
sistemas complejos. Algunos ejemplos incluyen:
Pronstico del clima. El pronstico del clima utiliza modelos
computacionales que analizan y hacen predicciones basadas en
numerosos factores atmosfricos. Esto es importante por
muchas razones incluyendo la proteccin de la vida,
14

propiedades y cosechas y ayuda a las compaas de servicios

pblicos a planear aumentos en la demanda de electricidad,
especialmente cuando se esperan cambios extremos en el
clima.
Construccin de mejores aviones. Los simuladores de vuelo
recrean el vuelo de las aeronaves utilizando las ecuaciones
complejas que regulan cmo vuela una aeronave y la reaccin
de la aeronave a factores ambientales externos tales como la
turbulencia, la densidad del aire y la precipitacin. Adems de
utilizarlos para capacitar a los pilotos, los simuladores de vuelo
se usan para el diseo de las aeronaves e investigar cmo
diferentes condiciones podran afectar a las aeronaves.
Estudio de terremotos. El modelado computacional se usa en el
estudio de terremotos, con el objetivo de salvar vidas, edificios
y otros tipos de infraestructura. Las simulaciones por
computadora crean modelos para ver cmo interacta la
construccin, la composicin y el movimiento de estructuras,
as como las superficies en las que estn construidas, durante
un terremoto.
Artculos Domsticos. Los modelos computacionales se usan
para desarrollar muchos, si no la mayora, de los artculos que
utilizamos en nuestro hogar. Por ejemplo, los envases de
productos qumicos domsticos (por ej. para higiene,
lavandera, limpieza) y alimentos (por ej. caf, papas fritas,
galletas), la produccin de textiles (por ej. tela, ropa) y an el
diseo de paales utilizan muchos mtodos matemticos
complicados y herramientas de modelado.
3.2.3.

Proceso de clasificacin de esprragos

3.2.3.1. Esparrago
El esprrago es una hortaliza originaria del Asia, de la cual se utiliza
para el consumo, el brote tierno denominado "turin". Se utiliza
frecuentemente en preparaciones especiales de "alta cocina" y es una
fuente primordial de compuestos que contribuyen a una adecuada
circulacin sangunea. Es una de las hortalizas que ha alcanzado mayor
desarrollo, principalmente en el estado fresco - refrigerado, llegando a
ocupar extensiones de siembra cercanas a las 20 mil hectreas y
rendimientos de 20 mil kilos por hectrea en la Libertad. (Gatti y
Vanina, 2000).
El esprrago es una planta dioica y perenne del gnero Asparagus,
perteneciente a la familia de las Liliceas, formada por tallos areos
ramificados y una parte subterrnea constituida por races y yemas
(Fuentes, 2010).
Este gnero comprende unas 100 especies originarias del sur de Europa,
Asia y frica, algunas de ellas con valor ornamental y slo una con
15

valor hortcola: Asparagus officinalis L. (Figura 1) (Lpez y Picarde,

2003).

Figura 1. Esparrago Verde

Fuente: Lpez y Picarde, 2003.
3.2.3.2. Tipos de esparrago
3.2.3.2.1.

Esprragos Verdes
La variedad verde, tambin llamada esprrago negro,
amargo o triguero, crece en contacto con la luz del sol, por
lo que la clorofila se desarrolla y aporta a esta variedad su
color caracterstico. Este esprrago es muy apreciado por
su sabor y suele encontrarse en el mercado entre noviembre
y marzo (Puga et al. 2002) (Figura 2).

Figura 2. Cultivo esparrago verdes.

Fuente: Puga et al. 2002
3.2.3.2.2.

Esprragos Blancos
El esprrago blanco ha sido considerado un manjar, sobre
todo por los europeos y cuesta alrededor del doble de
precio del esprrago verde. La razn principal de que el
esprrago blanco sea ms caro es que no existe una oferta
ilimitada, y los costes de produccin son altos.

16

Para producir esprragos blancos, tienen que ser

cultivados en la oscuridad. Cuando los esprragos estn
expuestos a la luz solar, primero se vuelven de color rosa
y ms tarde, toman el color verde familiar(Lpez y
Picarde, 2003).

Figura 3. Esparrago Blanco

Fuente: Lpez y Picarde, 2003.
3.2.3.3. Proceso de clasificacin
El proceso de clasificacin de esprragos verdes se aprecia en la figura
4.

Figura 4.Proceso de clasificacin de esprragos

Fuente: Benites, 2012.

17

3.2.3.3.1.

Recepcin de materia prima

Esta etapa se inicia con la llegada a la zona de recepcin de
planta, de los vehculos que transportan la materia prima en
jabas desde las diferentes zonas de acopio. Aqu se
inspecciona las condiciones de transporte y la calidad del
esparrago para su aceptacin o rechazo (evaluacin fsico
organolptica, muestreo del esparrago para determinar
porcentaje de descarte: ranura, deformes, curvos, oxidados
y picados), luego se procede a pesar en la balanza de un
rango de 600 kg. Posteriormente la materia prima se
traslada a la zona del lavado para eliminar la arenilla que
pueda traer utilizando agua a presin y finalmente se
desinfecta en la tina de burbujas con agua clorada (residual
de cloro de 50 a 10 ppm), cuyo reciclamiento de agua se
har de acuerdo a la procedencia del esprrago:
Si proviene de plantas procesadoras, el recambio es cada 4
batch.
Si proviene de fundo, el recambio es cada 3 batch.
Si proviene de campias, el recambio es cada 2 batch.
Siendo cada bach equivalente a 10 jabas.

Figura 5. Recepcin de materia prima

Fuente: Benites, 2012.
3.2.3.3.2.

Almacenamiento de materia prima

Una vez desinfectado es almacenado en cmara de 12 TN
de capacidad a una temperatura entre 4 y 8 C, no
excediendo de 48 horas.

18

Figura 6. Almacenamiento de materia prima.

Fuente: Benites, 2012.
3.2.3.3.3.

Seleccin y clasificacin
Se utiliza fajas para clasificar el esprrago verde ya sea
segn dimetro y calidades de punta, dependiendo de las
especificaciones de los clientes. Para esto la empresa
Agroindustrial posee 2 fajas transportadoras las cuales
estn debidamente lavadas y desinfectadas con agua
clorada para evitar contaminar el producto. (Figura 7) y
(Figura 8).

Figura 7. Especificaciones de clasificacin y

corte de esprrago verde.
Fuente: Reglamento sobre vigencia y control
Sanitario de los alimentos y bebidas de consumo
humano DS N 0007-98- S.A (Ministerio de
Salud, 1998)

19

Figura 8.Seleccin y clasificacin

Fuente: Benites, 2012.
3.2.3.3.4.

Corte
En el rea de corte los esprragos se trabajan de acuerdo a
la longitud del formato de envase (de acuerdo a la
programacin de la semana), para ello se cuenta con cajas
de corte de acero inoxidable, que permiten cortar al
esprrago ala longitud requerida) (Figura 9)

Figura 9. Corte
Fuente: Benites, 2012.

20

3.2.3.4. Caractersticas de un esparrago de calidad

Entra las principales caractersticas tenemos las siguientes (Benites,
2012):

De consistencia firme.
De forma color, sabor y olor caracterstico de la variedad.
En estado fresco.
Enteros, limpios y sanos.
Cabeza compacta y bien cerrada.
Libres de pudricin.
Libres de defectos mecnicos.
Libres de manchas o indicios de heladas
Libre de tallo hundido y sin presentar floracin alguna.
Libres de daos causado por plagas, insectos vivos y
enfermedades.
Libres de cualquier material extrao (polvo, residuos
qumicos, etc.).
De tamao y calibre uniforme.

3.2.4.

Procesamiento Digital Imgenes

3.2.4.1. Imagen Digital
Una imagen puede definirse como una funcin bidimensional f(x,y)
donde x y y son coordenadas en el plano y la amplitud f es llamada
intensidad o nivel de gris en ese punto.
Cuando (x, y) y f son todos finitos (cantidades discretas) llamamos a la
funcin como imagen digital. Es decir, una imagen digital estar
compuesta por un nmero finito de elementos llamados pxeles, cada
uno de los cuales con un valor y una posicin particular (Richardson,
2003).
3.2.4.2. Tipos de Imgenes Digitales
Por la forma de manejar los datos en un archivo de imagen, se puede
hablar de dos modos principales para manipular la informacin que
integra una imagen digital. Estos modos son las imgenes de mapa de
bits y las imgenes vectoriales. Dado que cada uno se adapta mejor a
un tipo de imagen, antes de conocer los diferentes formatos, debe
conocerse el funcionamiento tanto de imgenes vectoriales como de
imgenes de mapa de bits.

21

3.2.4.2.1.

Imgenes de mapa de bits

Una imagen bitmap o mapa de bits, est compuesta por
pequeos puntos o pixeles con unos valores de color y
luminancia propios. El conjunto de esos pixeles componen
la imagen total.

3.2.4.2.2.

Imgenes vectoriales
Los llamados grficos orientados a objetos son las
imgenes vectoriales. Su tamao es mucho ms reducido,
en comparacin con los mapas de bits, porque el modo
como organizan la informacin de una imagen es ms
simple que en aquellos. Dicha simplicidad radica en
generar los objetos que conforman una imagen a travs de
trazos geomtricos determinados por clculos y frmulas
matemticas. De manera tal que los grficos vectoriales se
visualizan a partir de las coordenadas de una lnea
guardadas como referencia, mismas que forman los objetos
a partir de la definicin matemtica de los puntos y lneas
rectas o curvas.

3.2.4.3. Fases de procesamiento

3.2.4.3.1

Adquisicin de imgenes
La captura o adquisicin es el proceso a travs del cual se
obtiene una imagen digital de un esparrago por ejemplo
utilizando un dispositivo de captura como una cmara
digital, un scanner, cmaras ips, entre otros.
A travs de la red
Obtener imgenes a travs de la red es probablemente
la forma que menos complicaciones presenta desde un
punto de vista tcnico. Bien es verdad, que poco
podemos hacer en lo referente a la calidad de la imagen
ya que no hemos intercedido en la generacin de ella.
Cmara Digital
Es un dispositivo electrnico que capta las imgenes y
las guarda en formato digital (archivos para
computadora), con una alta resolucin, tambin en la
mayora de los casos graba video pero con una
resolucin menor. Existen varios tipos de cmaras,
entre ellos:
Cmara digital rflex o DSLR: Consideradas
cmaras de alta gama o profesionales, con una alta
resolucin. Esto es debido tanto a la ptica utilizada en
22

los objetivos como a las caractersticas de la captura y

su posterior procesamiento As mismo, presenta
distintos espacios de color RGB y nos indican de la
saturacin y diferentes matices de cada uno de ellos en
referencia a la imagen a capturar, ya sean retratos,
paisajes, etc.
Cmara de medio formato: Las cmaras de medio
formato tienen un sensor mucho ms grande que las
DSLR. Son cmaras dedicadas nicamente al mbito
profesional y cientfico donde la clave es poder realizar
ampliaciones realmente grandes.
As mismo, para tener una buena calidad en la imagen
se debe tener en cuenta:
Tipo de sensor: El sensor captura la luz y mientras
ms grande, mejor luz podr capturar.
La rapidez de funcionamiento: La rapidez de
funcionamiento de la cmara, adems del sensor,
est muy relacionada con el procesador.El DSP, o
procesador de imagen, es un elemento tan
complejo como un procesador. Es el gran
desconocido a la hora de comparar y evaluar una
cmara, existen muchos y cada uno puede tener
caractersticas que lo diferencian del resto.
Tipo de lente: El lente adapta una imagen de
varios metros a unos pocos milmetros. Existen
varios fabricantes de lentes, de las cuales depende,
en cierta forma, la velocidad de captura de imagen,
los efectos de profundidad de campo y la
estabilidad en las imgenes, entre otras muchas
caractersticas
La distancia focal: Bsicamente, este trmino se
refiere a un nmero expresado en milmetros que
nos indica los grados que el lente de una cmara
digital es capz de abarcar. Es decir, a menor
distancia focal, mayor ser el campo de imagen
capturado por nuestra lente (el cual se expresa en
grados).
C. Scanner
Un scanner o escner es un dispositivo tecnolgico que
se encarga de obtener imgenes, seales o informacin
de todo tipo de objetos.

23

3.2.4.3.1.

Pre procesamiento
El pre-procesamiento incluye tcnicas tales como la
reduccin del ruido, realce del contraste, realce de ciertos
detalles, o caractersticas de la imagen correspondiente.
A. Binarizacin
La binarizacin de imgenes es una herramienta del
procesamiento de imgenes, el cual nos permite
transformar una imagen a colores a blanco y
negro.Existen varios mtodos de binarizacin, entre
ellos:
Binarizacin por umbral:
El proceso es el siguiente, pasamos la imagen original
a escala de grises, luego se determinar un umbral
adecuado (0-255) y se aplica una funcin de
binarizacin (Fernndez, 2006), As mismo, existen
mtodos para determinar el mejor umbral, tales como:

Mtodo de otsu (Otsu, 1979).

Mtodo de Entropia
Niblack
Sauvola
Promedio

Se puede apreciar algunos resultados aplicando esta

tcnica de binarizacin con diferentes umbrales en la
figura 10.

Figura 10. Ejemplo binarizacin. (a) Imagen original.

(b) Binarizacin con umbral en 150. (c) Binarizacin
con umbral en 200 (d) Binarizacin con umbral a
250.
Fuente: Garca I. (2008).
24

Binarizacin mediante el espacio de color HSV:

El espacio de color HSV, tiene varias caractersticas
que hacen de este un modelo ideal para desarrollar
algoritmos de procesamiento de imgenes basadas en
alguna de las sensaciones de color del sistema visual
humano. Tener en cuenta que H es la matiz, S la
saturacin y V el valor del brillo.
Como primer paso se transforma la imagen al espacio
de color HSV, luego se extra el componente
perteneciente a la saturacin. A continuacin, se sigue
el proceso normal de binarizacin, el cual consiste en
transformar la imagen en escala de grises, buscar un
umbral adecuado con el mtodo de otsu y finalmente se
aplica una funcin de binarizacin (Fernndez, 2006)
B.

Filtrado en el dominio espacial

Las tcnicas o filtros en el dominio espacial operan
directamente sobre los pixeles de la imagen. Operan en
la vecindad e los pixeles, generalmente mediante una
mscara cuadrada o rectangular. La figura 11 se ilustra
un ejemplo de una mscara de 3x3. La mscara se
centra sobre el pixel de inters de forma que el nuevo
valor del pixel depende los pixeles que cubre la
mscara.

Figura 11.Ejemplo mascara 3x3

Fuente: Enrique S. y Giovani G, 2011.
A cada celda de la mscara le corresponde un peso o
coeficiente (w), de forma que el nuevo valor del pixel
es la sumatoria del producto de los pixeles vecinos con
el peso correspondiente:

Generalmente, dividiendo sobre cierto valor para

normalizar. Dicha mascara se aplica a cada pixel de la
imagen, de forma que se realiza una convolucin entre
la mscara y la imagen original (Enrique S. y Giovani
G, 2011).

25

C. Filtro de suavizamiento
El objetivo de los filtros de suavizamiento es eliminar
ruido o detalles pequeos que no sean de inters. Esto
corresponde a un filtro pasa-bajo en el dominio de la
frecuencia, es decir que se eliminan o reducen las altas
frecuencias. En la figura 12, 13 y 14, se muestran las
respuestas de un filtro pasa-bajo en frecuencia (en una
dimensin) y la correspondiente respuesta que debe
tener en el dominio espacial.
Existen varios tipos de filtros para suavizamiento, los
ms comunes son:
Promedio o media aritmtica: Obtiene el promedio
de los pixeles vecinos; es decir, todos los valores de la
mscara son 1.
Mediana: Substituye el valor del pixel central por el de
la mediana de los valores contenidos en el vecindario.
El filtrado de la mediana es ms efectivo cuando el
objetivo es reducir el ruido y al mismo tiempo
preservar el borde. (Garca I, 2008).

Figura 12. Filtrado espacial de imgenes.

(a) Imagen original. (b) Imagen con ruido (c) Imagen
con filtro promedio. (d) Imagen con filtro mediana.
Fuente: Garca I. (2008).

Gaussiano: Aproximacin a una distribucin

gaussiana en 2 dimensiones. Considerando una media
igual a cero, la funcin de transformacin de un filtro
tipo gaussiano es:
Donde es la desviacin estndar. Para una mscara de
3x3 los valores de un filtro gaussiano tipico se
muestra en la figura 13. La cantidad de suavizamiento
26

que realiza el filtro se puede controlar variando la

desviacin estndar y el tamao de la mscara.

Figura 13.Mascara para filtro gaussiano.

Fuente: Enrique S. y Giovani G, 2011.
El filtro Gaussiano, en general, da mejores resultados
que un simple promedio o media y se argumenta que la
vista humana hace un filtrado de este tipo (Enrique S.
y Giovani G, 2011). La figura 14 ilustra el resultado de
aplicar a una imagen diferentes tipos de filtros de paso
bajo.

Figura 14. Filtros pasa-bajos en el dominio espacial.

(a) Imagen original, (b) Imagen corrupta con ruido
gaussiano. (c) Resultado de aplicar un filtro promedio
con mascara de 5x5. (d) Resultado de filtro
gaussiano, = 1.0.
Fuente: Enrique S. y Giovani G, 2011.
D. Filtro de realce
El objetivo de los filtros de realce es intensificar los
detalles y cambios bruscos de intensidad mientras
atena las bajas frecuencias. El resultado es un
acentuamiento de las orillas (edge sharpening). Se
conocen como filtros de pasa-alto porque dejan pasar
las altas frecuencias y eliminan las bajas frecuencias,
en forma inversa al filtro pasa-bajo. En la figura 15, se
aprecia cmo se reducen las bajas frecuencias y se
mantienen las altas.

27

Figura 15. Filtros paso-altos

Fuente: Enrique S. y Giovani G, 2011.
Existen tambin varias formas de implementar estos
tipo de filtrado. Una forma tpica de un filtro de pasaalto es una mscara del tipo de la figura 16. Para este
filtro la suma de los pesos es cero, de forma que una
regin de intensidad constante resultara en un valor 0.
Ntese que a diferencia del filtro de suavizamiento los
pesos de los vecinos son negativos, este efecto
substractivo genera la acentuacin de los cambios de
intensidad.

Figura 16. Mascara de 3x3 para un filtro de paso alto

Fuente: Enrique S. y Giovani G, 2011
Otra forma de implementar este tipo de filtrado es
restando a la imagen original el resultado de un filtro
pasa-bajo:
PA = original PB
Donde PA representa la imagen resultante de aplicar un
filtro pasa-alto y PB de un filtro pasa-bajo a la imagen
original".
3.2.4.3.2.

Segmentacin
El separar la imagen en unidades significativas es un paso
importante en visin computacional para llegar al
reconocimiento de objetos. Este proceso se conoce como
segmentacin. As mismo, existen varias tcnicas para la
segmentacin de regiones, como es la deteccin de bordes,
tcnicas basadas en el crecimiento de regiones, entre otras.
28

Se puede agrupar las tcnicas en 3 clases diferentes (La

Serna N. y Roman U, 2009.):
A. Mtodos basados en pixeles
Este mtodo se puede dividir en:
Locales (basadas en las propiedades de los pixeles
y su entorno).
Globales (basadas en la informacin global
obtenida, por ejemplo, con el histograma de la
imagen).
Dentro de ellas se pueden destacar los siguientes
mtodos: lnea divisoria de aguas (watershed) que a
partir de los mnimos en la imagen se aumenta
gradualmente el nivel de gris, como si fuera agua que
se vierte en un valle, hasta encontrar sus valles vecinos.
B.

Mtodos basados en regiones

Se utilizan propiedades espaciales de una imagen para
segmentarla por regiones, es decir la imagen es
dividida en regiones conexas, en donde cada regin
tiene propiedades distintas que las diferencian unas de
otras. En suma, se trata de extraer los objetos de una
imagen, las que pueden ser procesadas de manera
independiente. (La Serna N. y Roman U, 2009).
Por ejemplo, en la figura 17, se puede observar que una
imagen ha sido subdividida en dos regiones, en cada
regin se identifican un conjunto de objetos o subimgenes.

Figura 17. Segmentacin orientada a regiones

Fuente: La Serna N. y Roman U, 2009.

29

Varias tcnicas de esta clasificacin han sido

desarrolladas, pero las 2 ms conocidas son las
siguientes:
Crecimiento en regiones:
Es una tcnica muy utilizada, que consiste en el
crecimiento de regiones agrupando pixeles adyacentes
que presentan caractersticas o propiedades similares.
Se parte de un conjunto de puntos semilla y se hace
crecer las regiones, aadiendo a los puntos semilla los
puntos vecinos que tengan propiedades similares, como
intensidad, textura, color, etc. Por ejemplo, si la
propiedad es intensidad, un criterio utilizado para
incluir un pxel en una regin, puede ser que la
diferencia absoluta entre la intensidad del pixel y la
intensidad de la semilla sea menor que un umbral, por
ejemplo T = 8. Los puntos semillas pueden ser
escogidos manualmente o de manera automtica. En la
figura 18 se observa de manera grfica el proceso de
esta tcnica (La Serna N. y Roman U, 2009).

Figura 18. Segmentacin orientada a regiones

Fuente: La Serna N. y Roman U, 2009.
Un ejemplo del funcionamiento de este algoritmo
basndose en la figura 19. Se empieza seleccionando
las semillas correspondientes. Se eligieron las semillas
(3,2) y (3,4) de la matriz de la figura 19.

Figura 19. Ejemplo crecimiento de regiones

Fuente: propio
Luego el criterio de similitud para incluir un pixel en
una regin es que la diferencia en valor absoluto entre
los niveles de gris del pixel y la semilla sea menor que
30

un umbral T. Cualquier pixel que cumpla el criterio de

similitud dado con relacin a los dos pixeles es
asignado a una de las regiones. Finalmente la figura 20
representa el resultado cuando T es igual a 3.

Figura 20. Resultado ejemplo crecimiento de

regiones.
Fuente: Propio
Divisin y fusin de regiones:
Consiste en dividir inicialmente una imagen en un
conjunto de regiones arbitrarias disjuntas, por ejemplo
64 divisiones, despus, dependiendo del criterio de
segmentacin, regiones adyacentes son fusionadas si
tienen propiedades similares como nivel de gris
similares, o son divididos si no comparten las mismas
propiedades, como variaciones considerables de
niveles de gris. Finalmente, la imagen queda
segmentada en un conjunto de regiones homogneas.
La figura 21, muestra una imagen segmentada en 1405
regiones utilizando este mtodo.

Figura 21. Divisin y Fusin de regiones

Fuente: La Serna N. y Roman U, 2009.
C. Mtodos basados en bordes
La manera ms comn para detectar bordes es utilizar
algn tipo de derivada o diferencial, aplicado
normalmente en un vecindario pequeo. La derivada
nos permite calcular las variaciones entre un punto y su
vecindario. Una vez obtenido el borde se aplica un
algoritmo para poder etiquetar cada objeto en la
imagen, existen diversos algoritmos tales como: la
transformacin de hough, tcnicas basada en
gradientes, entre otras.
31

3.2.4.3.3.

Descripcin
La descripcin es el proceso que obtiene caractersticas
convenientes para diferenciar un tipo de objeto de otro.
Existen muchas formas de describir los objetos presentes
en una imagen digital. Los descriptores ms utilizados se
mencionan a continuacin:
Descriptores de forma
Posee una informacin semntica muy importante,
debido a que los humanos somos capaces de reconocer
los objetos slo viendo su forma. No obstante, esta
informacin slo puede ser extrada mediante una
segmentacin similar a la que realiza el sistema visual
humano. En la actualidad todava no est disponible,
pero si existen una serie de algoritmos que nos
permiten una buena aproximacin. Estos descriptores
describen las regiones, contornos y formas para
imgenes 2D y volmenes 3D. El conjunto de
descriptores est formado por:
Region-based Shape Descriptor (RSD)
Contour-based Shape Descriptor (CSD)
3-D Shape Descriptor (3-D SD)
Descriptores de color
El color es la cualidad ms bsica del contenido visual.
Se definen cinco descriptores para describir el color:

Dominant Color Descriptor (DCD)

Scalable Color Descriptor (SCD)
Color Structure Descriptor (CSD)
Color Layout Descriptor (CLD)
Group of frame (GoF) o Group-of-pictures
(GoP)

Las tres primeras herramientas representan la

distribucin del color. Las dos restantes herramientas,
una describe la distribucin espacial del color y la
ltima describe la relacin del color entre una
secuencia o conjunto de imgenes.
Descriptores de textura
La textura es otra cualidad muy importante para
describir una imagen. Se disea para caracterizar las
texturas o regiones de una imagen. Observan la
homogeneidad de las regiones y los histogramas de los
32

bordes de dichas regiones. El conjunto de descriptores

est formado por:
Homogeneous Texture Descriptor (HTD)
Texture Browsing Descriptor (TBD)
Edge Histogram Descriptor (EHD)
3.2.4.3.4.

Reconocimiento
El reconocimiento de patrones se define como el proceso
en el cual se agrupa un conjunto de datos en una
determinada cantidad de grupos (clusters) o etiquetas
mediante un mecanismo de decisin (Jain et al. 1999). Este
mecanismo depende de la tcnica particular que se utilice
y es el que define al algoritmo de reconocimiento de
patrones. De acuerdo a la informacin que se utilice para el
ajuste o definicin de la tcnica de reconocimiento, puede
distinguirse entre (Haykin, 1999; Jain et al, 1999):
Tcnicas supervisadas
En ellas los parmetros internos del algoritmo son
ajustados de acuerdo a un conjunto de datos
previamente clasificados. La descripcin obtenida de
este proceso de ajuste es, entonces, utilizada para
clasificar un nuevo conjunto de patrones. Este tipo de
tcnicas se conoce como clasificacin supervisada o
anlisis discriminante. Existen diversas tcnicas tales
como:

Redes neuronales
Arboles de decisin
Mquinas de soporte vectorial
Naive Bayes
k-Nearest Neighbors algorithm

Tcnicas no supervisadas
En este tipo de tcnica, el problema consiste en agrupar
un conjunto de datos en grupos significativos, sin
utilizar informacin previa sobre el agrupamiento
esperado. La informacin de las clases es nicamente
obtenida a partir de los propios patrones a agrupar. Este
tipo de tcnicas se conocen como tcnicas de
clasificacin no supervisada.
En general, la seleccin de la tcnica para el
reconocimiento de patrones se realiza heursticamente
de acuerdo a la informacin disponible sobre el
problema. En todo algoritmo de reconocimiento de
33

patrones el conjunto de datos a agrupar o clasificar X

estar formado por vectores de caractersticas
representativos del problema.
Los pasos de un algoritmo de reconocimiento de
patrones pueden enunciarse como sigue:
Representacin de patrones, pueden incluirse
etapas de seleccin y extraccin de
caractersticas. La seleccin depender del
problema a resolver.
Seleccin y aplicacin de la tcnica de
reconocimiento de patrones(mecanismos de
decisin)
Evaluacin del desempeo, estimacin de error
y interpretacin
En la figura 22 se presenta un diagrama en bloques del
proceso de reconocimiento de patrones. Para los
algoritmos supervisados, la definicin del algoritmo a
utilizar incluye una etapa previa en donde los
parmetros son ajustados de acuerdo a la informacin
previa sobre la clasificacin esperada.

Figura 22. Diagrama de bloques del proceso de

reconocimiento de patrones.
Fuente: Propio
3.2.4.3.5.

Interpretacin
La interpretacin es el proceso que asocia un significado a
un conjunto de objetos reconocidos (esprragos) y trata de
emular la cognicin (clasificar segn su calidad).

34

IV.

DESARROLLO METODOLOGICO
4.1. Metodologa de Trabajo
4.1.1.

Paso 1: Recoleccin de la informacin

El objetivo es obtener informacin abundante y contrastada sobre los procesos
del procesamiento digital de imgenes y el proceso de clasificacin de
esprragos. Esta informacin fue obtenida en el captulo 3 del presente
documento.

4.1.2.

Paso 2: Anlisis de la informacin

Para el anlisis de los diferentes cuadros comparativos se tendr en cuenta las
siguientes calificaciones:
Valor
0
1
2
3
4

Calificativo
Nunca cumple
(Casi nunca) cumple
Regularmente cumple
(Frecuentemente) cumple
Siempre cumple
Tabla 3. Calificaciones
Fuente: Propio

Para cada fase del procesamiento digital de imgenes se analizara cual es el

mejor hardware, algoritmo o tcnica para la investigacin.
4.1.2.1. Anlisis adquisicin de imgenes
Para capturar una imagen digital, segn la informacin obtenida en el
apartado 3.2.4.3 del marco terico existen 3 formas. Utilizamos el
siguiente cuadro comparativo para elegir en base a criterios que
faciliten el desarrollo de nuestra tcnica la forma que ms nos favorezca
para capturar una imagen.
A travs de la red Cmaras
digitales
2
3

Scanner

1. Calidad
2
imagen
2. Facilidad
de 2
4
1
uso dispositivo
3. Velocidad de 2
3
1
captura
4. Resolucin
2
3
2
Tabla 4. Cuadro comparativo de formas de adquisicin de
imgenes
Fuente: Propio
Segn los resultados obtenidos en el cuadro anterior, la forma escogida
es mediante cmaras digitales.
35

Una vez escogida la forma de captura de imgenes. En el apartado

3.2.4.3.1.2. del marco terico, se puede apreciar diferente tipos de
cmaras digitales. Utilizamos el siguiente cuadro comparativo para
elegir en base a criterios que faciliten la eleccin de cmara que se
utilizara en el presente trabajo.
Digitales
Rflex
Medio formato
1. Tamao sensor 2
3
4
2. Velocidad de 3
4
4
captura
3. Resolucin
2
3
1
4. Facilidad
de 3
2
1
uso
5. Portabilidad
3
2
1
Tabla 5. Cuadro comparativo de tipos de cmaras
digitales
Fuente Propio
La cmara que se adecua mejor al proyecto es las de tipo digital.
4.1.2.2. Anlisis pre-procesamiento
Para el proceso de binarizacin el punto clave es la eleccin del umbral.
Existen diferentes mtodos para determinar un umbral adecuado como
se menciona en el apartado 3.2.4.3.2.1. As mismo, mediante el cuadro
comparativo de mtodos de umbralizacin (Tabla 6) se eligi el mtodo
de otsu.

1. Facilidad
de
implementacin
2. Complejidad
computacional
3. Bajo nivel de
incertidumbre
4. Requiere poca
memoria
Tabla 6.

Otsu
4

Niblack
2

Max y min
2

Media
2

Cuadro comparativo de mtodos de

umbralizacin
Fuente: Propio

En el apartado 3.2.4.3.2.1. se menciona 2 formas de binarizar con sus

caractersticas. Se escogi el mtodo de binarizacin mediante el
espacio de color HSV, dado los resultados en el cuadro comparativo
correspondiente a la tabla 7.

36

Basado
en Basado en HSV
Umbrales
y en umbrales
(mtodo de otsu) (mtodo de otsu)
2
2

1. Complejidad
Computacional
2. Bajo nivel de 3
4
incertidumbre
3. Requiere poca 2
2
memoria
Tabla 7. Cuadro comparativo mtodos de binarizacin
Fuente: Propio

Para elegir el tipo de filtro de suavizamiento se ha tenido en cuenta el

cuadro comparativo correspondiente a la tabla 8. Se eligi el filtro
gaussiano.
Promedio
Mediana
Gaussiano
1. Bajo
coste 3
3
2
computacional
2. Preserva
1
2
3
Bordes
3. Requiere poca 3
3
2
memoria
4. No
elimina 1
1
3
esquinas
Tabla 8. Cuadro comparativo mtodos de suavizamiento
Fuente: Propio
4.1.2.3. Anlisis segmentacin
Para los mtodos de segmentacin, correspondiente al apartado
3.2.4.3.3.3. se ha tenida en cuenta el siguiente cuadro comparativo.

1.
2.
3.
Tabla 9.

Crecimiento de Difusin y fusin

regiones
de regiones
Bajo
coste 3
2
computacional
Requiere poca 3
1
memoria
Bajo nivel de 2
2
incertidumbre
Cuadro comparativo mtodos de segmentacin.
Fuente: Propio

Se eligi el mtodo de crecimiento de regiones.

37

4.1.2.4. Anlisis reconocimiento

Para el reconocimiento, correspondiente al apartado 3.2.4.3.5. se ha
tenido en cuenta el siguiente cuadro comparativo.
Tcnicas
Tcnicas no
supervisadas supervisadas
4
0

1. Necesita
entrenamiento
2. Mayor Complejidad 4
2
computacional
3. Se adecua al proyecto 4
1
4. Bajo
nivel
de 4
2
incertidumbre
Tabla 10. Cuadro comparativos tcnicas de reconocimiento de
patrones
Fuente: propio

Dado los resultados en el cuadro comparativo se eligi usar tcnicas

supervisadas. As mismo, existen nmeros tcnicas de algoritmos
supervisados como se menciona en el apartado correspondiente.
Basndonos en el cuadro comparativo de la tabla 11. Las redes
neuronales y los arboles de decisin son los mtodos que ms se
adecuan al proyecto.
Arboles Redes
Naives k-Nearest Maquinas Rulede
neuronales bayes Neighbors soporte
learners
decisin
algorithm vectorial
Precisin en general 2
3
1
2
4
2
Velocidad
de 3
1
4
4
1
2
aprendizaje
con
respecto al nmero
de atributos y el
nmero de instancias
Velocidad en la 4
4
4
1
4
4
clasificacin
Tolerancia
en 3
1
4
1
2
2
valores perdidos
Tolerancia
a 3
1
2
2
4
2
atributos irrelevantes
Tolerancia
a 2
2
1
2
3
2
atributos
redundantes
La tolerancia a los 2
3
1
1
3
2
atributos altamente
interdependientes
Tolerancia al ruido
2
2
3
1
2
1
Tratar con el peligro 2
1
3
3
2
2
de sobreajustes
Aprendizaje
2
3
4
4
2
1
progresivo
Tabla 11. Cuadro comparativo de algunas tcnicas supervisadas
Fuente: S.B. kotsiantis, 2007.
38

4.1.3.

Paso 3: Diseo del modelo

Figura 23. Diseo algortmico del modelo

Fuente: Propio

39

V.

CONCLUSIONES
Se investig fundamentos tericos sobre la clasificacin de esprragos en empresas
agroindustriales. Tambin se investigaron las teoras y los conceptos de los algoritmos del
procesamiento de imgenes que fueron revisados para realizar el diseo de la tcnica.
Se analiz la informacin obtenida para elegir los algoritmos de procesamiento de imgenes
que nos permitan disear el modelo para mejorar el proceso de clasificacin de esprragos.
Se logr cumplir con cada uno de nuestros objetivos planteados para este trabajo de
graduacin, logrando disear un modelo para mejorar el proceso de clasificacin de
esprragos.

40

REFERENCIAS BIBLIOGRAFICAS.
Rigney, M.P., Brusewitz, G.H. and Kranzler, G.A.(1992). Asparagus defect inspection with
machine vision. Transactions of the ASAE. 35(6): 1873-1878.
Trent B. y Folwell R.(2003) Alternatives to manual sorting using selected electronic graders in
asparagus fresh packing sheds: a cost-benefit analysis. Encontrado el 02 de febrero del 2014,
en www.agribusiness-mgmt.wsu.edu/agbusresearch/docs/asparagus/eb1958.pdf
Chang, V. y Saavedra, J. (2001). Mtodos alternativos para el mejoramiento automtico del
contraste de imgenes. Tesis de Pregrado. Escuela Acadmico Profesional de informtica,
Universidad Nacional de Trujillo. Trujillo, Per.
Benites, S. (2012). Elaboracin de un manual de buenas prcticas de manufactura para una
empresa agroindustrial de esparrago verde. Tesis de Pregrado. Escuela Acadmico
Profesional de Ingeniera en Industrias Alimentarias, Universidad Privada Antenor Orrego,
Trujillo, Per.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms, IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, p. 62-66.
Guo, F., Cao, Q. (2004). Study on color image processing based intelligent fruit sorting system,
in proceedings of the Intelligent Control and Automation. vol 6, p. 4802 4805. China.
Carranza, F. y Murrugarra, N. (2007). Deteccin de la enfermedad "Fish Eye" en aceitunas
utilizando Procesamiento grfico. Jornada Peruana de Computacin, p. 171-179.
Universidad Privada Antenor Orrego. Trujillo. Per.
Gradwohl, D. R. (1971). Developing an orienter for mechanically harvested asparagus.
Agricultural Engineering. 52(6): 312,313.
Singh, G., Moore, M.J. and Mears, D.R. 1971. Mechanical orientation of asparagus spears and
related physical properties. Transactions of the ASAE 14(5): 985-986.
Yang, Q. 1992. The potential for applying machine vision to defect detection in fruitand
vegetable grading. Agricultural Engineer 47(3): 74-79
Gatti, I y Vanina, P. 2000. Evaluacin de siete poblaciones de esprrago, Asparagus officinalis
l, p. 1151-1157. Brasilia, Brasil.
Lpez, F. y Picarde, L. 2003. Seleccin de progenitores en esprrago. Facultad de Ciencias
Agrarias, Universidad Nacional de Rosario. Santa Fe, Argentina.
Fuentes, M. 2010. Caracterizacin de componentes bioactivos del esprrago verde: obtencin de
ingredientes funcionales a partir de los subproductos generados durante su transformacin
industrial. Tesis de Pregrado. Universidad de Crdoba. Departamento de Bromatologa y
Tecnologa de los Alimentos. Crdoba, Colombia.
Puga, M. y Bustamante G. 2002. Estudio de pre factibilidad para la produccin de esparrago
verde para la exportacin, en la pennsula de Santa Elena. Tesis de pregrado. Instituto de
ciencias humansticas y econmicas. Escuela Superior Politecnica del Litora. Guayaquil,
Ecuador.
Fernndez, M. (2006).Selector de fruta y simulacin de una aplicacin real. Tesis de Maestra.
Universidad Politcnica de Catalunya, Barcelona, Espaa.
Fuentes, R. (2001). Sistema de Visin Artificial para el control de calidad del meln. Facultad
de Ingeniera Mecnica y Elctrica. Universidad de Colima. Mxico
Richardson, R. (2003). "Digital imaging: The wave of the future". T H E Journal 31 (3).
Retrieved 28 June 2012.
Thomas K. (2005). " What is a model ? ". Darmstadt University of Technology, Darmstadt,
Germany.
41

Linda L., Scott J, Terrance R. y Michael G. (2001). A Content Standard for Computational
Models . D-Lib Magazine, Vol. 7,No. 6. ISSN 1082-9873.
Enrique S. y Giovani G. (2011). Visin computacional. Instituto Nacional de Astrofsica,
ptica y Electrnica, Puebla, Mxico.
Garca I. (2008)."Visin artificial y procesamiento digital de imgenes usando Matlab". Ibarra,
Ecuador. ISBN: 978-9942-01-790-1
Haykin S. (1999) "Neural Networks: A comprehensive foundation", Nueva Jersey, EE.UU.
Jain A.k, Murty M.N y Flynn P.J.(1999) "Data clusterings: A review" ACM Computing Surveys,
31, 264 323.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms,Transactions on
Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, p. 62-66.
La Serna N. y Roman U. (2009) "Tecnica de segmentacion en procesamiento digital de
imagenes". Facultad de ingeniera de sistemas e informtica. Universidad Nacional de Mayor
de San Marcos, Lima, Peru.
S.B. kotsiantis. (2007)"Supervised Machine Learning: A Review of Classification Techniques".
Department of Computer Science and Technology University of Peloponnese, Greece End
of Karaiskaki, 22100 , Tripolis GR.

42