SISTEMA INTEGRAL DE MONITOREO DE LAS CONDICIONES DE...

SISTEMA INTEGRAL DE MONITOREO DE LAS CONDICIONES DE INCUBACIÓN E

IDENTIFICACIÓN DE IGUANAS

DIRECTOR:

M. en C. Víctor Hugo García Ortega

PARTICIPANTES:

Erick Bernardo Quintero Villegas Isaac Morales Cedeño Israel Herrera Romero

CLAVE DEL REGISTRO:

20061127

INFORME AGOSTO

DICIEMBRE 2006

Sistema Integral de Monitoreo de las Condiciones de Incubación e Identificación de Iguanas

Clave del Proyecto 20061127 2

CONTENIDO

RESUMEN.................................................................................................... 3

INTRODUCCIÓN.......................................................................................... 3

PLANTEAMIENTO DEL PROBLEMA (IMPACTO) ..................................... 4

SOLUCIÓN PROPUESTA ........................................................................... 5

SISTEMAS DE ADQUISICIÓN DE DATOS Y CONTROL SUPERVISORIO...................................................................................................................... 5

TRATAMIENTO DIGITAL DE IMÁGENES .................................................. 7

PLANTEAMIENTO DEL PROYECTO ......................................................... 9

DESCRIPCIÓN DEL SISTEMA..................................................................11

MANEJO DEL CONTRASTE................................................................... 12 SEGMENTACIÓN ................................................................................... 12 MÉTODO DE SEGMENTACIÓN POR VARIANZA.................................. 14 SEGMENTACIÓN POR UMBRAL........................................................... 14

RESULTADOS........................................................................................... 16

FILTRO MEDIANA....................................................................................... 17 FILTRO GAUSSIANO................................................................................... 18 SEGMENTACIÓN POR UMBRALIZACIÓN........................................................ 19 SEGMENTACIÓN POR VARIANZA. ................................................................ 20

BIBLIOGRAFÍA.......................................................................................... 21



RESUMEN

En este proyecto se describe el diseño e implementación de un sistema de adquisición de datos de temperatura y humedad mediante una red 1-wire para incubadoras de iguanas; así como un software de análisis de imágenes de iguanas.

INTRODUCCIÓN

México cuenta con abundantes recursos naturales, producto de una amplia diversidad biogeográfica, ocupa el primer lugar en diversidad de reptiles, dentro de los que se encuentran la iguana negra (Ctenosaura pectinata), que es una especie endémica, y la iguana verde (Iguana Iguana). La iguana negra es importante a nivel alimenticio, medicinal y económico en las comunidades donde se distribuye, sin embargo, en algunas regiones como en el Istmo de Tehuantepec la cacería desmedida ha ocasionado la disminución de su población y ha puesto en riesgo de extinción a la especie.

De acuerdo con la Norma Oficial Mexicana NOM-059-ECOL-1994, a partir de 1994, la especie Ctenosaura pectinata se encuentra dentro de la categoría de especie amenazada, por lo tanto se prohíbe su captura y comercialización. No obstante, en los últimos años la población natural de iguanas ha disminuido notablemente, lo que se debe en parte a la comercialización de carne, huevos, piel y destrucción de hábitats naturales por efecto de actividades agrícolas, ganaderas y desarrollo urbano.

Las iguanas verdes (Iguana Iguana) son, al igual que las negras, empleadas a nivel alimenticio, pero también son usadas como mascotas, lo que les da un valor comercial mayor, aún cuando en nuestro país esta actividad no es muy importante a diferencia de lo que ocurre en Centroamérica.

En México, la legislación dirigida hacia la conservación de las iguanas no es suficiente debido a que su captura es una actividad de subsistencia, que tradicionalmente ha utilizado el campesino y difícilmente podrá detenerse a corto plazo. Para lograr la recuperación de sus poblaciones y su utilización sostenible es necesario el desarrollo de sistemas de producción racional de la especie. Dada la escasa prioridad gubernamental asignada a la vida silvestre en el pasado, así como a la información dispersa, fragmentada y de escasa utilidad práctica, no se ha generado información suficiente y sistemática que sea elemento fundamental para realizar propuestas y tomar decisiones para el aprovechamiento sustentable de la especie.

Una de las alternativas para conservar e incrementar el tamaño de la población y aprovechar racionalmente a esta especie, es la cría en cautiverio, ya que en forma silvestre requiere de tres años para llegar a su etapa de aprovechamiento, lo que provoca mayor susceptibilidad a la extinción.



PLANTEAMIENTO DEL PROBLEMA (IMPACTO)

Existen pocos estudios que muestren aspectos relevantes sobre el manejo, nutrición, reproducción, mejoramiento y sanidad de la especie, de tal manera que es fundamental recabar información en aspectos nutricionales como los efectos de las de dietas en las tasas de reproducción, mortalidad y crecimiento, el estudio de las diferencias morfológicas entre machos y hembras en crías y juveniles de iguana negra, obtención de modelos de crecimiento, que permitan evaluar el manejo de iguanarios, y examinar la posibilidad de iniciar criaderos en forma intensiva.

También es fundamental conocer los efectos de las condiciones ambientales en la incubación para lograr la tasa óptima de reproducción, garantizando el máximo de huevos que eclosionan por nido, y minimizar la mortalidad en las crías. En este aspecto, la información disponible es poco confiable debido a que no se han realizado estudios sistemáticos y se basa principalmente en juicios subjetivos. Por ello es urgente realizar estudios en condiciones ambientales controladas, siendo las principales variables a estudiar la temperatura del nido y la humedad relativa del mismo.

En cuanto al aprovechamiento de iguanas en cautiverio, el Gobierno Federal, ha manifestado la necesidad de implementar un sistema de marcaje individual, para certificar que los ejemplares, productos o subproductos derivados en las Unidades de Manejo para la Conservación de Vida Silvestre (UMA), son producto de la reproducción o propagación en cautiverio. Con la entrada en vigor de la Ley General de Vida Silvestre (DOF 3/07/00) es obligatorio que los ejemplares, partes o derivados de las UMAs cuenten con un sistema de marca individual que los diferencie de los clandestinos. Los sistemas de marcaje que la Dirección General de Vida Silvestre (DGVS) ha aceptado para la comercialización de ejemplares producidos en las UMAs son: el microchip, tatuaje, grapas interdigitales (oficial para cocodrilos), anillos abiertos o cerrados (aves), aretes (mamíferos) y en algunas ocasiones para reptiles fotografía y pintura indeleble. Todos estos sistemas de marca individual deben ser presentados o propuestos por la Unidad de Manejo inicialmente para su posterior evaluación y aceptación por la DGVS (Morales, 2001). Dentro de los sistemas de marcaje conocidos se menciona (Vázquez y Villegas 2000) los sistemas donde se utiliza la chaquira, amputación de falanges, tatuado en candente y el tatuado de poros femorales, no son convenientes en las especies de iguana; no obstante, el sistema de marcaje natural (Montes, 1998) en iguana verde que caracteriza al animal, es la escama auditiva, que no cambia con los años, únicamente se acentúa en coloración, dentro de esta escama hay un dibujo único en cada animal que lo diferencia de los demás y posiblemente sea el método de identificación más importante para su utilización en la diferenciación individual y por lo tanto la elaboración de registros.

Queda de manifiesto que existe un conjunto de datos que potencialmente pueden convertirse en información útil. Las computadoras pueden ayudar a añadir valor, organizar y en general, transformar los datos en información.



SOLUCIÓN PROPUESTA

En el contexto tecnológico actual, donde los sistemas de cómputo personal son las herramientas más utilizadas para procesamiento de datos e interfaz con el medio ambiente, todos los elementos del sistema en su conjunto deben estar perfectamente comunicados, esto es, conectados por medio de las interfaces adecuadas con la capacidad, la disponibilidad y la calidad suficientes como para permitirles enviar y recibir oportuna y confiablemente la información requerida para el monitoreo y control de las variables físicas que se necesiten.

Uno de los primeros usos de las computadoras personales (PC) en la industria fue remplazar páneles de configuración y adquisición de datos, con hardware y software de adquisición de datos (DAQ) e interfaces humano

máquina (HMI) para computadoras personales (Harrold, 2002).

Sistemas de Adquisición de Datos y Control Supervisorio

El término Sistema de adquisición de datos y control supervisorio proviene del término inglés Supervisory Control and Data Acquisition mejor conocido como sistema SCADA. Estos sistemas usan la tecnología de computación y comunicaciones para automatizar el monitoreo y el control de procesos industriales. Dichos sistemas son capaces de recolectar la información proveniente de un gran número de fuentes muy rápidamente y presentarla al usuario en una forma amigable (R-Roda et al., 1999). Los sistemas SCADA pretenden mejorar la eficiencia de los procesos bajo supervisión ya que proporcionan información oportuna al operador del proceso, con la que podrá tomar las decisiones más adecuadas. La Figura 1 muestra el esquema básico de un sistema SCADA.

Figura 1. Esquema básico de un sistema SCADA.



Evolución de los Sistemas SCADA

Las computadoras y la tecnología de la información están cambiando la forma de hacer las cosas. Los primeros sistemas SCADA eran simplemente sistemas de telemetría que proporcionaban reportes de las condiciones de campo a través del monitoreo de señales. Estos sistemas ofrecían capacidades de monitoreo y control muy simples y no proveían funciones de aplicación ni pre-procesamiento de la información.

A medida que la tecnología ha evolucionado, las computadoras han asumido el papel de administrar el conjunto de datos recopilados a partir de cualquier sistema físico, proporcionando comandos de control y una nueva función: la presentación de la información, después de un tratamiento adecuado, en la pantalla de la computadora. Esta misma propiedad proporcionó la capacidad de programar el sistema para desempeñar funciones de control y supervisión cada vez más complejas. Podría decirse que un sistema SCADA está formado por un sistema de adquisición de datos (DAQ) y una interfaz humano máquina (HMI).

La tendencia actual en el desarrollo de sistemas SCADA es el manejo de la información a diversos niveles hasta llegar a constituir sistemas de información integrales y de ser posible en red. Siendo necesario un procesamiento de los datos adquiridos, específico a la manera en que los expertos del proceso analizan la información (R-Roda et al., 1999). Una tendencia reciente es desarrollar este análisis utilizando bases de datos relacionales de formato estándar y una arquitectura orientada a objetos, que permita la fácil inclusión de nuevos datos adquiridos y/o nuevos métodos de análisis (Meléndez, 1997).

Un Sistema SCADA está basado en computadoras que permite supervisar y controlar a distancia una instalación de cualquier tipo, tal como lo muestra la Figura 2. Además, hoy en día, es fácil hallar un sistema SCADA realizando labores de control automático en cualquiera de sus niveles basado en distintas estrategias (PID, difusas, adaptable, etc.), aunque su labor principal sea de supervisión y control por parte del operador (Torres, 2003).

Figura 2. Sistema de Adquisición de Datos y Control Supervisorio.



Los Sistemas SCADA constituyen el complemento indispensable de los Sistemas de Control Digital. Dado que todos ellos han sido dotados de capacidad de comunicarse en forma digital con otros dispositivos periféricos para transferir información desde y hacia ellos, resulta natural incorporar a los sistemas automatizados los conceptos de redes y buses de comunicaciones, que fundamentalmente fueron diseñados para conectar varios de estos dispositivos entre sí y principalmente contra una o varias computadoras personales que colecten toda esa información para presentarla en pantallas de forma gráfica, desde las cuales se pueden observar los dispositivos integrados, sus estados, la indicación principal, sus parámetros de configuración, etc.

Los sistemas SCADA son utilizados para control de subestaciones eléctricas, operación controlada de un sistema de agua potable, supervisión y control de sistemas de transporte colectivo, operación y control de sistemas de distribución de agua, gas, tratamiento de aguas residuales, etc. En general, supervisión y control de cualquier sistema interno en un laboratorio o en una planta y en términos generales cualquier proceso que implique el control y adquisición de datos de entradas y distribución de datos de salidas de variables analógicas y/o digitales (Torres, 2003).

Tratamiento Digital de Imágenes

El interés por los métodos de tratamiento digital de imágenes deriva de dos áreas principales de aplicación: la mejora de la información pictórica para la interpretación humana y el procesamiento de los datos de la escena para la percepción autónoma por una máquina. Las técnicas de procesamiento digital de imágenes se emplean para resolver actualmente problemas muy diversos que requieren normalmente métodos capaces de realzar la información de las imágenes para la interpretación y el análisis humano. Algunas de las áreas de aplicación son: imágenes biomédicas, imágenes geográficas, arqueología, física, astronomía, biología, investigaciones judiciales y aplicaciones industriales (González, 1996).

El tratamiento digital de imágenes comprende desde recursos de hardware, software y recursos teóricos. Todos los sistemas de procesamiento digital de imágenes comprenden varias etapas fundamentales las cuales se muestran en la Figura 3.

Figura 3. Etapas fundamentales del procesamiento de imágenes.



En la primera etapa o adquisición de la imagen, se obtiene la imagen digital; para ello se necesita un sensor de imágenes y la posibilidad de digitalizar la señal producida por el sensor. Este puede ser una cámara digital, cámara de televisión, o cámara de barrido de líneas (escáner). Si la salida de la cámara o de otro sensor de imágenes no está todavía en forma digital puede emplearse un convertidor analógico-digital para digitalizarla. La naturaleza del sensor y la imagen que produce vienen determinadas por la aplicación.

Una vez que se ha obtenido la imagen digital, la siguiente etapa trata del preprocesamiento de esa imagen. La función básica del preprocesamiento es la de mejorar la imagen, de forma que se aumenten las posibilidades de éxito en los procesos posteriores. El preprocesamiento trata típicamente las técnicas de mejorar el contraste, eliminar el ruido y aislar regiones entre sí.

La siguiente etapa es la segmentación, la cual consiste en partir una imagen de entrada en sus partes constituyentes u objetos. En general, la segmentación autónoma es una de las labores más difíciles del tratamiento digital de imágenes. Por una parte, un procedimiento de segmentación demasiado tosco retarda la solución satisfactoria de un problema de procesamiento de imágenes. Por otra, un algoritmo de segmentación débil o errático casi siempre garantiza que tarde o temprano habrá un fallo.

A la salida del proceso de segmentación habitualmente se tienen los datos de píxel en bruto, que constituyen bien el contorno de una región o bien todos los puntos de una región determinada. En cada caso es necesario convertir los datos a una forma adecuada para el procesamiento por computadora. La primera decisión que se debe tomar es si los datos se han de representar como un contorno o como una región completa. La representación como un contorno es la adecuada cuando el interés radica en las características de la forma exterior, como esquinas e inflexiones. La representación regional es adecuada cuando el interés se centra en propiedades internas, como la textura o la estructuración. Sin embargo en algunas aplicaciones ambas representaciones coexisten.

La elección de una representación es sólo una parte de la solución para transformar los datos de píxel en bruto a una forma adecuada para ser posteriormente tratados por computadora. También debe especificarse un método para describir los datos de forma que se resalten los rasgos de interés. La descripción o selección de rasgos, consiste en extraer rasgos con alguna información cuantitativa de interés o que sean fundamentales para diferenciar una clase de objetos de otra.

La última etapa incluye el reconocimiento e interpretación. El reconocimiento es el proceso que asigna una etiqueta a un objeto basándose en la información proporcionada por sus descriptores, a este objeto se le denomina patrón. La interpretación implica asignar significado a un conjunto de objetos reconocidos. Esta trata de asignar un significado a un conjunto de entidades etiquetadas. En esta etapa se suelen utilizar diferentes tipos de clasificadores dependiendo de la naturaleza estadística de las clases etiquetadas, entre ellos se encuentran: el clasificador euclideo, bayesiano, etc. Uno de los modelos más utilizados por su gran eficiencia en esta etapa son las redes neuronales, las cuales cargan de manera natural conocimiento a través de un proceso conocido como entrenamiento y lo hacen disponible para su uso. Existen diferentes modelos de redes neuronales, siendo los más comunes el perceptrón multicapa y los mapas autoorganizados (SOM-Self Organazing Maps), los cuales utilizan entrenamiento supervisado y no supervisado respectivamente (Haykin,1999).



Tanto de la necesidad del conocimiento previo, como de la interacción entre la base de conocimiento y los módulos de procesamiento se puede decir lo siguiente: que el conocimiento sobre un dominio del problema está codificado en un sistema de procesamiento de imágenes como una base de datos de conocimiento.

Este conocimiento puede ser tan simple como detallar las regiones de una imagen donde se sabe que se ubica información de interés, limitando así la búsqueda que ha de realizarse para hallar tal información. La base de conocimiento también puede ser muy compleja, como una lista interrelacionada de todos los posibles defectos de un problema de inspección de materiales o una base de datos que contenga imágenes de satélite de alta resolución de una región, en conexión con aplicaciones de detección de cambios. Además de guiar la operación de cada módulo de procesamiento, la base de conocimiento controla también la interacción entre los módulos. Los elementos de los sistemas de procesamiento de imágenes son los de adquisición, almacenamiento, tratamiento, comunicación, y presentación de imágenes (González,1996).

PLANTEAMIENTO DEL PROYECTO

Actualmente los Sistemas SCADA constituyen un estándar de la industria, ya que todas las aplicaciones ofrecen (con variantes a veces apoyadas en distintas fortalezas, como la integración con el hardware, la facilidad de uso, la aplicación de herramientas innovadoras, la apertura de comunicaciones, la solidez del conjunto, etc.) una base común muy amplia y equivalente.

En la actualidad se encuentran implementadas diferentes redes de campo para comunicar dispositivos de E/S y servidores, por un lado redes propietarias de fabricantes y por el otro redes abiertas, tales como redes seriales (RS-232, RS-422, RS-485) o alguna tecnología de red Ethernet, implementada sobre redes de área local (LAN) o si la aplicación lo requiere, sobre redes de área amplia (WAN), tal como lo muestra la Figura 4. Estas redes permiten seleccionar la mejor forma de implementar una arquitectura SCADA. Sin embargo, el bus serial universal (USB) no ha sido completamente explotado en estas aplicaciones y tiene ventajas sobre las redes seriales convencionales. Además, cada año se incrementan las aplicaciones DAQ basadas en USB. En cualquier caso, se deben usar protocolos bien definidos para comunicar cada uno de los elementos dependiendo del tipo de red, como pueden ser DNP3, ModBus, TCP/IP, UDP/IP, etc.

Es esencial conocer las necesidades de información de los procesos a supervisar y controlar, por lo que es de suma importancia establecer e implementar una arquitectura de base de datos a partir de un modelo de datos bien definido. El modelo de datos es una colección de herramientas conceptuales que describen los datos, las relaciones entre estos, la semántica de los datos y las ligaduras de consistencia (Silberschatz,1998). En general, es importante implementar una arquitectura de bases de datos que permita registrar el estado histórico de los procesos, pues son los datos, una vez procesados, los que proporcionan la información necesaria para la toma de decisiones y para establecer las estrategias de control automático que mejor convengan.

Información e integración son las dos palabras que expresan lo que sucede en realidad con el software para interfaces humano-máquina y para adquisición de datos y control supervisorio. En la actualidad se requiere suministrar la información requerida, entendible,



en un dispositivo práctico y amigable y en cualquier lugar del mundo (Mintchel 2002). Por lo cual, es importante contar con una interfaz simple, amigable e integral que permita supervisar el estado de las variables involucradas en los diferentes procesos experimentales e industriales a controlar.

Figura 4. Esquema de comunicación HMI/SCADA

Sin duda, existen muchos elementos que se deben considerar para construir un excelente sistema SCADA, de manera que se asegure que todos interactuando juntos, funcionen correctamente y no se pierda tiempo debido a la no compatibilidad de partes. La correcta y completa información de los requerimientos del sistema SCADA permite crear una aplicación acorde a las necesidades de automatización establecidas.

Se describe, el desarrollo de una arquitectura SCADA que monitorea las condiciones de temperatura y humedad dentro de los nidos de incubación de iguanas para obtener las condiciones óptimas de su reproducción, por medio del diseño y construcción de sistemas DAQ basados en tecnología de red 1-wire. Además, del diseño y construcción de interfaces HMI multiplataforma basadas en tecnología JAVA para la supervisión de procesos, interfaz con bases de datos y análisis de información. La información es consultada mediante un sistema WEB usando PHP y mySql.

Además del desarrollo de la arquitectura SCADA, se plantea la realización de un sistema de procesamiento digital de imágenes que permite el procesamiento de imágenes de iguana negra (Ctenosaura pectinata) y la iguana verde (Iguana Iguana) para su análisis.



DESCRIPCIÓN DEL SISTEMA.

Las etapas de procesamiento de imágenes de iguanas se muestran el la Figura 5.

Figura 5.Mejoramiento de la Imagen

Esta etapa es mejor conocida como etapa de preprocesamiento de la imagen y su función básica en general, es la de mejorar la imagen. Típicamente esta etapa comprende las técnicas para mejorar el contraste, eliminar ruido, aislar ciertas regiones, entre otras.

Estas circunstancias dan lugar a que una imagen presente alguna degradación manifestada con algún tipo de ruido . Este ruido debe eliminarse, por lo que se requiere la etapa de mejoramiento de la imagen.

Algunos filtros usados en el proceso de mejoramiento son el filtro de mediana el cual es un filtro no lineal que se encarga de obtener un suavizado de la imagen y eliminar el ruido de sal y pimienta (la imagen tiene puntitos negros o blancos) de la imagen por medio del calculo de la mediana de un grupo de datos de la imagen y modificando el valor del central de ese grupo de datos con el resultado de la mediana. Otro filtro es el Gaussiano, este es un filtro pasabajas (cuyo efecto es el de realizar un suavizado en la imagen), en el cual el núcleo es una Gaussiana 2-D, de media cero y desviación estándar , de la forma:



2

22

2

)(

),(yx

eyxg

La transformada de Fourier de la Gaussiana es todavía Gaussiana y prácticamente no posee lóbulos laterales, por lo que su respuesta en frecuencia es muy buena.

MANEJO DEL CONTRASTE

Las imágenes en general pueden clasificarse en 4 tipos, imágenes oscuras, brillantes, de bajo contraste y de alto contraste, esta característica queda identificada por medio de su histograma, en el cual se representa gráficamente la frecuencia de cada uno de los niveles de grises existentes en la imagen. Para imágenes oscuras el histograma esta cargado a la izquierda, mientras que para las imágenes brillantes a la derecha, por otro lado las imágenes de bajo contraste presentan una diferencia notable entre las frecuencias de cada uno de los niveles de grises y las imágenes de alto contraste no las hay. Para mejorar la imagen existen diferentes métodos, una de ellos es la ecualización del histograma que permiten ampliar el rango dinámico de la imagen. Este método consiste en general, en distribuir el histograma original en todo el rango de escala de grises de tal forma que la frecuencia de cada uno de los niveles de grises, esto se realiza mediante una transformación que debe cumplir con dos condiciones:

)(rTs

1. )(rT es de valor único y monótonamente creciente en el intervalo 10 r 2. 1)(0 rT para 10 r

Estas condiciones conservan el orden entre blanco y negro de las escalas de grises, y garantiza una aplicación coherente con el rango de valores de píxel permitidos, respectivamente.

SEGMENTACIÓN

De forma general la segmentación consiste en subdividir la imagen en sus partes constituyentes u objetos. El nivel al que se lleva a cabo esta subdivisión depende del problema a resolver. Los algoritmos de segmentación de imágenes en niveles de gris generalmente se basan en una de las dos propiedades básicas de los valores del nivel de gris de un píxel: discontinuidad y similitud. En la primera categoría el método consiste en dividir la imagen basándose en los cambios bruscos de nivel de gris. Las principales áreas de interés de esta categoría son la detección de puntos aislados, líneas y bordes de una imagen. Los principales métodos de la segunda categoría están basados en la segmentación por umbral, crecimiento de regiones y en la división y fusión de regiones (González,1996).



En el procesamiento de las imágenes de iguanas es usualmente necesario realizar dos procesos de segmentación, que son:

Remover las partes que no llevan información válida en la imagen de la guana.

Una buena técnica de segmentación para realizar esta tarea, debe cumplir con las siguientes propiedades:

Debe ser insensible al contraste de la imagen original.

Debe detectar regiones manchadas y ruidosas .

Los resultados de la segmentación deben ser independientes de si la imagen está mejorada o no.

Debe dar resultados consistentes para la gran variedad de imágenes usadas en la aplicación.

Separar claramente las regiones que pertenecen a los valles, de las regiones que pertenecen a las colinas.

Típicamente un proceso de binarización logra esta separación. La binarización consiste en convertir una imagen con una cierta cantidad de niveles de gris (en el caso de imágenes en niveles de gris) en una imagen con sólo dos niveles de gris (blanco y negro), donde uno de los niveles representa el fondo de la imagen y el otro nivel representa a los objetos de la imagen. En el caso de las iguanas el nivel blanco representa al fondo de la imagen (los valles de la huella), mientras que el nivel negro representa a las colinas de la huella. Este proceso de binarización se puede lograr con el método de segmentación por umbral.

Antes de describir los métodos de segmentación es necesario introducir el concepto de histograma de una imagen. El histograma de una imagen digital con niveles de gris en el rango 1,0 L es una función discreta nnrp kk /)( , donde kr es el k-ésimo nivel de gris,

kn es el número de píxeles de la imagen con ese nivel de gris, n

es el número total de

píxeles en la imagen y 1,...,1,0 Lk (González,1996) .

De forma general se puede decir que )( krp da una idea del valor de la probabilidad de

que aparezca el nivel de gris kr . La representación gráfica de esta función para todos los

valores de k proporciona una descripción global de la apariencia de una imagen.

Para remover las partes que no llevan información válida en la imagen que representa a la Iguana se utiliza un método muy eficiente el cual es el método de segmentación por varianza



MÉTODO DE SEGMENTACIÓN POR VARIANZA

En este método la imagen es dividida en bloques, en donde se calcula su varianza de acuerdo a la siguiente expresión

)/(),()1)(1( 2)1)(1(

ABjiIBL

LBj

AK

KAiKLKL

En general, la varianza obtenida de los niveles de gris correspondientes al fondo y/o a regiones uniformes es muy pequeña (cero en regiones perfectamente uniformes), y la varianza obtenida en regiones donde se encuentra la imagen de la iguana, en buenas condiciones es alta. Por lo tanto, si se establece un cierto umbral UMVAR se puede utilizar este método para segmentar imágenes de iguanas, es decir, para un cierto bloque si la varianza es menor que el umbral establecido, eso indica que el bloque pertenece al fondo, de lo contrario indica que se trata de la imagen de la iguana.

Este método trabaja bien para imágenes de buena calidad con un buen contraste. Sin embargo, este método no puede detectar regiones ruidosas, ya que al ser regiones uniformes las detecta como regiones pertenecientes al fondo.

Una vez obtenidos los bloques que llevan información válida de la imagen, se procede a separar claramente las regiones que pertenecen a los valles, de las regiones que pertenecen a las colinas. Esto se hace binarizando la imagen a través del método de segmentación por umbral.

SEGMENTACIÓN POR UMBRAL

Supóngase que se tiene un histograma de una imagen en niveles de gris ),( yxf , compuesta de objetos oscuros sobre un fondo claro, de tal forma que los píxeles del objeto y el fondo tienen los niveles de gris agrupados en dos modos dominantes (histograma bimodal). Una forma evidente de extraer los objetos del fondo es elegir un umbral T que separe dichos modos. Entonces cualquier punto ),( yx para el que

Tyxf ),( se denomina punto del objeto; en caso contrario se denomina punto del fondo.

Basándose en lo anterior, la segmentación por umbral se puede contemplar como una operación que implica realizar comprobaciones frente a una función T de la forma:

),(),,(,, yxfyxpyxTT

Donde ),( yxf es el nivel de gris del punto ),( yx y ),( yxp representa alguna propiedad local de ese punto (como la media del nivel de gris de una cierta vecindad centrada en

),( yx ). Una imagen segmentada por umbral ),( yxg se define como:

Tyxf

Tyxfyxg

),(0

),(1),(



De este modo los píxeles marcados con 0 corresponden a objetos, mientras que los píxeles marcados con 1 corresponden al fondo.

Cuando T depende solamente de ),( yxf , el umbral se denomina global; si el umbral

depende a la vez de ),( yxf y ),( yxp entonces se denomina local. Si además T depende

de las coordenadas espaciales ),( yx , el umbral se denomina dinámico.

Cuando se tiene una imagen de buena calidad, el usar un umbral global es suficiente para obtener la imagen binaria. Si la imagen no es de buena calidad el método puede fallar; sin embargo, en estos casos al aplicar un umbral dinámico se obtienen mejores resultados que con el global, puesto que el umbral se adapta localmente al tipo de imagen en una vecindad.

Después de haber obtenido la región donde se encuentra la imagen de la iguana se aplica un filtro Gaussiano con la finalidad de realizar un suavizado sobre la imagen y así obtener una mejor imagen binaria. Después de este filtrado se aplica un umbral dinámico, estos es, se divide la imagen en bloques ),( BABKL de 15x15 píxeles, de los cuales se obtiene

su media KL . Entonces KL

es el umbral del bloque ),( BABKL , de tal forma que cada bloque tendrá un umbral diferente. Esto se hace como parte del proceso de mejoramiento de la imagen.

Las imágenes binarias obtenidas usando los métodos con umbral dinámico y global se muestran en la sección siguiente.



RESULTADOS.

En las Figuras 6 y 7 se muestran las imágenes en escala de grises sobre las cuales se efectuaron las operaciones de las técnicas de tratamiento de imágenes descritas en secciones anteriores.

Figura 6. Vista Lateral de la Iguana.

Figura 7. Vista Superior de la Iguana.



Filtro Mediana

Con este tipo de filtro se hicieron las siguientes pruebas con las imágenes usando diferentes magnitudes para los parámetros de tamaño de ventana, desplazamiento entre ventanas.

Tamaño de ventana Desplazamiento de ventana

3 1 3 2 3 3 3 4 3 5 5 1 5 2 5 3 5 4 5 5 7 1 7 2 7 3 7 4 7 5 9 1 9 2 9 3 9 4 9 5

11 1 11 2 11 3 11 4 11 5

Después de realizar las pruebas anteriores la mejor imagen obtenida después del filtrado fue la que tiene los parámetros de tamaño de ventana igual a 5 y desplazamiento entre ventanas de 3, se muestra a continuación en la Figuras 8 y 9.



Figura 8. Imagen Filtrada con el Método de la Mediana.

Filtro Gaussiano

Con este tipo de filtro se hicieron las siguientes pruebas con las imágenes usando diferentes magnitudes para los parámetros de tamaño de ventana, desplazamiento entre ventanas y Varianza.

Tamaño de ventana Desplazamiento de ventana

Varianza

3 1 De 0.2 hasta 2.5 3 2 De 0.2 hasta 2.5 3 3 De 0.2 hasta 2.5 3 4 De 0.2 hasta 2.5 3 5 De 0.2 hasta 2.5 5 1 De 0.2 hasta 2.5 5 2 De 0.2 hasta 2.5 5 3 De 0.2 hasta 2.5 5 4 De 0.2 hasta 2.5 5 5 De 0.2 hasta 2.5 7 1 De 0.2 hasta 2.5 7 2 De 0.2 hasta 2.5 7 3 De 0.2 hasta 2.5 7 4 De 0.2 hasta 2.5 7 5 De 0.2 hasta 2.5 9 1 De 0.2 hasta 2.5 9 2 De 0.2 hasta 2.5 9 3 De 0.2 hasta 2.5 9 4 De 0.2 hasta 2.5 9 5 De 0.2 hasta 2.5

11 1 De 0.2 hasta 2.5 11 2 De 0.2 hasta 2.5 11 3 De 0.2 hasta 2.5 11 4 De 0.2 hasta 2.5 11 5 De 0.2 hasta 2.5



Después de realizar las pruebas anteriores la mejor imagen obtenida después del filtrado fue la que tiene los parámetros de tamaño de ventana igual a 7 y desplazamiento entre ventanas de 1 y varianza de 0.8, se muestra a continuación en las Figuras 8 y 9.

Figura 9 Imagen Filtrada con el Método Gaussiano

Segmentación por Umbralización.

Dentro de la etapa de segmentación por umbralización se realizaron diferentes pruebas, dadas las condiciones de las imágenes originales, el fondo y las diferentes escalas de brillo existentes, el método más adecuado fue la segmentación por umbral dinámico, en la cual se probaron diferentes tamaños de ventanas y desplazamiento de ventana. Al realizar esta pruebas se notó que el trabajar con una ventana grande, mayor a 7 píxeles no permitía una segmentación adecuada, ya que el fondo de la imagen se confundía con el objeto de estudio. Sin embargo al trabajar con ventanas de menor tamaño y desplazamientos pequeños los resultados obtenidos fueron muy buenos, en comparación a la segmentación por umbral y la segmentación por umbral dinámico con ventanas mayores a 7x7 píxeles. Estos resultados se muestran en la Figura 10 y Figura 11.

Figura 10. Resultado del Método con una Ventana de 3x3 pixeles y desplazamiento de 1 pixel.



Figura 11. Resultado al usar una Ventana de 3x3 pixeles y desplazamiento de 1 pixel.

Segmentación por Varianza.

Los valores que arrojaron los mejores resultados en este algoritmo fueron: Un Tamaño de ventana igual a 4, desplazamiento a 1, y Umbral en 45.

En las Figuras 12 y 13 se muestran los resultados obtenidos sobre algunas imágenes después de la aplicación de este método:

Figura 12. Segmentación por Varianza con Tamaño de Ventana = 4, Desplazamiento = 1, Umbral = 45

Figura 13. Segmentación por Varianza con Tamaño de Ventana = 3, Desplazamiento = 1 Umbral = 45

Se puede apreciar que el fondo de la imagen no es totalmente separado, pues presenta mucha irregularidad.



BIBLIOGRAFÍA

González R, Woods R, Tratamiento Digital de Imágenes, Addison Wesley, 1996

Harrold D., Users expect DAQ to also include analisis and control, Control Engineering

Febrary, www.manufacturing.net/ctl, 2002.

Haykin S., Neural Networks a comprehensive foundation, Prentice Hall, 1999

Minchel G. A., HMI/SCADA Software, more than pretty pictures, Control Engineering

December, www.manufacturing.net/ctl, 2002.

Melendez J., Integration of knowledge-based, qualitative and numeric tools for real time dynamic systems supervision, Tesis doctoral, Universidad de Girona, España 1997.

Omar Ochoa Montes Ontiveros. 1998. Sistema de marcaje en iguana verde (Iguana iguana). PRIMER TALLER NACIONAL SOBRE MANEJO DE IGUANAS EN CAUTIVERIO (Pátzcuaro, Mich., mayo). Delegación Federal de la SEMARNAT en Michoacán Dirección General de Vida Silvestre.

R-Roda I., Sánchez M., Cortéz U., Lafuente J. & Poch M., Consider a case-based system for control of complex processes, Chemical Engineering Progress, Vol. 6, pp. 39-45, 1999.

Silberschatz A., Korth H.F., Sudarshan S. Fundamentos de bases de datos. Mc. Graw Hill.1998.

Tizoc Morales Salud. 2001. Sistema de marcaje, problema de identidad o un simple requisito. CUARTO TALLER NACIONAL SOBRE MANEJO DE IGUANAS EN CAUTIVERIO (Puerto Ángel, Oax., mayo de 2001. Delegación Federal de la SEMARNAT en Oaxaca. Dirección General de Vida Silvestre.

Torres I., Diseño y Construcción de un Sistema de Monitoreo para una Planta de Tratamiento de Aguas Residuales Urbanas, Tesis de Maestría, Centro de Investigación en Computación IPN, México 2003.

Vázquez Pérez Diana B. y Villegas Zurita Francisco. 2000. Desarrollo de un sistema de marcaje para iguanas en la UMA Iguanas de Tabasco. TERCER TALLER NACIONAL SOBRE MANEJO DE IGUANAS EN CAUTIVERIO (Acapulco, Gro., mayo de 2000). Delegación Federal de la SEMARNAT en Guerrero Dirección General de Vida Silvestre.

http://www.manufacturing.net/ctl

http://www.manufacturing.net/ctl

SISTEMA INTEGRAL DE MONITOREO DE LAS CONDICIONES DE...

Documents

Transcript of SISTEMA INTEGRAL DE MONITOREO DE LAS CONDICIONES DE...