Control de Calidad de Naranjas usando Visión Artificial

8/10/2019 Control de Calidad de Naranjas usando Visin Artificial

1/23

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE INGENIERA DE PRODUCCIN Y SERVICIOS

ESCUELA PROFESIONAL DE INGENIERA

ELECTRONICA

CURSO: PROCESAMIENTO DIGITAL DE IMAGENES

ING. RAL YANYACHI

CONTROL DE CALDAD DE NARANJAS PARA LA

EXPORTACIN

MAMANI QUISPE JORGE LUIS

2014-II


2/23

Tabla de contenido

1. Preliminares: ......................................................................................................................... 3

1.1. Planteamiento del Problema: ....................................................................................... 3

1.2. Objetivos ....................................................................................................................... 4

2. Materiales ............................................................................................................................. 5

2.1. Matlab ........................................................................................................................... 5

3. Mtodos: ............................................................................................................................... 73.1. Segmentacin: ............................................................................................................... 7

3.2. Operaciones Morfolgicas ............................................................................................ 8

3.3. Deteccin de Contornos ................................................................................................ 8

4. Resultados ............................................................................................................................. 9

4.1. Diseo del sistema de adquisicin ................................................................................ 9

4.2. Interfaz Grfica ............................................................................................................ 12

4.3. Imgenes Procesadas .................................................................................................. 15

5. Conclusiones........................................................................................................................ 16

6. Bibliografa .......................................................................................................................... 17

A. Anexos ..................................................................................................................................... 18


3/23

1. Preliminares:

1.1. Planteamiento del Problema:El desarrollo de tcnicas de visin por computador en la inspeccin de la calidad de los

productos agrcolas se debe a la necesidad de encontrar una alternativa a los mtodosde inspeccin manual tradicionales para eliminar el contacto con el producto, aumentar

la fiabilidad y objetividad, introducir flexibilidad a las lneas de confeccin e incrementar

la productividad y competitividad de las empresas nacionales.

Uno de los factores que ms influye en la calidad y el precio de la fruta fresca es la presencia

de defectos en la piel de las frutas, dado que la mayora de los consumidores asocia

calidad con buen aspecto y ausencia total de defectos externos.

Una de las tareas clave es la clasificacin de los frutos de acuerdo a requerimientos

diversos ,como pueden ser tamao, calibre y color. La inspeccin es visual y suele ser llevada a

cabo por personal experimentado. Se trata, sin embargo, de una tarea repetitiva,

propensa a errores, que acarrea perjuicios econmicos, pero que pueden ser

automatizadas usando tcnicas de visin artificial.

En general, los sistemas artificiales de clasificacin no slo pueden sustituir a la

inspeccin manual, sino que tambin permiten mejorar sus capacidades. El desarrollo de

sistemas de este tipo adaptados a nuestra agricultura es fundamental para que nuestras

empresas productoras adquieran ventajas competitivas esenciales frente a otros pases

con menores costes de produccin.

Se emplean imgenes de frutas adquiridas mediante una cmara digital, las que se someten a

un procesamiento previo para obtener imgenes binarias, que luego son inspeccionadas

usando un algoritmo recursivo de etiquetado de componentes conexas previamente

desarrollado. Se obtiene as una lista donde constan los pxeles oscuros, los que son

considerados defectos.

Calculando el rea de tales daos, as como el porcentaje respecto del total, es posible

automatizar una parte de la clasificacin.


4/23

1.2. Objetivos

Objetivo General:

Implementar un programa que permita discriminar si una fruta (en este caso naranjas)

cumple con los estndares de calidad, asimismo de implementar una interfaz grfica para

el usuario que le permita manejar con facilidad el programa.

Objetivos Especficos:

Implementar un programa que permita la bsqueda de defectos en la superficie

de la fruta.

Realizar un programa que en base a las caractersticas de la fruta (tamao, color y

frescura) discrimine si la fruta es apta o no para la exportacin.

Disear el sistema de adquisicin de imgenes de una planta real.


5/23

2. Materiales

2.1. MatlabMATLAB (abreviatura de MATrixLABoratory, "laboratorio de matrices") es un software

matemtico que ofrece un entorno de desarrollo integrado (IDE) con un lenguaje deprogramacin propio (lenguaje M). Est disponible para las plataformas de Unix, Windows y

Apple. Entre sus prestaciones bsicas se hallan: la manipulacin de matrices, la

representacin de datos y funciones, la implementacin de algoritmos, la creacin de

interfaces de usuario (GUI) y la comunicacin con programas en otros lenguajes.

Adems, se pueden ampliar las capacidades de MATLAB con las cajas de herramientas

(toolboxes).

2.1.1. GUIDE:

Es un ambiente grfico de desarrollo de interfaces en Matlab, est equipado con un set de

herramientas para crear interfaces graficas de usuario (GUI). Estas herramientas simplifican el

proceso de crear y programar GUIs.

Usando el editor de diseo de GUIDE, se puede agregar elementos grficos en el rea de

diseo como axes, panels, buttons, text fields, sliders.tambin se puede crear Mens y

context menus , Desde el Editor de Diseo se puede ditar el tamao del GUI, modificar la

apariencia de os componentes, alinearlos, realizar una jerarqua en los componentes, entre

otros.


6/23

2.1.2. Toolbox de Procesamiento de Imgenes:

El toolbox de Procesamiento de Imgenes permite el analizar, procesar y desarrollar

algoritmos relacionados al tratamiento de imgenes.

Proporciona un juego comprensivo de algoritmos, funciones y aplicaciones para el

procesamiento, anlisis, visualizacin, y desarrollo de algoritmos. Se puede realizar el anlisis,

segmentacin, mejora, reduccin de ruido, transformaciones geomtricas y registro de la

imagen.

Varias funciones del toolbox soportan procesadores multi-ncleo, GPUs, y generacin de

cdigo C. Permite trabajar con diversos formatos de imagen, incluyendo los que tiene un alto

rango dinmico, resolucin en gigapixeles, y tomografas.

Funciones y aplicaciones de visualizacin permiten explorar imgenes y videos, examinar una

regin de pixeles, justar el color y contraste, crear contornos o histogramas, y manipular

regiones de inters. El toolbox incluye flujos de trabajo para procesar, mostrar y navegar

imgenes de gran tamao.


7/23

3. Mtodos:

3.1. Segmentacin:El primer paso en el anlisis de imgenes generalmente es la segmentacin de la imagen. Este

procedimiento subdivide la imagen en las partes que la constituyen u objetos. El nivel en quese realiza la subdivisin depende del problema a resolver. Es decir, la segmentacin debera

pararse cuando los objetos de inters en una aplicacin han sido aislados .[1][Gonzlez,

Woods,1993]

Despus de adquirir y preparar las imgenes se procede a investigar las transformaciones ms

convenientes y obtener aquellos parmetros que pueden ser tiles para la elaboracin del

algoritmo. Antes, sin embargo, debe limitarse la zona de trabajo del programa al lugar de la

imagen donde se localiza la naranja, ya que ste y no el fondo es la zona de inters. Por este

motivo se procede al estudio de tcnicas de segmentacin con el objetivo claro de separar la

fruta del fondo de la imagen aceptando como vlida una imagen segmentada que no excluya

los defectos del naranja. Se da por entendido que no es necesario que la segmentacin sea

perfecta, pues no es este el objetivo del proyecto, pero si debe ser suficiente para no excluir

informacin.

3.1.1. Seleccin del espacio de color.Antes de proceder a la segmentacin de la imagen se tiene que decidir el espacio de color

desde el cual se trabajar y que debe ser congruente con los espacios que Matlab permite:

RGB, color indexado, HSV, niveles de gris, binaria...

Despus de realizar diversas transformaciones se comprueba que el modelo HSV es el ms

adecuado para el anlisis de imgenes y su tratamiento. An as las imgenes en niveles de gris

no se descartan para comprobaciones o anlisis extras.

3.1.2. Thresholding. Determinacin de umbrales

De los mtodos expuestos para la segmentacin anteriormente se ha escogido la

segmentacin por thresholding o uso de umbrales. La segmentacin se consigue barriendo la

imagen pxel a pxel i etiquetando cada pxel como objeto o fondo, segn si el valor del

pxel es mayor o inferior que un cierto valor L llamado umbral, aunque tambin es posible el

uso de ms de un umbral.


8/23

3.2. Operaciones MorfolgicasEn principio sera lgico escoger la imagen H para la segmentacin debido a que el naranja

aparece como blanco y el fondo permanece negro en su binarizacin. An as no podemos

descartar la imagen S debido a los resultados que se expondrn a continuacin.

Aunque los resultados de la binarizacin son aceptables es necesario eliminar el ruido de la

imagen y rellenar huecos en el objeto a segmentar.

Esta operacin morfolgica equivale a la aplicacin de una erosin y una posterior dilatacin a

la imagen con el mismo elemento estructurante y se realiza con el objetivo de eliminar

aquellos objetos o zonas de la imagen ms pequeas que el elemento estructurante circular

escogido. Las zonas eliminadas son aquellas mas pequeas que el elemento estructurante y de

colores claros (blanco en caso de imgenes binarias).

3.3. Deteccin de ContornosEl objetivo de este apartado es encontrar las caractersticas necesarias para poder establecer

una discriminacin entre naranjas sanas y naranjas defectuosas. Este paso se determina a

partir de un cierto valor que relaciona los pxeles totales del naranja con aquellos que

pertenecen a un defecto.


9/23

Cuando el naranja ha sido segmentado del resto de la imagen el siguiente paso se basa en la

bsqueda de defectos o imperfecciones en la pieza. stos se caracterizan por una coloracin y

textura diferenciales dentro de la homogeneidad del naranja.

Como se ha comentado en apartados anteriores, este estudio basa la toma de decisiones a

base de pruebas sobre la imagen e intentando buscar un elemento comn que sea vlido para

llegar al resultado deseado.

4. Resultados4.1. Diseo del sistema de adquisicin

Descripcin del sistema diseado:

Las naranjas pasan a una faja transportadora hacia un tnel en donde se instalar la

cmara fotogrfica. Unos sensores infrarrojos determinaran si la naranja est en la

zona de captura de imagen, si los sensores se activan, la cmara tomar una fotografa

de la zona de captura.

La informacin se enviar a Matlab y con la aplicacin desarrollada se determinar si la

naranja est dentro de los parmetros de tamao. Segn sea el resultado, apto o noapto la aplicacin enviar seales de control al microcontrolador que controla al


10/23

motor de las compuertas de seleccin, las cuales se encargan de dirigir la naranja hacia

el contenedor correcto.

Los elementos que forman parte de la escena para nuestro sistema de control de

calidad de naranjas se muestran en el siguiente diagrama:

Calibracin de la cmara:

La cmara fotogrfica a usar es unaWebCamLogiTech cuyas caractersticas se explican en el

captulo de materiales y equipos.

Calibrar una cmara significa hallar sus parmetros intrnsecos y extrnsecos, los cuales

permiten conocer el sistema de coordenadas de la cmara y construir un modelo de cmo se

proyecta el entorno 3D (escena) a la imagen 2D.


11/23

El Microcontrolador

En este proceso el microcontrolador tiene las siguientes funciones:

Leer el estado de los sensores infrarrojos y segn esta informacin determinar si la

naranja se encuentra en la zona de captura. Indicar a la aplicacin de Matlab que se debe iniciar una nueva captura de imagen y su

respectivo procesamiento.

Recibir el resultado del procesamiento de la imagen y generar la seal de control del

motor que mover la compuerta de seleccin y direccionara la naranja a su respectivo

contenedor.

Por lo expuesto anteriormente seleccionamos un PIC de Microchip de rango medio con

mdulo de comunicacin USART, y de reducidas dimensiones un PIC 16F676.

Diagrama de flujo de la programacin del PIC:


12/23

4.2. Interfaz Grfica


13/23

DIAGRAMA DE FLUJO DE LA INTERFAZ

INICIO

INICIALIZACION

DE DATOS

BOTON1 =

PRESIONADO

?

BOTON2=

PRESIONADO

?

BOTON3 =

PRESIONADO

?

FIN

OBTENERRESULTADOS

PROCESAR

INGRESAR

IMAGEN


14/23

DIAGRAMA DE FLUJO DEL PROCESAMIENTO DE LA IMAGEN

Bloque de

procesamiento

Diferenciacin del fondo de

la imagen con la regin de

inters

Conversin a escala de grises

Segmentacin de la Imagen

Deteccin de bordes de la

imagen, para detectar

regiones podridas

Clasificacin de la imagen deentrada. Fruto apto, o no

apto


15/23

4.3. Imgenes Procesadas

Deteccin de impurezas

En las siguientes imgenes se muestran los resultados del procesamiento, se observa

que el programa est detectando los bordes de las imgenes.


16/23

5. Conclusiones 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 unproblema a tener en cuenta a la hora de determinar los umbralesde binarizacin.No es lo mismo una fruta de tonos amarillentos que una de tonos rojizos.

La iluminacin juega un papel muy importante en todos los sistemas dereconocimiento de imgenes. En el caso del selector se comprueba que su gradode acierto se ve claramente afectado por ese parmetro. Asimismo, como ya se hacomentado, el aspecto de la iluminacin no debera ser preocupante pues para lafuncin del sistema en una cadena de una empresa las condiciones de luz serianinvariantes y los parmetros en los que influye (tales como los umbrales de labinarizacin) podran ser fijados ms cmodamente.

Un aspecto que se ha descartado para este estudio es la tridimensionalidad de la

fruta, que se solventa aceptando el hecho de que las imgenes de una naranja soncaptadas desde diferentes ngulos y procesadas por separado para dar unaclasificacin final. Del mismo modo se supone que la naranja circula a travs de lacabina a velocidad constante y que los rodillos de transporte permiten que lanaranja est situada siempre en la misma posicin, tal como se especifica paraalgunas de estas mquinas. Tambin es necesario especificar que las imgenes nonecesitan de ningn tratamiento previo aparte del escalado puesto que en unselector real no se aplicara ningn tipo de correccin artstica que ralentice lacadena.


17/23

6. Bibliografa

GONZALEZ, R.C; WOODS, R.E , Digital Image Processing, Addison-Wesley Publishing Company, pp 413-415, 1993

Image Processing Toolbox Users Guide Mathworks

Bibliografa consultada en Internet http://www.kramirez.net/Robotica/Material/Presentaciones/VisionArtificial.pdf

http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2

en.wikipedia.org/wiki/HSV_color_space en.wikipedia.org/wiki/thresholding_(image_processing)
http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2http://tesis.pucp.edu.pe/repositorio/bitstream/handle/123456789/68/SOBRADO_EDDIE_VISION_ARTIFICIAL_BRAZO_ROBOT.pdf?sequence=2


18/23

A.AnexosA.1 Cdigos Matlab

A.1.1.Cdigos de Procesamiento de Imagen

% CONTROL_NARANJA% CALCULO DEL AREA DE LA NARANJAfunctionva = areas(handles,ddd)

[labeled,numObjects] = bwlabel(ddd,4)graindata = regionprops(labeled,'basic')va=max([graindata.Area])

% DETECCIN DE BORDESfunctionG = bordes(infile)a=imread(infile);b=rgb2gray(a);G=edge(b,'canny');imshow(b)

end% SEGMENTACIN DE LA IMAGEN

functionZ = segmentacion(infile)b=imread(infile);c=rgb2gray(b);Z=double(c);[X,Y]=size(Z);

fori=1:Xforj=1:Y

ifZ(i,j) > 75Z(i,j)=250;

elseZ(i,j)= 0;

endend

end

end

% SELECTOR DE FRUTA.

functionhisto(handles,val)

if(val > 50)msgbox(' PRODUCTO APTO ');

elsemsgbox(' PRODUCTO NO APTO ');


19/23

end


20/23

A.2.2. Cdigo de la Interfaz:

functionvarargout = CONTROL_NARANJA(varargin)% CONTROL_NARANJA M-file for CONTROL_NARANJA.fig% CONTROL_NARANJA, by itself, creates a new CONTROL_NARANJA orraises the existing% singleton*.%% H = CONTROL_NARANJA returns the handle to a new CONTROL_NARANJAor the handle to% the existing singleton*.%% CONTROL_NARANJA('CALLBACK',hObject,eventData,handles,...) callsthe local% function named CALLBACK in CONTROL_NARANJA.M with the giveninput arguments.%% CONTROL_NARANJA('Property','Value',...) creates a newCONTROL_NARANJA or raises the% existing singleton*. Starting from the left, property valuepairs are% applied to the GUI before CONTROL_NARANJA_OpeningFunction getscalled. An% unrecognized property name or invalid value makes propertyapplication% stop. All inputs are passed to CONTROL_NARANJA_OpeningFcn viavarargin.%% *See GUI Options on GUIDE's Tools menu. Choose "GUI allowsonly one% instance to run (singleton)".%% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help CONTROL_NARANJA

% Last Modified by GUIDE v2.5 21-Apr-2007 00:38:51

% Begin initialization code - DO NOT EDITgui_Singleton = 1;gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...'gui_OpeningFcn', @CONTROL_NARANJA_OpeningFcn, ...'gui_OutputFcn', @CONTROL_NARANJA_OutputFcn, ...

'gui_LayoutFcn', [] , ...'gui_Callback', []);ifnargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});end

ifnargout[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

elsegui_mainfcn(gui_State, varargin{:});

end% End initialization code - DO NOT EDIT

% --- Executes just before CONTROL_NARANJA is made visible.


21/23

functionCONTROL_NARANJA_OpeningFcn(hObject, eventdata, handles,varargin)% This function has no output args, see OutputFcn.% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% varargin command line arguments to CONTROL_NARANJA (see VARARGIN)% Choose default command line output for CONTROL_NARANJAhandles.output = hObject;

% Update handles structureguidata(hObject, handles);fondo=imread('back.JPG');imagen (handles.imagen7)imshow(fondo)axis offhandles.output = hObject;

% UIWAIT makes CONTROL_NARANJA wait for user response (see UIRESUME)% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.functionvarargout = CONTROL_NARANJA_OutputFcn(hObject, eventdata,handles)% varargout cell array for returning output args (see VARARGOUT);% hObject handle to figure% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structurevarargout{1} = handles.output;

% --- Executes on button press in CARGA.functionCARGA_Callback(hObject, eventdata, handles)% hObject handle to CARGA (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global imagen B fichero[fname,pname] = uigetfile('*.jpg','Abrir imagen');fichero = [pname,fname];[O] = INICIO(fichero); %activa un m filee*ActivarTodo(handles);imagen = O;[a b] = size(imagen); %crear matriz de igual dimensionB = zeros(a,b); %matriz ceros%originalimagen(handles.CARGAIMAGEN); %elijo el imagen Originalcolormap(gray); %eleijo el colormap grayimagesc(O); %muestro imagen con el colormapconcurrenteaxis offfunctionActivarTodo(handles)set(handles.PROCESO,'Enable','on');

% --- Executes during object creation, after setting all properties.functionCARGAIMAGEN_CreateFcn(hObject, eventdata, handles)% hObject handle to CARGAIMAGEN (see GCBO)


22/23

% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: place code in OpeningFcn to populate CARGAIMAGEN

% --- Executes on button press in PROCESO.functionPROCESO_Callback(hObject, eventdata, handles)% hObject handle to PROCESO (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global fichero imag IMF

[Z] = segmentacion(fichero); %activa un m file*imag = Z;[a b] = size(imag); %crear matriz de igual dimensionB = zeros(a,b); %matriz ceros[G] = bordes(fichero); %activa un m file*imagen(handles.PROCESADO); %elijo el imagen Originalcolormap(gray); %eleijo el colormap grayimagesc(G); %muestro imagen con el colormapconcurrenteaxis off

% --- Executes during object creation, after setting all properties.functiongramo_CreateFcn(hObject, eventdata, handles)% hObject handle to gramo (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.ifispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor' ))

set(hObject,'BackgroundColor','white');end

functionedit2_Callback(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit2 as text

% str2double(get(hObject,'String')) returns contents of edit2as a double

% --- Executes during object creation, after setting all properties.functionedit2_CreateFcn(hObject, eventdata, handles)% hObject handle to edit2 (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles empty - handles not created until after all CreateFcnscalled

% Hint: edit controls usually have a white background on Windows.% See ISPC and COMPUTER.ifispc && isequal(get(hObject,'BackgroundColor'),get(0,'defaultUicontrolBackgroundColor' ))


23/23

set(hObject,'BackgroundColor','white');end

% --- Executes on button press in estimacion.functionestimacion_Callback(hObject, eventdata, handles)

% hObject handle to estimacion (see GCBO)% eventdata reserved - to be defined in a future version of MATLAB% handles structure with handles and user data (see GUIDATA)global fichero imag[labeled,numObjects] = bwlabel(imag,4);graindata = regionprops(labeled,'basic');va=max([graindata.Area]);val= va*0.01

imgarea = num2str(round(val));set(handles.VALOR,'String',imgarea);imagen(handles.FINAL);colormap(gray);imagesc(imag);axis offval2= 250*val/35Gramos = num2str(round(val2));set(handles.gramo,'String',Gramos);

histo(handles,val)

Control de Calidad de Naranjas usando Visión Artificial

Documents

Transcript of Control de Calidad de Naranjas usando Visión Artificial