universidad de guayaquilrepositorio.ug.edu.ec/bitstream/redug/39877/1/b-cisc-ptg...certificado de...
TRANSCRIPT
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN
VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO
PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE
IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE
REDES NEURONALES.
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
FREDDY ALEX JUANAZO PAUCAR
TUTORA:
ING. IRMA NARANJO PEÑA M.SC.
GUAYAQUIL – ECUADOR
2019
i
REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
TÍTULO: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL
RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES
DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE REDES NEURONALES.
AUTOR: Freddy Alex Juanazo Paucar REVISOR: Ing. Alfonso Guijarro Rodríguez, Mgs.
INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Ciencias Matemáticas y Físicas
CARRERA: Ingeniería en Sistemas Computacionales
FECHA DE PUBLICACIÓN: N° DE PÁGS.: 139
ÁREA TEMÁTICA: Redes Neuronales, Procesamiento Digital de Imágenes y Visión Artificial
PALABRAS CLAVES: Android, Matlab, Segmentación, Patrones, Imágenes Digitales y Procesamiento.
RESUMEN: El presente proyecto se enfoca en la simulación de un modelo computacional de medición del tamaño y madurez del
banano, que facilite optimizar el proceso de calibrado de la fruta que se lo realiza manualmente disminuyendo por medio de este
simulador los posibles errores presentes en dicho calibrado. La finalidad de implementar el modelo computacional es proporcionar
un medio tecnológico a las bananeras con el objetivo de sistematizar los procesos, contribuyendo de esta manera a que la persona
encargada de medir el tamaño y madurez del banano pueda simplificar enormemente la precisión al llevar a cabo esta medición de
forma digital. Externamente en el desarrollo se utilizó la herramienta de procesamiento de datos Matlab, siendo un software
matemático que proporciona un ambiente de desarrollo integrado, ayudando a que el proceso de segmentación de imágenes
digitales de banano este sometido a diversas técnicas de segmentación de tal manera se mejora la calidad de la imagen, facilitando
el reconocimiento de patrones que se encuentren en las mismas, además se utilizó el software Android Studio para desarrollar un
aplicativo Android que adquiera muestras del banano eliminando herramientas que miden el tamaño de la fruta manualmente.
Finalmente, la propuesta tecnológica generó como resultado un modelo computacional de calibración capaz de brindar ayuda en la
toma de decisiones, de las personas dedicadas a la producción de banano y cumpliendo con los controles de calidad de exportación.
N° DE REGISTRO(en base de datos): N° DE CLASIFICACIÓN:
DIRECCIÓN URL (tesis en la web):
ADJUNTO PDF SI X NO
CONTACTO CON AUTOR: Teléfono: 0989620249
E-mail:
CONTACTO DE LA INSTITUCIÓN Nombre: Ab. Juan Chávez Atocha. Esp
Teléfono: 2307729
ii
CARTA DE APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de titulación DESARROLLO DE UNA
HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL
RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO
PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACIÓN EN
MATLAB MEDIANTE REDES NEURONALES. Elaborado por el Sr. JUANAZO
PAUCAR FREDDY ALEX, Alumno no titulado de la Carrera de Ingeniería en
Sistemas Computacionales de la Facultad de Ciencias Matemáticas y Físicas de
la Universidad de Guayaquil, previo a la obtención del Título de Ingeniero en
Sistemas Computacionales, me permito declarar que luego de haber orientado,
estudiado y revisado, la Apruebo en todas sus partes.
Atentamente
ING. IRMA NARANJO PEÑA M.SC.
TUTOR
iii
DEDICATORIA Dedico de manera muy especial a mi madre Beatriz Paucar que siempre ha
estado a mi lado apoyándome y corrigiéndome para que sea una persona
de bien y nunca me han dejado de empujar para salir adelante.
A mi padre Freddy Juanazo que con su gran esfuerzo me ha brindado su
apoyo de todas las maneras posibles para poder cumplir este logro.
A mi esposa Andrea y a mis hijas Paula, Sofía y Rafaela que siempre han
estado a mi lado hasta haber podido culminar este largo camino, a las
cuales les sacrifique momentos familiares y supieron entender y apoyarme
puesto que ellos son ahora mi motor para luchar.
Al padre Paul Sanders quien sin conocerme decidió ayudarme en esta
preparación y por su confianza en todo momento.
A mis hermanas Marcia, Stefanie y demás familiares que de alguna manera
también me dieron ánimo y su apoyo en todo momento para que cumpliera
con mi meta.
iv
AGRADECIMIENTO Agradezco a Papito Dios y a Mamita María por ser mi luz en medio de la
tormenta y por darme una gran amiga, mi madre que con sus oraciones y
su fe, no me dejo perder las esperanzas y me dio mucho ánimo en este
camino que ha sido muy largo y dificultoso, hasta haber podido cumplir este
sueño tan anhelado.
Espero que con esta meta cumplida pueda devolverte algo de lo que me
distes sin esperar nada a cambio.
A mi padre que al ser una persona muy fuerte me ha enseñado que con
esfuerzo y sacrificio se puede llegar a cumplir con todo lo que uno se
proponga.
A mi querida esposa por ser una guerrera y una mujer ejemplar que a pesar
que hemos vividos momentos muy difíciles siempre estuvo a mi lado siendo
apoyo incondicional y a mis hijas que por ellas me levanto cada día a seguir
en este camino que no es fácil, pero no imposible.
v
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Gustavo Ramírez Aguirre, M.Sc. DECANO DE LA FACULTAD CIENCIAS
MATEMÁTICAS Y FÍSICAS
Ing. Inelda Martillo, M.Sc DIRECTOR CARRERA DE INGENIERÍA
EN SISTEMAS COMPUTACIONALES
Ing. Irma Naranjo Peña M.Sc. PROFESOR DIRECTOR DEL
PROYECTO DE TITULACIÓN
Ing. Alfonso Guijarro Rodríguez Mgs. PROFESOR TUTOR REVISOR DEL
PROYECTO DE TITULACIÓN
Ab. Juan Chávez A. Esp. SECRETARIO
vi
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de
este Proyecto de Titulación, me
corresponden exclusivamente; y el
patrimonio intelectual de la misma a la
UNIVERSIDAD DE GUAYAQUIL”
JUANAZO PAUCAR FREDDY ALEX
vii
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN
VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO
PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE
IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE
REDES NEURONALES.
Proyecto de Titulación que se presenta como requisito para optar por el
título de
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR: JUANAZO PAUCAR FREDDY ALEX
C.I. 0924808223
TUTOR: ING. IRMA NARANJO PEÑA M.SC.
Guayaquil, Abril de 2019
ix
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo
Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de
Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por el
estudiante JUANAZO PAUCAR FREDDY ALEX, como requisito previo para optar
por el título de Ingeniero en Sistemas Computacionales cuyo tema es:
DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE REDES NEURONALES. Considero aprobado el trabajo en su totalidad.
Presentado por:
FREDDY ALEX JUANAZO PAUCAR C.I: 0924808223
TUTOR: ING. IRMA NARANJO PEÑA M.SC.
Guayaquil, Abril del 2019
x
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre del Alumno: Freddy Alex Juanazo Paucar
Dirección: Duran Cdla. Ana María de Olmedo Mz. 47 Solar 5
Teléfono: 0989620249 E-mail: [email protected]
Facultad: Ciencias Matemáticas y Físicas
Carrera: Ingeniería en Sistemas Computacionales
Título al que opta: Ingeniero en Sistemas Computacionales
Profesor guía: Ing. Irma Naranjo Peña M.SC.
2. Autorización de Publicación de Versión Electrónica del Proyecto de
Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la
Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este
Proyecto de titulación.
Publicación electrónica:
Firma Alumno: Freddy Alex Juanazo Paucar
3. Forma de envío:
El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc.
O .RTF y. Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o.TIFF.
DVDROM CDROM
Inmediata X Después de 1 año
Título del Proyecto de Titulación: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE REDES NEURONALES.
Tema del Proyecto de Titulación: Redes Neuronales, Visión Artificial, Procesamiento Digitales de Imágenes, Algoritmos.
xi
ÍNDICE GENERAL
CARTA DE APROBACIÓN DEL TUTOR .................................................... ii
DEDICATORIA .......................................................................................... iii
AGRADECIMIENTO .................................................................................. iv
TRIBUNAL PROYECTO DE TITULACIÓN .................................................v
CERTIFICADO DE ACEPTACIÓN DEL TUTOR ....................................... ix
ÍNDICE GENERAL ..................................................................................... xi
ÍNDICE DE TABLAS ................................................................................ xiii
ABREVIATURAS ..................................................................................... xvi
INTRODUCCIÓN ....................................................................................... 1
CAPÍTULO I EL PROBLEMA.................................................................... 3
PLANTEAMIENTO DEL PROBLEMA ........................................................ 4
UBICACIÓN DEL PROBLEMA EN UN CONTEXTO ................................. 4
SITUACIÓN CONFLICTO NUDOS CRÍTICOS .......................................... 6
CAUSAS Y CONSECUENCIAS DEL PROBLEMA .................................... 6
OBJETIVOS ............................................................................................... 9
OBJETIVO GENERAL ............................................................................... 9
OBJETIVOS ESPECÍFICOS .................................................................... 10
ALCANCES DEL PROBLEMA ................................................................. 10
JUSTIFICACIÓN E IMPORTANCIA ......................................................... 11
METODOLOGÍA DEL PROYECTO ......................................................... 12
CAPÍTULO II MARCO TEÓRICO ............................................................ 16
ANTECEDENTES DEL ESTUDIO ........................................................... 16
FUNDAMENTACIÓN TEÓRICA .............................................................. 18
FUNDAMENTACIÓN LEGAL ................................................................... 51
HIPÓTESIS O PREGUNTA CIENTÍFICA A CONTESTARSE ................. 56
VARIABLES DE LA INVESTIGACIÓN ..................................................... 57
DEFINICIONES CONCEPTUALES ......................................................... 57
CAPÍTULO III PROPUESTA TECNOLÓGICA ........................................ 60
ANÁLISIS DE FACTIBILIDAD .................................................................. 65
xii
FACTIBILIDAD OPERACIONAL .............................................................. 65
FACTIBILIDAD TÉCNICA ........................................................................ 66
FACTIBILIDAD ECONÓMICA.................................................................. 67
FACTIBILIDAD LEGAL ............................................................................ 68
ETAPAS DE METODOLOGIA DEL PROYECTO .................................... 68
ENTREGABLES DEL PROYECTO ......................................................... 77
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA .............................. 77
CAPÍTULO IV CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O SERVICIO ................................................................................................ 92
CONCLUSIONES .................................................................................... 93
RECOMENDACIONES ............................................................................ 94
BIBLIOGRAFÍA ........................................................................................ 95
ANEXOS .................................................................................................. 97
ANEXO I: FORMATO DE ENCUESTAS REALIZADAS .......................... 98
ANEXO II: MANUAL DE USUARIO ......................................................... 99
ANEXO III: MANUAL TÉCNICO ............................................................ 107
ANEXO IV: CODIGO MATLAB .............................................................. 136
ANEXO V: CARTA DE JUICIO DE EXPERTO ...................................... 139
xiii
ÍNDICE DE TABLAS Tabla No. 1 Causas y Consecuencias del Problema ........................................... 6
Table No. 2 Línea base del caracterizado del banano de exportación ............... 33
Tabla No. 3 Recursos Técnicos Informáticos .................................................... 66
Tabla No. 4 Costos del Proyecto ....................................................................... 67
Tabla No. 5 Presupuesto del Proyecto .............................................................. 67
Table No. 6 Cuadro de Actividades ................................................................... 71
Tabla No. 7 Pregunta 1 ..................................................................................... 80
Tabla No. 8 Pregunta 2 ..................................................................................... 81
Tabla No. 9 Pregunta 3 ..................................................................................... 82
Tabla No. 10 Pregunta 4 ................................................................................... 83
Tabla No. 11 Pregunta 5 ................................................................................... 84
Tabla No. 12 Pregunta 6 ................................................................................... 85
Tabla No. 13 Pregunta 7 ................................................................................... 86
Tabla No. 14 Pregunta 8 ................................................................................... 87
Tabla No. 15 Pregunta 9 ................................................................................... 88
Tabla No. 16 Pregunta 10 ................................................................................. 89
Tabla No. 17 Criterios de Aceptación del Producto o Servicio ........................... 92
xiv
ÍNDICE DE FIGURAS
Figure No. 1 Imagen en varias matrices de pixeles. .......................................... 21
Figure No. 2 Etapas del procesamiento de imágenes ....................................... 21
Figure No. 3 Operador de Sobel ....................................................................... 23
Figure No. 4 Operador de Robert ..................................................................... 24
Figure No. 5 FILTRO LAPLACIANO ................................................................. 25
Figure No. 6 En la parte superior de la figura se encuentra, resultados al
aplicarle operador de Canny. ............................................................................. 28
Figure No. 7 Imagen en escala de grises, el histograma y la umbralización ..... 29
Figure No. 8 Reglas de K vecinos más cercanos .............................................. 32
Figure No. 9 Toma de datos del muestro de la fruta para medir calibración, largo
de dedos y defectos de la fruta .......................................................................... 36
Figure No. 10 Calibración mínima (40) y máxima (48) de la fruta. .................... 36
Figure No. 11 Longitud no menor a 8 ................................................................ 37
Figure No. 12 Etapas de Maduración del Banano ............................................. 37
Figure No. 13 Banano Verde ............................................................................ 38
Figure No. 14 Banano Pintón ............................................................................ 38
Figure No. 15 Banano Maduro .......................................................................... 39
Figure No. 16 Exportación Mensual del Banano ............................................... 39
Figure No. 17 Reporte estadístico de exportación mensual del banano ............ 40
Figure No. 18 Compañías exportadoras de banano .......................................... 40
Figure No. 19 Comparativo de exportaciones por destino ................................. 41
Figure No. 20 Exportaciones del banano del año 2019 ..................................... 41
Figure No. 21 Precios del Banano .................................................................... 43
Figure No. 22 Redes Neuronales ...................................................................... 45
Figura No. 23 Módulos de OPENCV ................................................................. 49
Figura No. 24 Etapas de OPENCV ................................................................... 49
Figure No. 25 MATLAB ..................................................................................... 50
Figure No. 26 Espacio de colores RGB ............................................................ 58
Figure No. 27 Diagrama Topológico de la Aplicación Móvil Android ................. 62
Figure No. 28 Usabilidad de la APP Android ..................................................... 63
Figure No. 29 Sistema de Red Neuronal .......................................................... 64
Figure No. 30 Metodología de Proyectos de Cascada ...................................... 70
xv
Figure No. 31 Diagrama de Gantt ..................................................................... 71
Figure No. 32 Pantalla de la aplicación móvil Android ...................................... 72
Figure No. 33 Declaración de Variables ............................................................ 73
Figure No. 34 Asignación de Variables ............................................................. 73
Figure No. 35 Función tipo Void ........................................................................ 74
Figure No. 36 Función de características de la imagen..................................... 74
Figure No. 37 Función de Almacenamiento de imagen ..................................... 75
Figure No. 38 Función de Selección de Imagen ............................................... 75
Figure No. 39 Función de Formato de Imagen .................................................. 76
Figure No. 40 Almacenamiento de datos en la base de datos .......................... 76
Figure No. 41 Imágenes almacenadas en el servidor desde la APP Android .... 77
Figure No. 42 Porcentaje de Respuesta de la Pregunta 1 ................................ 80
Figure No. 43 Porcentaje de Respuesta de la Pregunta 2 ................................ 81
Figure No. 44 Porcentaje de Respuesta de la Pregunta 3 ................................ 82
Figure No. 45 Porcentaje de Respuesta de la Pregunta 4 ................................ 83
Figure No. 46 Porcentaje de Respuesta de la Pregunta 5 ................................ 84
Figure No. 47 Porcentaje de Respuesta de la Pregunta 6 ................................ 85
Figure No. 48 Porcentaje de Respuesta de la Pregunta 7 ................................ 86
Figure No. 49 Porcentaje de Respuesta de la Pregunta 8 ................................ 87
Figure No. 50 Porcentaje de Respuesta de la Pregunta 9 ................................ 88
Figure No. 51 Porcentaje de Respuesta de la Pregunta 10 .............................. 89
Figure No. 52 Procesamiento de Imágenes ...................................................... 90
Figure No. 53 Selección de la imagen original .................................................. 90
Figure No. 54 Recorte de la Imagen ................................................................. 91
Figure No. 55 Banano Aceptado ....................................................................... 91
xvi
ABREVIATURAS UG: Universidad de Guayaquil RN: Redes Neuronales BD: Base de Datos
IA: Inteligencia Artificial
PDI: Procesamiento Digital de Imágenes
TW: Transformada de Watershed
TTH: Transformada Top - Hat
TKM: Transformada de K-Means
TC: Transformada de Canny
TS: Transformada de Sobel
xvii
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN
VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO
PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE
IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE
REDES NEURONALES.
Autor: Freddy Alex Juanazo Paucar
Tutor: Ing. Irma Naranjo Peña
Resumen
El presente proyecto se enfoca en la simulación de un modelo computacional de medición del
tamaño y madurez del banano, que facilite optimizar el proceso de calibrado de la fruta que se lo
realiza manualmente disminuyendo por medio de este simulador los posibles errores presentes en
dicho calibrado. La finalidad de implementar el modelo computacional es proporcionar un medio
tecnológico a las bananeras con el objetivo de sistematizar los procesos, contribuyendo de esta
manera a que la persona encargada de medir el tamaño y madurez del banano pueda simplificar
enormemente la precisión al llevar a cabo esta medición de forma digital. Externamente en el
desarrollo se utilizó la herramienta de procesamiento de datos Matlab, siendo un software
matemático que proporciona un ambiente de desarrollo integrado, ayudando a que el proceso de
segmentación de imágenes digitales de banano este sometido a diversas técnicas de segmentación
de tal manera se mejora la calidad de la imagen, facilitando el reconocimiento de patrones que se
encuentren en las mismas, además se utilizó el software Android Studio para desarrollar un aplicativo
Android que adquiera muestras del banano eliminando herramientas que miden el tamaño de la fruta
manualmente. Finalmente, la propuesta tecnológica generó como resultado un modelo
computacional de calibración capaz de brindar ayuda en la toma de decisiones, de las personas
dedicadas a la producción de banano y cumpliendo con los controles de calidad de exportación.
Palabras Claves: Android, Matlab, Segmentación, Patrones, Imágenes Digitales y Procesamiento.
xviii
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DEVELOPMENT OF A COMPUTER TOOL BASED ON ARTIFICIAL
VISION FOR THE RECOGNITION OF THE BANANA FOR EXPORT BY APPLYING PROCESSING OF DIGITAL IMAGES AND ITS SIMULATION
IN MATLAB THROUGH NEURAL NETWORKS.
Autor: Freddy Alex Juanazo Paucar
Tutor: Ing. Irma Naranjo Peña
Abstract
This project focuses on the simulation of a computational model of measuring the size and
maturity of the banana, which facilitates optimizing the process of calibration of the fruit that
is done manually decreasing by means of this simulator possible errors present in that
calibration. The purpose of implementing the computational model is to provide a
technological medium to the banana companies with the objective of systematizing the
processes, contributing in this way to the person in charge of measuring the size and
maturity of the banana can simplify extremely accurate when performing this measurement
in digital form. Externally in the development was used the data processing tool Matlab,
being a mathematical software that provides an environment of integrated development,
helping the process of segmentation of digital images of bananas is subject to Various
techniques of segmentation in such a way improves the quality of the image, facilitating the
recognition of patterns that are in the same, also I used the software Android Studio to
develop an Android application that acquires samples of the Bananas by eliminating tools
that measure fruit size manually. Finally, the technological proposal generated as a result
a computational model of calibration capable of providing assistance in the decision
making, of the people dedicated to the production of bananas and complying with the
controls of quality of export.
Keywords: Android, Matlab, Segmentation, Patterns, Digital Images and Processing.
1
INTRODUCCIÓN
Actualmente las empresas agricultoras han empleado procesos de medición de
frutas de forma manual pero esto ha ido provocando rechazos en las frutas por no
aprobar los controles de calidad. Pero algunas de estas compañías han optado
por implementar sistemas de redes neuronales con el objetivo de mejorar y
mantener en un alto estándar la calidad de dicha fruta.
Las redes neuronales son de vital importancia ya que contribuyen en mejorar
procesos que se los realiza en forma manual digitalizándolo con el objetivo de
optimizar tiempo y recursos. Estas redes con el transcurso del tiempo pueden
aprender más funciones de las que procesan con el fin de que se siga mejorando
entornos y disminuyendo los márgenes de errores como en la medición del tamaño
de un objeto, o determinar los niveles de madurez de una fruta que se pueden dar
en ciertos procedimientos.
Para mejorar el proceso de calibrado de una fruta se empleará un aplicativo móvil
para dispositivos Android, en el cual este va a adquirir muestras de la fruta para
después procesarlas en un calibrador que se lo desarrollará en el software Matlab
donde este seleccionará una muestra y a su vez la analizará para identificar si la
fruta es exportable.
A continuación, se presentará lo que se desarrollará en cada capítulo del proyecto
de titulación.
Capítulo I: En este capítulo se describe el planteamiento del problema actual que
presentan las bananeras, objetivos y alcances del proyecto y justificación e
importancia.
Capítulo II: En este capítulo de detallan conceptos de algoritmos de redes
neuronales, procesamiento de imágenes digitales, base de datos y aplicativos,
culminando con la fundamentación legal, hipótesis o pregunta científica a
contestarse y definiciones conceptuales.
2
Capítulo III: En este capítulo se describe la factibilidad operacional, técnica,
económica y legal culminando con las etapas de metodología del proyecto,
entregables, juicio de experto y procesamiento y análisis.
Capítulo IV: En este último capítulo se elabora una matriz de aceptación del
producto con sus respectivas conclusiones y recomendaciones.
3
CAPÍTULO I
EL PROBLEMA
La exportación de frutas como el banano a otros países se ha convertido en una
fuente de ingresos económicos no petroleros de vital importancia para el país de
Ecuador, por ende, la calidad de los productos deben estar acorde con las
exigencias y estándares que son requeridos por las naciones de Europa, América,
Asia u Oceanía, principales continentes con un alto nivel financiero, con el objetivo
de que empresas fabricantes de bebidas del extranjero se sientan a gusto de
adquirir las frutas ecuatorianas y los productores sigan empleando los controles
basados en normas ISO 9001 para obtener una excelente calidad en dichas frutas.
En este caso la exportación del banano está regida por distintos estándares de
calidad como la Organización de Estándares Internacionales ISO, este régimen
se da dependiendo del país que implemente la norma para medir la calidad de los
productos y determina si la fruta en mención esta óptima o acta, para ser
exportada.
Los productores de banano en el Ecuador, deben aplicar los siguientes
procedimientos como son los siguientes:
• Proceso de producción de la fruta mínimo 13 semanas.
• control de plagas y peso de la fruta.
• Ancho de la fruta óptimo.
• Longitud del dedo aproximadamente no menor a 8 pulgadas.
• Proceso de corte del banano una vez culminada con su producción.
Una culminado con el proceso de producción se ejecuta la siguiente inspección
de calidad donde se describe lo siguiente: al tomar las medidas del calibre, la fruta
debe estar entre 40 y 48 mm de ancho aproximadamente y no menor a 8 pulgadas
de largo de cada dedo, luego de esta inspección, se procede a separarlos,
identificando todos aquellos que no cumplan con estos requisitos para la
exportación.
4
Siendo el calibrado un detalle muy importante, por lo que el tamaño de la fruta
determina el tipo de marcado donde va ser destinado, y mediante esta
característica se planteara un clasificador para la fruta, mediante el uso de
imágenes con formato JPG las cuales serán analizadas a través de procesos
digitales computarizados y programados para ejecutar la función de clasificación,
calificación y análisis del banano.
PLANTEAMIENTO DEL PROBLEMA
UBICACIÓN DEL PROBLEMA EN UN CONTEXTO
El banano ecuatoriano es una fruta mundialmente reconocida, puesto que la fruta
abastece un 30% de la oferta mundial, por lo que el mejoramiento de buenas
prácticas, y procesos a lo largo de la cadena de producción, es fundamental, y
dotarlo de herramientas tecnológicas, mejorarían estos procesos con el objetivo
de reducir el menor tiempo posible y la ocupación de recursos.
El tamaño de la fruta es una de las características más importante para la
exportación, por lo que esta, no solamente determina si la fruta esta apta, sino
que, también valida o establece los ingresos o pérdidas que va a dar ese periodo
de cosecha.
La operatividad del proceso de evaluación de la fruta para determinar si el
producto es exportable o no, se convierte en una tarea sobrecargada y proclive a
errores en márgenes elevados, sino se llevan los respectivos controles que son
proporcionados por estándares o normas de calidad exigidas por organizaciones
que permiten la exportación de la fruta.
La primera fase antes de la cosecha, consiste en el pre-seleccionado de las
matas, marcando las plantas de edad barrida (13 semanas máximo), que van a
ser cortados, y si estas no cumplen con este tiempo, o los productores por error
prolongan dicho tiempo establecido, terminarían en pérdidas, porque al momento
de realizar el muestreo de control de la calidad, estas no estarán aptas para la
5
exportación debido a la falta de procedimientos de producción de frutas.
El proceso de la cosecha se la realiza un día antes del embarque, es la pauta para
el corte de la racima, y se inicia haciendo el pre-calibrado de la fruta (40mm de
calibración de la primera mano o 45mm de calibración de la segunda mano), esto
se lo realiza de manera visual, quedando a criterio y experiencia del jornalero la
evaluación, por lo que el riesgo a cometer errores es muy elevado.
Por eso en esta fase el pre-calibrado es fundamental implementar un sistema
computacional que analice el proceso de producción del banano disminuyendo los
márgenes de error provocados por los hacendados u obreros que trabajan en el
corte de la fruta.
Si el dedo mide menos de las medidas establecidas (40mm de calibración de la
primera mano o 45mm de calibración de la segunda mano), o que el corte de la
racima se ha pasado de fecha, la cual está estipulada en el documento de
candelarizado al momento de la siembra, podrían existir un alto riesgo a errores
humanos porque también es un proceso manual, además de los considerables
costos por pagos a jornaleros que se encargan de controlar este proceso.
El calibrado de los dedos es muy importante por lo que cada caja de exportación
está en promedio de $5.50 aproximadamente, aunque vale recalcar que para los
supermercados importantes del Ecuador se distribuye la fruta como tipo de
exportación. Pero si los dedos son de menor calibre pasan a mercados como
Chile, Colombia o Argentina pero con un precio de $2,00 aproximadamente,
dependiendo del cupo que haya para el embarque.
El restante que tiene aún un menor calibre, se seleccionan los mejores para la
venta de mercados a un costo de $1.00 y lo que se convierte en desecho pasa
para el alimento del ganado de las propias haciendas. Considerando que esto
muchas veces se vende a un precio que no cubre los costos de producción del
producto, generando pérdidas en el agricultor.
6
SITUACIÓN CONFLICTO NUDOS CRÍTICOS
Debido a los errores de los agricultores de banano como la calibración de la fruta
y estado de la misma, en la mayoría de los casos la fruta no llega a cumplir con
los estándares de calidad produciendo que esta sea rechazada o quede como
merma, es decir que la misma solamente sea utilizada para el consumo interno,
alimentos para animales y procesos industriales provocando de esta manera
pérdidas económicas en los hacendados bananeros ya que la fruta merma se la
vende a un costo demasiado bajo, donde tiendas y mercados la adquieren por su
precio aceptable en personas que obtienen este tipo de negocio.
Además, el problema presente sobre la producción de banano surge por lo cual
los agricultores cosechan antes y después de tiempo logrando truncar el
crecimiento de la fruta llegando a un tamaño no óptimo de comercialización,
también se produce que esta madure rápidamente generando que los
consumidores no puedan utilizarla como alimento, de esta manera provocan que
no sea exportada como es debido, alcanzando un alto porcentaje de merma donde
solamente los ganados puedan consumirla generando una mayor pérdida
económica. En algunos casos si la fruta posee un tamaño más allá de lo permitido
es considerada merma o rechazo.
La pronta maduración del banano sería una grave consecuencia para la
producción, puesto que, se entra en una desprogramación del tiempo estimado en
las cámaras frigoríficas, y si entra la banana con alto grado de madurez, esto
podría dificultar la comercialización.
CAUSAS Y CONSECUENCIAS DEL PROBLEMA
Tabla No. 1 Causas y Consecuencias del Problema CAUSAS CONSECUENCIAS
Recolección tardía de la fruta.
Pérdida del producto para
exportación o venta de consumo
interno.
Recolección anticipada de la fruta. Interrupción en la etapa de
7
crecimiento y maduración del
producto.
Cosecha de producto sin tamaño
exportable.
Se convierte en rechazo y entra a
una nueva clasificación.
Posibles errores humanos en el
proceso de calibración del banano.
Provoca que la fruta sea vendida en
un bajo costo generando poca
ganancia en los agricultores.
Fuente: Fuente de Investigación Autor: Freddy Juanazo
DELIMITACIÓN DEL PROBLEMA
• Campo: Tecnología de Software.
• Área: Procesamiento Digital de imágenes.
• Aspecto: Análisis de Imagen Digitales a través de redes neuronales.
• Tema: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA
BASADA EN VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL
BANANO PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO
DE IMÁGENES DIGITALES Y SU SIMULACIÓN EN MATLAB MEDIANTE
REDES NEURONALES.
FORMULACIÓN DEL PROBLEMA
¿Cree usted que con la creación de una plataforma informática que utiliza como
base visión artificial para el procesamiento de imágenes digitales a través de una
red neuronal mejora el proceso de medición del banano para la exportación?
8
EVALUACIÓN DEL PROBLEMA
Delimitado:
El análisis y diseño de una plataforma virtual de procesamiento de imágenes
digitales es de vital importancia para obtener el tamaño óptimo de la banana para
la exportación de la misma en mercados internacionales, donde los jornaleros
podrán realizar este tipo de proceso de calibración en un menor tiempo. Este tipo
de análisis se lo realizar en un periodo de 3 meses y solo se encargara de la
selección y clasificación de banano.
Claro:
Se realiza el análisis de la imagen en formato digital donde dicho análisis
determinará si la banana esta apta o no para la exportación.
Evidente:
La no implementación de sistemas computarizados en haciendas bananeras ha
ocasionado que los jornaleros por error en algunos casos no realicen el proceso
de calibración de la banana de una forma correcta determinando un tamaño no
óptimo de la fruta provocando de esta manera que no sea comercializada
internacionalmente y sea vendida a un precio bajo a tiendas y mercados debido a
que no cumplen con los estándares del mercado
Concreto:
Este estudio se basa en la aplicabilidad de herramientas de software sobre un
producto específico, sobre una característica definida la cual es el tamaño o
calibre, y además con una finalidad clara se describe si una fruta esta apta para
la exportación o venta local.
9
Relevante:
Es un estudio el cual permitirá el inicio de nuevas tecnologías y prácticas
evolutivas para el campo de la agricultura, además es un preámbulo para que en
el Ecuador se fortalezca estudios y desarrollo tecnológico de herramientas
automatizadas que tengan el afán de mejorar y contribuir al desarrollo del país en
su conjunto y que todos los procesos agronómicos sean digitalizados.
Contextual:
La investigación de campo aplicada multidisciplinariamente donde se junta la
agronomía con la tecnología permite la contextualización del proyecto de titulación
a desarrollar.
Identifica los productos esperados:
El desarrollo de un sistema computacional de visión artificial cumple con
alternativas de solución para disminuir la aplicación de procesos manuales y evitar
errores involuntarios que provocan pérdidas económicas a través del
procesamiento de imágenes digitales mediante redes neuronales con el objetivo
de que los jornaleros trabajen con tecnología informática para el aumento de la
producción de frutas de forma eficiente.
Variables:
Durante el transcurso del desarrollo del proyecto de titulación se detallaran
conceptos de algoritmos de visión artificial, redes neuronales y sus tipos,
procesamiento de imágenes digitales, bases de datos y demás.
OBJETIVOS
OBJETIVO GENERAL
Desarrollar una herramienta informática que aplicando procesamiento digital de
10
imágenes pueda reconocer el banano de exportación.
OBJETIVOS ESPECÍFICOS
• Construir la línea base del caracterizado del banano de exportación para
garantizar la calidad del producto.
• Determinar el nivel de madurez del banano de exportación para proceder
con el embalado del producto.
• Desarrollar un aplicativo móvil para optimizar el proceso de clasificar el
banano apto para la exportación
ALCANCES DEL PROBLEMA
Los alcances del proyecto de titulación a desarrollar son los siguientes:
• Construir la línea base de la caracterización del banano se realiza un
levantamiento de información mediante investigaciones bibliográficas
donde se recopilan datos sobre los controles de calidad de la fruta,
consultando fuentes principales como AGROCALIDAD, DATACOMEX
S.A., AEBE y Conferencia de las naciones unidas sobre comercio y
desarrollo extrayendo información de suma importancia referente al tema
de exportación del banano.
• Determinar el nivel de madurez del banano se realiza una investigación
bibliográfica donde a través de un escrito realizado por el autor Mackenzie
Wright el indica cuales son las etapas de maduración de la fruta para el
consumo, además se visita otra fuente donde se puede encontrar datos
como: El tipo de temperatura necesaria que debe estar establecida en las
cámaras de maduración.
11
• Realizar un aplicativo móvil en Android Studio para la adquisición de las
imágenes tomadas desde un teléfono inteligente para después aplicar una
simulación del procesamiento digital de imágenes desde el software
MATLAB para la clasificación.
JUSTIFICACIÓN E IMPORTANCIA
La actual propuesta de proyecto contribuye a enfatizar el desarrollo de
herramientas tecnológicas e investigaciones para la agronomía, en busca de
optimizar y mejorar las practicas, los procesos, acelerando tiempos de respuesta
y obtener mejores datos más precisos, los cuales ayuden a la toma de decisiones.
Actualmente el Ecuador cuenta con una gran riqueza agrícola, con áreas extensas
de diferentes cultivos los cuales, como en el caso del banano, representan un
ingreso muy importante no petrolero para el país, generando empleo, desarrollo
comunitario y progreso en la producción de frutas de forma eficiente.
El clasificador se convertiría en una herramienta que complementará y disminuirá
la aplicación de los procesos manuales aumentando el rendimiento de la
producción en los jornaleros, una identificación más precisa del calibrado de la
banana es la implementación de algoritmos de visión artificial cumplen con la
función de detectar y validar el estado de la fruta, además el tamaño de la banana
es una de las características de vital importancia, puesto que esta determinará el
tipo de mercado al cual iría la fruta y la generación de ingresos económicos por
medio de las ventas locales y extranjeras.
El estudio del PDI (PROCESAMIENTO DIGITAL DE IMÁGENES) es una ayuda
para buscar información o datos a través de las imágenes, mediantes técnicas de
pre-procesado, segmentación, y luego extrayendo características que puedan
convertirse en datos relevantes para la investigación y proceso que se le quiera
aplicar a la imagen seleccionada.
Esta es una pauta, para el inicio del desarrollo de plataformas o herramientas
12
tecnológicas, que usen como un dato principal las imágenes, y por medio del
análisis y procesamiento de las mismas, se obtengan como resultado una
extracción de información que sirva para optimizar procesos, proporcionar
soluciones o sirva como dato para investigaciones de carácter científico.
METODOLOGÍA DEL PROYECTO
METODOLOGÍA PROCESAMIENTO DIGITAL DE IMÁGENES
El estudio del PDI (PROCESAMIENTO DIGITAL DE IMÁGENES) es una ayuda
para buscar información o datos a través de las imágenes, mediantes técnicas de
pre-procesado, segmentación, y luego extrayendo características que puedan
convertirse en datos relevantes para la investigación y proceso que se le quiera
aplicar a la imagen seleccionada.
El procesamiento digital de imágenes nace cuando se usa de recursos
tecnológicos para manipular y captar grandes cantidades de información espacial
en matrices de valores.
Históricamente, la primera vez que se usaron las técnicas de procesamiento de
imágenes fue en el año de 1920, con la transmisión de imágenes de fotografías
periodísticas, a través del cable subterráneo entre New York y Londres, esto
permitió reducir el tiempo emisión-recepción lo que tomaba 1 semana (por barco)
se lo hizo en 3 horas (por cable).
Y a partir de esto se ha logrado desarrollar técnicas de codificación y reproducción
de imágenes logrando pasar la representación de las imágenes de 5 a 15 tonos
de grises.
En el caso de la captura de imágenes, existen dos causas por la cual haya pérdida
de información cuando se realiza este procedimiento: la naturaleza discreta de los
pixeles de la imagen y los rangos limitado de valores de intensidad de luminoso
que somos capaces de medir en cada pixel.
13
FASES DEL PDI
ADQUISICIÓN DE LA IMAGEN
La primera etapa es la adquisición, es la más importante dentro del procesamiento
de imágenes, puesto que se trata de conseguir que la imagen sea lo más
adecuada, para que se pueda seguir con las siguientes etapas. Para que la
adquisición de la imagen sea correcta debe estar acompañada de un buen sistema
de hardware (cámara, computadora, escenario, etc.) y que el software
seleccionado, el cual analiza la imagen, debe ajustarse según las necesidades,
brinde los datos o la información esperada.
PRE PROCESAMIENTO DE IMÁGENES
Los principales objetivos de pre procesamiento de imágenes son: la mejora de
imágenes degradadas y la obtención de un realce de la característica
seleccionada.
Típicamente, una imagen tiene la propiedad de que un pixel tiene un valor cercano
al de sus vecinos. Toda imagen se ve inmersa en un ruido que se puede
caracterizar como aditivo blanco gaussiano (AWGN) que puede afectar a los
pixeles de manera que la propiedad anteriormente mencionada no se cumpla.
Para limitar el efecto del ruido se puede realizar un proceso de suavizado o realce
de la imagen.
Y como este, se pueden aplicar muchos otros filtros según las aplicaciones, para
limitar el efecto del ruido. Por lo tanto el objetivo del pre procesamiento es una
mejora de los datos de la imagen que suprima las distorsiones indeseadas o
incremente
SEGMENTACIÓN DE IMÁGENES
La segmentación de las imágenes consiste en, dividir o descomponer la imagen
14
en partes constituyentes, es decir subdividirla, separar el objeto de interés y el
fondo, basándonos en características las cuales nos permitan distinguir el objeto
del fondo y los objetos entre sí, que haya en una imagen.
La segmentación trata de dividir la imagen en partes o zonas homogéneas y
disjuntas a partir de su contorno, su conectividad, o en términos de conjuntos de
características de pixeles de la imagen que permitan distinguir una región de otra.
EXTRACCIÓN DE CARACTERÍSTICAS.
En el esquema propuesto de texturas orientadas primero se estandariza la
imagen a una resolución de 3000 x 2000 para que las diferentes mediciones y
cálculos a realizar sean lo más fiable posible en el momento de la comparación.
Una vez estandarizada la imagen RGB, se realiza una división de canales en tres
imágenes de escala de grises de 8 bits que contienen los componentes rojo, verde
y azul de la original, entre las cuales de manera experimental por ser la que mejor
calidad y definición muestra se escoge la verde (Green) para su procesamiento.
Luego, de manera automática se colocan valores de límites superior e inferior
(para segmentar la imagen en escala de grises dentro de las características de
mayor interés y de fondo). Seguidamente se convierte la imagen a blanco y negro
y se rellenan los huecos que en ella queden para darle uniformidad a la textura y
poder aplicarle una segmentación especial (Watershed) que separa
automáticamente las partículas que se tocan, dando la forma final a la imagen que
se busca.
CLASIFICADORES
Los clasificadores son algoritmos, en donde se ingresa un elemento no identificado
a una categoría concreta conocida, los ordena, selecciona un conjunto de
ejemplos etiquetados y trata de definir una regla que permita asignar una etiqueta
a cualquier objeto de entrada.
Los clasificadores tienen varios tipo de aprendizaje, estos son: los supervisados,
15
semi-supervisado y los de aprendizaje por refuerzo.
Los clasificadores supervisados son los que parten de una función matemática,
mediante un conjunto de objetos ya clasificados y esto a su vez, asignan una
etiqueta a otro objeto ingresado.
METODOLOGÍA DE DESARROLLO EN CASCADA
Para este proyecto de titulación se utilizará la metodología de desarrollo en
cascada o ciclo de vida, ya que esta permite separar el proyecto en fases
previamente planificadas. En la fase inicial se realizará un levantamiento de
información sobre la producción y calibración de la banana con el objetivo de
programar el clasificador, según las necesidades que se pueden encontrar en ese
momento y los resultados que se obtendrán mediante técnicas de recopilación de
datos, se podrá diseñar el sistema computacional clasificador y adaptarlo a las
necesidades de los hacendados bananeros.
Una vez culminado los diseños se da inicio con la implementación y pruebas de la
herramienta, en las cuales se va a corregir, modificar o mejorar el proceso de
calibración de la banana digitalizando dicho proceso completamente.
Las fases los procesos que se realizaran dentro del proyecto de titulación a
desarrollar:
Fase I: Análisis y requerimientos de la producción de la banana.
Fase II: Diseño de la plataforma de visión artificial para el procesamiento de
imágenes digitales a través de una red neuronal.
Fase III: Implementación del prototipo de sistema de visión artificial.
Fase IV: Verificación y pruebas del sistema de visión artificial.
Fase V: Mantenimiento del sistema de visión artificial.
16
CAPÍTULO II
MARCO TEÓRICO
ANTECEDENTES DEL ESTUDIO
En el ámbito del agro, a nivel regional se han realizado investigaciones de gran
aporte en relación con la línea de visión por computadora, estos estudios han
permitido plantear el desarrollo de este proyecto de titulación desde una
perspectiva mucho más posible, encaminando los procedimientos y técnicas a
estudiar para la obtención de mejores resultados respecto a la clasificación de
acuerdo al tamaño de la banana cavendish. De esto tenemos los siguientes
estudios.
En la Universidad Autónoma del Caribe de Colombia, en el año 2009 se realizó un
sistema que utiliza técnicas de visión artificial para la ayuda en la clasificación de
café cereza, además de determinar el estado de maduración, desde sus etapas
iníciales, a partir de 9 características, que incluían medias de color, textura y el
tamaño y forma del café. (Sandoval Z. &., 2009)
El tamaño y forma generalmente es elipsodial-esferica, independiente de su
estado de madures y la forma elipsoidal se define con un centro y tres ejes de
simetría, esta forma va variando en cuanto va creciendo, pero cuando está en el
punto óptimo del proceso de maduración, debería tener la forma esférica, es decir
los ejes de simetría son iguales, y si se sobrepasa de maduración, su estado físico
regresa a un forma elipsoidal alargada.
De las 9 características de la clasificación 2 eran de forma en las cuales se
aplicaron el tratamiento de la imagen y el filtro de Sobel.
En este estudio se implementó, mediante el uso de imágenes un clasificador
Bayesiano cuyo desempeño, fue del 98%, pero también se recomienda
profundizar en algoritmos de extracción de características y por ende mejorar el
17
algoritmo de clasificación (Sandoval & Prieto, 2009).
También en la Universidad Central de Santander (Colombia), se realizó un
Sistema de Clasificación de mangos Tommy, en el año 2015, usando la
herramienta toolbox de procesamiento de imágenes de Matlab, cuyo propósito es
clasificar el mango Tommy de acuerdo al color y el tamaño, por medio del PDI
(Procesamiento de Imágenes) se realizó, paso a paso el proceso de extracción de
imágenes, la segmentación, y la obtención de información.
La parte más importante fue la adquisición de las imágenes, porque con ellas inicia
el PDI, la iluminación, al cámara web el área a capturar la imagen deben está en
óptimas condiciones. (González, Woods, 1994).
Se usó la herramienta Matlab para el procesamiento de la imagen, la adquisición
de las variables, y la clasificación del color y el tamaño, para el tamaño,
previamente estableciendo el área de mango Tommy en tamaño óptimo, esto
datos fueron ingresados a una red de decisiones.
Tomado en cuenta que lo más importante era el color, hubo mangos de tamaño
óptimo, pero que eran rechazados por estar con predominación de color verde.
Así mismo hubo mangos de color amarillo predomínate, pero de tamaño pequeño,
la herramienta tecnológica se plantea como solución en el agro, puesto que
conlleva procesos manuales con alto grado de errores y susceptibilidad en el
proceso de clasificación por parte del trabajador (Romero, Marin, & Jimenez,
2015).
Otro estudio realizado también en Colombia, por el Instituto Tecnológico
Metropolitano, Facultad de Ingeniería, hizo una metodología para determinar las
características de color, tamaño y formas para el proceso de selección de fresas
de exportación.
Después de realizar el PDI, se extrajeron datos para el cálculo del tamaño, se
18
determina por el máximo diámetro horizontal del cuerpo de la fresa, tomando los
pixeles del diámetro horizontal(𝐷𝑝) con una imagen de un cuadro negro con
dimensiones en mm conocidas, luego se obtiene una constante llamada x que
relaciona a pixeles/mm. Y el tamaño máximo horizontal de la fresa es obtenida por
la ecuación final:
𝐷 =𝐷𝑝
𝑋
En la prueba del tamaño se obtuvo un error de menos del 6.5%, se usaron los
clasificadores KNN, Perceptrón Simple, Mínimos Cuadros y un SVM lineal, dando
un 100% la clasificación exitosa al usar SVM lineal.(Nilsen & Madrigal, 2016).
FUNDAMENTACIÓN TEÓRICA
VISIÓN COMPUTACIONAL
La visión artificial o también llamada visión por computadora o interpretación de
imágenes, es un área de la inteligencia artificial, mediante el uso de técnicas de
procesamiento de imágenes, aunque también se podría definir como,” la ciencia
que estudia las imágenes mediante computadores digitales”.
Cabe recalcar que históricamente la visión por computador aparece relacionada
con el procesamiento digital de imágenes, puesto que emplea técnicas para llegar
a los fines que se espera de la imagen seleccionada, el sistema de visión por
computadoras consta por así decirlo de dos partes, el sistema de adquisición de
imágenes (hardware) y el sistema de tratamiento de las imágenes (software).
Dentro de la primera parte se contempla todo lo que tiene que ver con la
iluminación, sensores, tarjetas digitalizadoras, cámaras, y en la segunda parte
están las tres etapas básicas de tratamiento de imágenes de la visión por
computador: procesamiento, segmentación y reconocimiento de la imagen.
Aunque se podría decir que la visión por computadora es en muchos casos muy
19
precisa y el tratamiento que se le da a la imagen podrá dar datos relevantes, aun
así no es capaz de emular la visión humana, por un lado se podría decir que está
muy lejos de alcanzar la capacidad de reconocimiento de formas complejas, que
posee el ser humano.
Los tiempos de procesamiento y análisis de una imagen digital, están en
desventajas con la del ser humano, pero por otro la visión por computadora es
mucho más precisa: longitudes, áreas o en tareas rutinarias como procesos de
control de calidad. Por ello se podría decir que la visión de computador ayuda a
complementar las capacidades visuales del hombre.
Las áreas de aplicación de la visión por computadoras son los procesos
industriales (control de calidad, control de procesos de fabricación de productos)
percepción remota, robótica y apoyo a diagnósticos médicos entre otras (Cerrada,
2002).
O como una síntesis podríamos decir, que el PDI, es el conjunto de técnicas, que
se aplican a las imágenes con el objetivo de mejorar la calidad o facilitar la busque
da información de una imagen determinada
SISTEMAS DE VISIÓN POR COMPUTADORAS
Un sistema de visión por computadoras está compuesto por dos partes, la primera
que es la que configura su estructura básica desde el punto de vista el hardware,
es decir el sistema de adquisición, captación y formación de imágenes, es
mediante el cual se transmite la información del mundo físico y la lleva a la
memoria del computador.
Los principales elementos que intervienen en la formación y captación de
imágenes son los siguientes el propio objeto de la escena, la cámara que se vaya
a usar, el sistema de iluminación y la computadora. La imagen que se obtenga
será el resultado de la forma, textura color, brillo, etc. del objeto que este en la
escena. (Cerrada, 2002)
La segunda parte es el sistema de tratamiento de imágenes, este es
definitivamente el software del sistema que se ejecuta sobre el hardware ya
20
descrito para cumplir la última misión de la visión por computador, es decir, la
interpretación automática de una escena tridimensional a partir de las imágenes
tomada de la misma.
El tratamiento de las imágenes se lo puede clasificar en tres categorías:
procesamiento, segmentación y reconocimiento, cada una contiene un conjunto
de técnicas para el tratamiento de la imagen. (Cerrada, 2002)
PROCESAMIENTO DIGITAL DE IMÁGENES
El procesamiento digital de imágenes nace cuando se usa de recursos
tecnológicos para manipular y captar grandes cantidades de información espacial
en matrices de valores.
Históricamente, la primera vez que se usaron las técnicas de procesamiento de
imágenes fue en el año 1920, con la transmisión de imágenes de fotografías
periodísticas, a través del cable subterráneo entre New York y Londres, esto
permitió reducir el tiempo emisión-recepción lo que tomaba 1 semana (por barco)
se lo hizo en 3 horas (por cable).
Y a partir de esto se ha logrado desarrollar técnicas de codificación y reproducción
de imágenes logrando pasar la representación de las imágenes de 5 a 15 tonos
de grises.
En el caso de la captura de imágenes, existen dos causas por la cual haya pérdida
de información cuando se realiza este procedimiento: la naturaleza discreta de los
pixeles de la imagen y los rangos limitado de valores de intensidad de luminoso
que somos capaces de medir en cada pixel. (Esqueda & Palafox, 2004-2005)
21
Figure No. 1 Imagen en varias matrices de pixeles.
De izquierda a derecha y de arriba abajo 256x256, 128x128, 64x64 y 32x32
Fuente: Universidad de la Rioja
ETAPAS DEL PROCESO DIGITAL DE IMÁGENES
Figure No. 2 Etapas del procesamiento de imágenes
Fuente: UNMSM (Universidad Nacional Mayor de San Marcos-Perú)
ADQUISICIÓN DE LA IMAGEN
La primera etapa es la adquisición, es la más importante dentro del procesamiento
de imágenes, puesto que se trata de conseguir que la imagen sea lo más
adecuada, para que se pueda seguir con las siguientes etapas.
Para que la adquisición de la imagen sea correcta debe estar acompañada de un
buen sistema de hardware (cámara, computadora, escenario, etc.) y que el
software seleccionado, el cual analiza la imagen, debe ajustarse según las
necesidades, brinde los datos o la información esperada.
El entorno y posicionamiento de cada elemento es muy importante al momento de
obtener la imagen, es decir, que el objeto a analizar y la cámara este bien
posicionados, la iluminación sea la correcta. (González, y otros, 2006).
22
PRE PROCESAMIENTO DE IMÁGENES
Los principales objetivos de pre procesamiento de imágenes son: la mejora de
imágenes degradadas y la obtención de un realce de la característica
seleccionada.
Típicamente, una imagen tiene la propiedad de que un pixel tiene un valor cercano
al de sus vecinos. Toda imagen se ve inmersa en un ruido que se puede
caracterizar como aditivo blanco gaussiano (AWGN) que puede afectar a los
pixeles de manera que la propiedad anteriormente mencionada no se cumpla.
Para limitar el efecto del ruido se puede realizar un proceso de suavizado o realce
de la imagen.
Y como este, se pueden aplicar muchos otros filtros según las aplicaciones, para
limitar el efecto del ruido. Por lo tanto el objetivo del pre procesamiento es una
mejora de los datos de la imagen que suprima las distorsiones indeseadas o
incremente las características relevantes para su posterior procesamiento
(Balsero, Botero y Zuluaga, 2005).
FILTRO DE IMÁGENES
Los principales objetivos de los filtros de imágenes son:
El suavizado de la imagen: reducir la cantidad de variaciones de intensidad entre
pixeles vecinos.
Eliminar el ruido: eliminar todos aquellos pixeles que tengan un nivel de
intensidad diferente al de los vecinos.
Realzar y detectar bordes: destacar los bordes que se hay en una imagen y
detectar los pixeles donde se producen cambios bruscos de intensidad.
En el caso de los contornos, bordes los principales filtros son:
Operador Sobel
En este caso, se suelen usar dos máscaras para modelizar el gradiente que se
llaman operadores de Sobel:
Sx = [−1 0 1−2 0 2−1 0 1
] Sy=[−1 −2 −10 0 01 2 1
]
23
Observemos que en las máscaras de Sobel, tienen más peso los píxeles situados
en posición vertical y horizontal respecto el píxel estudiado que los situados en la
diagonal. Este operador es menos sensible al ruido.
Figure No. 3 Operador de Sobel
Fuente: UNMSM (Universidad Nacional Mayor de San Marcos-Perú)
Operador cruzado de Roberts En este caso, se suelen usar dos máscaras para
modelizar el gradiente:
Fx=[−1 00 1
] Fy=[0 −11 0
]
La ventaja de este operador es que es fácil y rápido de computar. Sólo está
implicado un entorno de vecindad de 4 píxeles y sólo se usan sumas y restas en
los cálculos. La principal desventaja es que, si lo que se quiere es determinar
bordes, es muy sensible al ruido y tiene una respuesta débil a los verdaderos
bordes, a menos que sean muy pronunciados. Para este propósito funciona mejor
el operador de Sobel.
24
Figure No. 4 Operador de Robert
Fuente: UNMSM (Universidad Nacional Mayor de San Marcos-Perú)
Operador Laplaciano
El laplaciano de una función bidimensional f es un operador de derivación
isotrópico (independiente de la dirección de la discontinuidad en la imagen)
definido por:
∇2𝑓 =𝑑2𝑓
𝑑𝑥2+
𝑑2𝑓
𝑑𝑦2
Como en el caso del gradiente, la formulación del laplaciano puede implementarse
en forma digital de varias maneras. La más frecuente en la práctica es aplicar la
siguiente máscara:
0 1 0
1 -4 1
0 1 0
Es decir:
∇2𝑓(𝑥 + 𝑦) = [𝑓(𝑥 + 1, 𝑦) + 𝑓(𝑥 − 1, 𝑦) + 𝑓(𝑥, 𝑦 + 1) + 𝑓(𝑥, 𝑦 − 1)] − 4𝑓(𝑥, 𝑦) Nótese que la suma de los coeficientes de la máscara debe ser cero, lo que es
coherente en el caso de que el punto en cuestión y sus vecinos tengan el mismo
valor. Los píxeles del borde darán como respuesta un número negativo (o positivo)
“grande”.
El Laplaciano no se suele usar directamente en la práctica por ser muy sensible al
25
ruido, por lo que se suele usar sumado o restado (según la máscara usada) con
la imagen original para realzar los contornos, como en el ejemplo siguiente. Por la
misma razón, también a veces se usa primero un filtro gaussiano para eliminar
ruido, lo que da lugar al filtro llamado Laplaciano del Gaussiano (LoG), cuyo núcleo
puede calcularse componiendo ambos:
𝐿𝑜𝐺(𝑥, 𝑦) = −1
𝜋𝜎4[1 −
𝑥2 + 𝑦2
2𝜎2] 𝑒
−𝑥2+𝑦2
2𝜎2
Figure No. 5 FILTRO LAPLACIANO
Fuente: UNMSM (Universidad Nacional Mayor de San Marcos-Perú)
Son algunos de los filtros que trabajan en el domino del espacio, que se usan para
resaltar características, en este caso los bordes.
SEGMENTACION DE IMÁGENES
La segmentación de las imágenes consiste en, dividir o descomponer la imagen
en partes constituyentes, es decir subdividirla, separar el objeto de interés y el
fondo, basándonos en características las cuales nos permitan distinguir el objeto
del fondo y los objetos entre sí, que haya en una imagen.
La segmentación trata de dividir la imagen en partes o zonas homogéneas y
disjuntas a partir de su contorno, su conectividad, o en términos de conjuntos de
características de pixeles de la imagen que permitan distinguir una región de otra.
Los algoritmos de segmentación de imágenes monocromáticas generalmente se
26
basan en una de las dos propiedades básicas de los valores del nivel de gris:
discontinuidad y similaridad. En la discontinuidad el método consiste en dividir una
imagen basándose en los cambios bruscos del nivel de gris.
Los temas más importantes en la discontinuidad son: a) detección de puntos
aislados, y b) detección de líneas y c) detección de bordes de una imagen. En la
similaridad, se presenta la regularidad en los valores del nivel de gris, los
principales métodos están basados en a) umbralización, b) crecimiento de región,
y c) división y fusión de regiones. (Serna & Roman, 2009).
El objetivo principal es resaltar específicamente los bordes, darle tratamiento
especial, para poder detectar características y distinguir un objeto de otro.
Una definición de los bordes o contornos de una imagen, se podría decir que son
transición entre regiones de niveles de gris distintos, contiene valores relevantes
sobre las fronteras entre los objetos y estos pueden ser utilizados para segmentar
la imagen o reconocer lo objetos.
ALGORITMO DE SOBEL
El filtro de Sobel es usado para detectar los bordes horizontales y verticales por
separado, sobre una imagen en escalas de grises, las imágenes se convierte en
formato RGB, a niveles de grises.
Los operadores de Sobel al igual que los operadores de gradiente tienen la tarea
de suavizar la imagen de tal manera que se elimina un poco de ruido de la imagen
si es que lo tiene, por lo consiguiente se puede desaparecer falsos bordes.
Para dicha tarea existen 2 mascaras de 3x3, una para el gradiente horizontal Gx
y una para el gradiente vertical Gy, que se utilizan como operadores de Sobel. A
partir de eso las derivadas basadas en los operadores de Sobel son:
27
Donde los valores de Z, son los pixeles evaluados por las máscaras en cualquier
localización de la imagen.
Para obtener los valores del gradiente de la imagen se utilizan las expresiones 6,
con lo que la magnitud se puede obtener con la expresión 2 y 3. Con esas
expresiones obtenemos el valor del gradiente en dichos pixeles, para obtener el
siguiente valor, las máscaras se mueven al pixel siguiente, es decir, la nueva
posición.
Una vez que se ha obtenido la magnitud del gradiente, se puede decir si un pixel
es un borde o no, con la expresión 5, obteniendo una imagen binaria en la
salida.(Macias, Rodríguez, & Alba-Juárez, 2016).
Coeficientes Sobel
ALGORITMO DE CANNY
Otro El filtro para detectar bordes, es el de Canny, este detector de bordes
proviene de optimizar tres criterios: minimiza el número de los falsos positivos y
negativos, una buena localización; haciendo que los bordes aparezcan en un lugar
real y respuesta única, ya que un borde detectado en la imagen genera como
respuesta un único borde con contorno de un pixel.
Canny hace una formulación matemática, basada en estos tres criterios y como
resultado se obtiene un detector de bordes optimizado, que consiste en aplicar un
suavizado gaussiano.
En las imágenes, los borde se encuentran generalmente difuminados, por lo que
en el contrates de los bordes, no lo modela mediante un escalón perfecto, sino
28
mediante una función de rampa.
El filtro de Canny, parte de una suposición, de que en la imagen de entrada
tendremos solamente ruido blanco y contraste del tipo escalón o rampa.
(Escolano, Cazorla, Alfonso, Colomina, & Lozano, 2003).
Figure No. 6 En la parte superior de la figura se encuentra, resultados al aplicarle operador de Canny.
(a)Imagen de entrada. (b) Resultado de aplicar el operador de Canny con σ=1.0.
(c) Resultado de aplicar el operador de Canny con σ=4,0. (d) Borde tipo escalón.
(e) Borde tipo rampa. (f) Borde tipo ridge. (g) Borde tipo roof. Fuente: Escalano et al.(2003).
SEGMENTACIÓN DE IMÁGENES MEDIANTE UMBRALIZACIÓN
Un método básico para diferenciar un objeto del fondo de la imagen es mediante
una simple binarización.
A través del histograma obtenemos una gráfica donde se muestran el número de
píxeles por cada nivel de gris que aparece en la imagen. Para binarizar la imagen,
se deberá elegir un valor adecuado (umbral) dentro de los niveles de grises, de tal
forma que el histograma forme un dentro de los niveles de grises, de tal forma que
el histograma forme un valle en ese nivel. Todos los niveles de grises menores al
umbral calculado se convertirán en negro y todos los mayores en blanco. Existen
muchos métodos de búsqueda del umbral.
29
Método del valor medio
Se usa el nivel medio de gris de la imagen como valor umbral. Esta umbralización
tendrá éxito si el objeto y el fondo ocupan áreas comparables en tamaño en la
imagen.
Figure No. 7 Imagen en escala de grises, el histograma y la umbralización
Fuente: Escalano et al.(2003).
Método del porcentaje de pixeles negros
Dado un histograma, y un porcentaje de píxeles negros deseados, se determina
el número de píxeles negros multiplicando el porcentaje por el número total de
píxeles.
A continuación se cuentan el número de píxeles de cada nivel del histograma,
empezando por el nivel cero, hasta llegar al número de píxeles negros deseados.
El umbral será el nivel de gris del histograma, en el que la cuenta llegue al número
de píxeles negros deseados.
Método de los dos picos
Si el histograma muestra al menos dos picos, el valor umbral más apropiado suele
ser (según se ve en la práctica) el menor valor entre esos dos picos del histograma.
Seleccionar el umbral automáticamente consiste en:
Encontrar los dos picos más altos.
Encontrar el menor valor entre ellos.
Encontrar el primer pico es fácil (aquel que tenga el mayor valor). El segundo pico
es más difícil de encontrar, ya que el segundo valor más grande del histograma
podría ser, por ejemplo, el que está más a la derecha del mayor, en vez de ser el
segundo pico.
30
Una manera simple que suele funcionar para encontrar el segundo pico es
multiplicar los valores del histograma por el cuadrado de la distancia al primer pico
y tomar el máximo.
𝑚𝑎𝑥 = [(𝑘 − 𝑓)2 ∗ ℎ] 0 ≤ 𝑘 ≤ 255
Donde k es el nivel de gris considerado, h (k) es el valor del histograma para ese
nivel y f es el nivel de gris donde se da el pico más alto.
Esto da preferencia a aquellos picos que no están cercanos al máximo pero es
muy sensible al ruido. Si el ruido está normalmente distribuido, los picos del
histograma pueden aproximarse por curvas Gaussianas.
Dichas curvas pueden ajustarse al histograma, y las dos mayores son usadas
como los picos más altos, el umbral debe estar comprendido entre ellos.
EXTRACCIÓN DE CARACTERISTICAS
ANALISIS MORFOLÓGICO
El análisis morfológico se caracteriza por, resaltar la forma y la geometría de los
objetos, el objetivo de las transformaciones morfológicos es la extracción de
estructuras geométricas en los conjuntos sobre los que se opera, mediante la
utilización de otro conjunto de forma conocida, al que se le denomina elemento
estructurante.
El tamaño y forma del elemento estructurante se elige, a priori, de acuerdo con la
morfología sobre la que va a interseccionar y en función de la obtención de formas
que se desea extraer. (Platero, 2009)
Es el objetivo de las operaciones morfológicas, es ayudar a simplificar las
imágenes conservando las características principales de la forma de los objetos.
Para conseguir una binarización más exacta, se aplicará la operación morfológica
de cierre (se aplica una dilatación seguida de una erosión), ya que elimina detalles
oscuros de la imagen, dejando el resto prácticamente igual.
Esta operación conseguirá para las frutas con irregularidades en su piel evitar que
estas generen píxeles de ruido en la imagen a segmentar. Es una técnica que es
sugerida para calcular el tamaño de las frutas. (Real, Granado, Perez, & Valle,
2016-2017)
31
CLASIFICADORES
Los clasificadores son algoritmos, en donde se ingresa un elemento no identificado
a una categoría concreta conocida, los ordena, selecciona un conjunto de
ejemplos etiquetados y trata de definir una regla que permita asignar una etiqueta
a cualquier objeto de entrada.
Los clasificadores tienen varios tipo de aprendizaje, estos son: los supervisados,
semi-supervisado y los de aprendizaje por refuerzo.
Los clasificadores supervisados son los que parten de una función matemática,
mediante un conjunto de objetos ya clasificados y esto a su vez, asignan una
etiqueta a otro objeto ingresado.
CLASIFICADORES BAYESIANOS
El objetivo de un sistema Bayesiano es saber cuál es la hipótesis más probable
entre varios conjuntos de datos. Si P (D) es la probabilidad a priori de los datos, P
(D|h) su probabilidad dada una hipótesis y se desea estimar P(h|D), la probabilidad
posterior de h dados los datos. Se puede plantear el siguiente teorema:
Ecuación 1.
𝑃(ℎ|𝐷) =𝑃(𝐷|ℎ)𝑃(ℎ)
𝑃(𝐷)
La hipótesis más probable MAP (máximum a posteriori hipótesis):
Ecuación 1.
ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻𝑃(ℎ|𝐷)
Ecuación 2.
ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻
𝑃(𝐷|ℎ)𝑃(ℎ)
𝑃(𝐷)
Ecuación 3.
ℎ𝑀𝐴𝑃 = 𝑎𝑟𝑔𝑚𝑎𝑥ℎ∈𝐻 = 𝑃(𝐷|ℎ)𝑃(ℎ)
Un algoritmo Bayesiano puede ser fácilmente implantado si se calculan todas las
posibles hipótesis en la ecuación 1 y se selecciona la hipótesis de mayor
probabilidad. En general si tiene un sistema de aprendizaje de lo general a lo
específico (o al revés) que busca especializaciones más generales (o
32
generalizaciones más específicas) se puede caracterizar asumiendo que las
hipótesis más generales (o específicas) son más probables que otras.
El principio básico, ilustrado en el párrafo anterior, puede ser empleado para
determinar de una forma a priori la clase en la cual puede ser clasificado un dato,
según las probabilidades generadas por una serie de funciones de clasificación
bayesiana, previamente definidas. (Castrillón, Giraldo, & Sarache, 2008)
ALGORITMO KNN
El algoritmo K-NN es un algoritmo que se usado para realizar algún tipo de
clasificación. En base a un conjunto de objetos, con características similares, es
decir, dado un conjunto de muestras de entrenamiento y dado un nuevo objeto
cuya clase no conocemos, se desea buscar entre el conjunto de objetos los “k”
más parecidos al nuevo objeto. A este se le asigna la clase más numerosa entre
los “k” objetos con la característica similar.
Figure No. 8 Reglas de K vecinos más cercanos
Fuente: ECURED
Vemos como en la imagen tenemos 12 casos ya clasificados en dos posibles
valores y que se ha seleccionado k=3. De los 3 casos ya clasificados que se
encuentran más cercanos al nuevo caso a clasificar, dos de ellos pertenecen a
una misma clase, por tanto, el clasificador 3-NN predice la clase mayoritaria para
el nuevo caso. Si el k varía la solución varía.
La elección del número adecuado de vecinos k es una tarea que no tiene un
procedimiento fijo, y en ocasiones su búsqueda se vuelve un proceso iterativo.
33
(Real, et al, 2016-2017).
Tabla No. 2 Línea base del caracterizado del banano de exportación
Línea base del caracterizado del banano de exportación
Información Fuente
Manual de aplicabilidad de buenas prácticas agrícolas de banano. Cosecha, post cosecha, y transporte. Muestreo y control post cosecha
Ministerio de Agricultura, Ganadería,
Acuacultura y Pesca. AGROCALIDAD
Agencia Ecuatoriana de Aseguramiento de la calidad del Agro
Anexo I: Normas de Comercialización para los plátanos. III Disposiciones relativas al calibrado:
La longitud del fruto, expresada en centímetros y medida a lo largo de la parte convexa desde el punto de inserción del pedúnculo en la corona hasta el ápice, el grosor, es decir, la medida, expresada en milímetros, de una sección transversal del fruto efectuada entre sus caras laterales y en la mitad del mismo, perpendicularmente al eje longitudinal
Conferencia de las naciones unidas sobre comercio y desarrollo :Banano
Diario Oficial de la Unión Europea
Control de calidad del banano. Control del empacado.
Análisis de los procesos logísticos y
su incidencia en la Exportación del bananaecuatoriano
Etapas de la maduración del banano
ESPOL
Cámara de maduración y climatización del banano para la exportación
HORTICULTURA
Datos de exportación de la banana. Con los promedios mensuales
Datacomex S.A.
Principales exportadores de banano
Principales destino de exportación del banano Ecuatoriano
34
Exportación del banano Ecuatoriano los primeros meces del año 2019
AEBE Asociación de Exportadores de
Banano del Ecuador
Tipo de cajas y sus respectivo precios del banano para la venta de los mercados internacionales
Ministerio de Agricultura, Ganadería, Acuacultura y Pesca
Fuente: Freddy Juanazo
Banano Cavendish
Los bananos Cavendish pertenecen a un subgrupo de los
cultivares tríploides ( AAA ) de Musa acuminat, son una fruta con de mayor
consuma a nivel mundial, su sabor es único, y apetecido por mercados europeos
y norteamericanos, donde Ecuador, es el principal país, en enviar fruta a ese
destino.
Por lo que el mejoramiento de la calidad y de buenas prácticas en la cosecha, son
fundamentales, para la optimización de estos procesos ayudados por las
herramienta que la tecnología nos pueda brindar.
Guía fitosanitaria de campo cultivo de Banano.
Antecedentes Ecuador es signatario de la Organización Mundial de Comercio
(OMC), por tanto debe cumplir y hacer cumplir las normas fitosanitarias nacionales
e internacionales; y garantizar el cumplimiento de los requisitos fitosanitarios
exigidos por los países importadores. Normativa Nacional Mediante Resolución
No 138, del 27 de Mayo de 2013 se aprueba la Guía de procedimientos de
inspección de banano y otras musáceas de exportación.
Objetivo y ámbito de aplicación
Verificar que los envíos de banano y otras musáceas cumplan con los requisitos
fitosanitarios relacionados con las plagas cuarentenarias y no cuarentenarias
reglamentadas, especificados por los países importadores. El servicio de
inspección en empacadoras, centros de acopio y puntos de control, es un servicio
especializado de AGROCALIDAD, mediante inspectores que están habilitados
para aprobar, rechazar, sancionar infracciones, ordenar destrucción de
cargamentos y disponer correctivos en general en todo el proceso de preparación
35
de envíos. (Guía fitosanitaria de campo cultivo de Banano).
MANUAL DE COSECHA, POSTCOSECHA Y TRANSPORTE
¿Cómo deben ser las instalaciones para post cosecha?
La construcción debe ser sólida y disponer de espacio suficiente para la
instalación, operación y mantenimiento de los equipos así como para el
movimiento del personal y el traslado de materiales o productos.
Las áreas internas de la producción deben dividirse en zonas según el nivel de
sanidad que requieran, dependiendo de los riesgos de contaminación para la fruta.
Contar con los sistemas de desagüe y eliminación de desechos construidos de
manera que se evite la contaminación del banano o del abastecimiento de agua
potable.
Los alrededores deben estar libres de escombros y basura.
Se debe prohibir la entrada de animales a la finca donde se cultive banano,
incluidas las fuentes de agua, área post cosecha, lugares de almacenamiento de
agroquímicos y fertilizantes.
Contar con techos, paredes, pisos, puertas y ventanas construidos con materiales
impermeables no porosos, no tóxicos, de fácil lavado y desinfección. Se debe
evitar el uso de instalaciones de madera.
Disponer de una instalación para el tratamiento de agua y para desechos sólidos
y líquidos. Instalaciones para post cosecha emergencia.
Cosecha de la fruta
Se inicia marcando un día antes del proceso de embárquela fruta a ser cosechada,
pre calibrando la fruta (40 de calibración en la última mano o 45 de calibración en
la segunda mano) a ser cosecha, marcando las matas seleccionadas y las plantas
de edad de barrida (13 semanas máximo).
36
¿Cuáles son las prácticas de post cosecha y proceso de fruta?
Muestreo y control de post cosecha de la fruta
Consiste en el muestro de la fruta para obtener los datos de post cosecha para los
registros de finca como son: Edad, peso, calibración, longitud del dedo, defectos
de la fruta (tanto de campo como de cosecha).
Figure No. 9 Toma de datos del muestro de la fruta para medir calibración, largo de dedos y defectos de la fruta
Fuente: Agrocalidad.
Figure No. 10 Calibración mínima (40) y máxima (48) de la fruta.
Fuente: Agrocalidad.
37
Figure No. 11 Longitud no menor a 8
Fuente: Agrocalidad.
Este es el control de calidad detallado por, Agrocalidad, con los estándares que
deben de cumplir para la comercialización a los distintos mercados. (MANUAL DE
APLICABILIDAD DE BUENAS PRÁCTICAS AGRÍCOLAS DE BANANO).
Estado o proceso de fase de un banano Dentro de este punto podemos distinguir 3 estados o fases principales en las que
se puede encontrar un banano, es decir se analizará los diferentes cambios que
va apareciendo, desde que está verde hasta llegar al estado maduro, pasando
antes también por el estado pintón. (ORDOÑEZ, 2005)
Figure No. 12Etapas de Maduración del Banano
Fuente: Freddy Juanazo
Banano Verde
Es el primer estado en el que se encuentra nuestro banano, ya que este la cascara
es muy dura y su sabor aún no es el adecuado para ser consumido, por lo que hay
que esperar el proceso o ciclo de maduración para poder disfrutar de su exquisitez.
Este proceso lo podríamos llamar como banano malhecho, es decir que aún
presenta pigmentación verde y líquido lechoso en sus cabezas, ya que han sido
recién arrancados de su tallo. (ORDOÑEZ, 2005)
38
Figure No. 13 Banano Verde
Fuente: Freddy Juanazo
Banano Pintón
En este proceso ya el banano va cambiando en su coloración, es decir ya del
verde pronunciado al principio poco a poco va cogiendo el color amarillo, pero no
en su totalidad, ya que aún posee escasa pigmentación verde, su sabor aún no es
el adecuado para su consumo ya que al momento de pelarlo su cascara aún sigue
siendo algo dura por lo que se deja que continúe con el ciclo de maduración. El
tiempo que se puede presentar en esta fase de pintón sería un aproximado de 3
a 4 días después de ser cortado de su racimo. (ORDOÑEZ, 2005)
Figure No. 14 Banano Pintón
Fuente: Freddy Juanazo
Banano Maduro
Este es la última fase que puede llegar el banano, ya que en estas condiciones ya
está apto para ser consumida, ya que el color de pigmentación ya es totalmente
amarillento y también a su vez presenta manchas marrones, por lo que podríamos
decir que el banano cumplió perfectamente con su ciclo de maduración y por ende
está lista para el consumo y la venta de la misma. Este proceso de maduración, el
tiempo que puede tardar es entre 6 a 7 días, siempre y cuando teniendo las
temperaturas apropiadas, las cuales rondan entre los 18 y 21 ºC y el grado de
humedad relativa, la cual puede variar entre 90 a 95%. Además, se nos menciona
que existe un factor esencial para que el banano madure rápido, en donde
el etileno es el agente que actúa como regulador de la maduración. (ORDOÑEZ,
2005)
39
Figure No. 15 Banano Maduro
Fuente: Freddy Juanazo
Exportación de la banana mensualmente
A continuación se presentan resultados estadísticos de la exportación mensual de
la banana, detallando la cantidad de cajas exportadas desde el año 2016 hasta el
2018, las variaciones, y los promedios mensual y semanal de exportación.
Figure No. 16 Exportación Mensual del Banano
Fuente: DATACOMEX S.A.
40
Figure No. 17 Reporte estadístico de exportación mensual del banano
Fuente: DATACOMEX S.A.
Compañías exportadoras de banano
En este proceso se anexa las compañías que exportaron banano en el año 2018
detallando la cantidad de cajas exportadas con sus respectivos porcentajes.
Figure No. 18 Compañías exportadoras de banano
Fuente: DATACOMEX S.A.
Acumulado de exportaciones de banano por destino En este caso se anexa un cuadro comparativo donde se verifica las exportaciones
41
del banano del año 2017 y el 2018 identificando las variaciones a nivel de
porcentaje.
Figure No. 19 Comparativo de exportaciones por destino
Fuente: DATACOMEX S.A.
Exportaciones del banano del año 2019
En este proceso se anexan las exportaciones de las primeras seis semanas del
año 2019.
Figure No. 20 Exportaciones del banano del año 2019
Fuente: AEBE
Calibrado del banano
El calibre se determina mediante:
• La longitud del fruto expresada en centímetros y medida a lo largo de la
parte convexa desde el punto de inserción del pedúnculo en la corona
hasta el ápice.
42
• El grosor de la banana es la medida expresada en milímetros, de una
sección transversal del fruto efectuada de sus caras laterales y en la mitad
del mismo al eje longitudinal.
El fruto de referencia para medir la longitud será
• El dedo mediano situado en la fila exterior de la mano.
• El dedo situado junto al corte, que se haya utilizado para seccionar la
mano, en la fila exterior del manojo.
• La longitud y el grosor del banano quedan fijados en 14 centímetros y 27
milímetros respectivamente.
Controles de calidad del banano
Este proceso consiste en seleccionar las cajas de banano de los camiones para
iniciar con la inspección la caja que se encuentre en óptimas condiciones se las
envía al pallet para ser estibadas. En este caso se detecta la cantidad de defectos
que obtiene la fruta.
• Un daño en la punta que roza la corona al otro banano provoca deterioro
en la fruta.
• Número de fallas en cada caja por clúster se obtiene la puntuación total.
• Se anotan las observaciones para que se tomen las medidas correctivas
en las fincas empacadoras.
Control del empacado del banano
Si no se revisan las cajas del banano minuciosamente puede existir un daño que
provoque la maduración de un banano y este después haga que el resto de la fruta
que están ubicadas en las cajas maduren debido a la temperatura que está
expuesto dicho banano.
• El banano de 39 a 46 calibres es exportado a Europa por lo cual contempla
43
en un tiempo de 15 a 25 días de maduración.
• Para el mercado de los Estados Unidos se envía el banano de 39, 47 y 48
calibres, la fruta para este mercado contempla un tiempo de maduración
de 5 a 8 días.
• En el campo haciendas o fincas se realiza el chequeo de calibración donde
se utiliza el calibrador de la fruta.
Precios del banano
En este proceso se anexan los precios del banano para la venta a los mercados
internacionales detallando los gastos de exportación.
Figure No. 21 Precios del Banano
Fuente: Ministerio de A
44
Tipos de empaques del banano
Caja tipo 22XU
Mercados: Europa, Rusia y Estados Unidos
Variedad: Cavendish Bananas Clase: Premium Primera Clase Largo del dedo: 8 pulgadas mínimo Diámetro del dedo: Mínimo 39 mm Máximo 46 mm Número de dedos por cluster: Desde 5 hasta 8 12 dedos Edad de la fruta: Mínimo 10 semanas – Máximo 13 semanas Caja: Caja de cartón tipo 22XU Peso: De 18,14 KG. Netos hasta 19,45 KG. Brutos. Plástico: Funda Banavac o Polypack (de acuerdo a la estación y al tiempo de tránsito del viaje). Número de cajas por contenedor: 1200 cajas al granel o 1080 cajas paletizadas.
Caja tipo 208
Mercados: Asia, Arabia Saudita e Irán
Variedad: Cavendish Bananas Clase: Premium Primera Clase Largo del dedo: 8 pulgadas mínimo Diámetro del dedo: Mínimo 39 mm Máximo 46 mm Número de dedos por clúster: 15 dedos mínimo Edad de la fruta: Mínimo 10 semanas – Máximo 13 semanas Caja: Caja de cartón tipo 208 Peso: 13,50 KG. Netos Plástico: Funda Banavac (entre los clusters se coloca un protector de plástico para la corona) Número de cajas por contenedor: 1540 cajas al granel o 1400 cajas paletizadas.
45
REDES NEURONALES
Las redes neuronales son más que otra forma de emular ciertas características
propias de los seres humanos, como la capacidad de memorizar y de asociar
hechos o acontecimientos. Si se logran examinar con atención aquellos problemas
que no se pueden expresar mediante un algoritmo, se observa que todos ellos
poseen una característica en común. En definitiva las redes neuronales son
denominados modelos artificiales y simplificados del cerebro humano siendo el
ejemplo perfecto del que se dispone para un sistema con capacidades de adquirir
conocimientos mediante redes neuronales. (MATICH, 2001)
Una red neuronal es considerada un nuevo sistema para el tratamiento de la
información cuya unidad básica de procesamiento se encuentra inspirada en la
célula fundamental del sistema nervioso humano (la neurona). (MATICH, 2001)
Figure No. 22 Redes Neuronales
Fuente: Mauricio Tamez-2016
BASE DE DATOS
Una base de datos es denominada una colección de datos que son relacionados
dentro de un mismo contexto, esto quiere decir que la información comparte una
característica entre sí para ser relacionados con los mismos registros. Los
registros como por ejemplo datos de clientes, empleados o actividades
empresariales son almacenados de forma sistemática y ordenada con el fin de
46
que los usuarios puedan establecer consultas a través de sistemas de aplicación
web o formularios creados en lenguajes de programación como: Visual Studio,
Python entre otros aplicativos. (Villamar, 2017)
A continuación, se describen las características que proporcionan los sistemas
gestores de base de datos:
• Actualización de información a través de la sentencia DML (Lenguaje de
Manipulación de Datos) UPDATE.
• Consulta de registros mediante la sentencia SELECT.
• Eliminación de datos por medio de la sentencia DELETE.
• Ingreso masivo de datos a través de la sentencia INSERT.
MARIA DB
Es un gestor de base de datos que es compatible con MYSQL donde este sistema
garantiza una capacidad de reemplazo con librerías binarias equivalentes y una
exacta combinación con los comandos y APIs de MYSQL. MARIADB es una base
de datos que utiliza sentencias DML SQL para la creación de tablas, consultas,
inserción de claves primarias y foráneas, actualización, inserción y eliminación de
datos. (Villamar, 2017)
PHPMYADMIN
Es una aplicación de código abierto programada en PHP y funcionan a través de
la herramienta XAMPP para WINDOWS y APACHE en Linux, esta herramienta
cumple con la función de administrar una base de datos MYSQL mediante una
interfaz web sin la necesidad de instalar gestores DB en el sistema operativo.
PHPMYADMIN es compatible con la mayor cantidad de sentencias de SQL para
el manejo de tablas e inserción masiva de información. (Villamar, 2017)
Características de PHPMYADMIN
• Interfaz web intuitiva.
• Gestión de procedimientos DML, DCL y DDL
• Gestión de disparadores.
• Creación de consultas complejas.
47
• Soporte de base de datos MYSQL y MARIA DB.
o Administración de credenciales de usuarios de base de datos
MYSQL y MARIADB.
o Consulta por lotes.
o Procesos de búsqueda, eliminación de tablas, vistas, campos e
índices.
o Mantenimiento del Servidor de Base de Datos.
ANDROID
Android es un sistema operativo para dispositivos móviles basado en Linux y
utilizado por la mayor cantidad de desarrolladores de software donde por medio
de esta plataforma los mismos pueden crear aplicaciones móviles y ejecutarlas en
emuladores de Android o en el propio sistema operativo con el fin de verificar su
respectivo funcionamiento y errores que se pueden presentar en la programación
de un APP. (Villamar, 2017)
A continuación se demuestra los tipos de APP que se ejecutan en ANDROID:
• Mensajería instantánea (WhatsApp, Facebook, Telegram, etc.)
• Juegos en línea.
• Aplicaciones de Comercio Electrónico.
• Aplicaciones de Banca en Línea.
• Aplicaciones de salud.
• Aplicaciones de Streaming (YouTube, Netflix, IPTV, etc.)
Android Studio
Es un entorno de desarrollo IDE para el desarrollo de aplicaciones móviles
empleando el lenguaje de programación JAVA. Este aplicativo posee un potente
editor códigos y herramientas para desarrolladores de INTELLIJ donde los
ingenieros de software pueden programar las APP de forma sistemática y
empleando varios entornos de programación. (Villamar, 2017)
A continuación, se presente algunas funciones que proporciona Android Studio:
• Sistema de compilación flexible.
• Emuladores inmediatos con varias funciones de compilación.
48
• Entorno unificado donde el usuario puede desarrollar la APP y ejecutarla
al mismo tiempo.
• Integración de código de GITHUB para desarrollos de APP y enviar el
código a la plataforma de GITHUB.
Complementos de Android Studio
OpenCV
Es una biblioteca utilizada en la segmentación y procesamiento de imágenes
digitales a través de la función CANY creada por la empresa informática INTEL.
OPENCV es una librería que es aplicada en varios sistemas operativos de
computadoras y móviles como lo son: Windows, Linux, MAC, Android e IOS, con
el objetivo de digitalizar y optimizar los procesos volviéndolos más rápidos y
eficientes. Las redes neuronales con OPENCV son aplicadas en varios entornos
de trabajo generando que los usuarios obtengan un excelente rendimiento en el
momento de ejecutar una tarea específica asignada por la organización.
A continuación se indican los ambientes donde se emplean las redes neuronales
con OPENCV:
• Medicina (Imágenes Radiográficas).
• Entornos Académicos.
• Reconocimiento de información vehicular.
• Procesos de agricultura y ganadería.
Características de OPENCV
Las características de OPENCV son las siguientes:
• Estructuras de datos y funciones básicas para el procesamiento de
imágenes digitales a través del módulo CORE.
• Proporción de una interfaz de usuario con integración de codecs de
imágenes y video y capacidad de capturar eventos del mouse de
computadora por medio del módulo HIGHHUI.
• Procesamiento, filtrado y transformada de imágenes a través de algoritmos
de visión artificial que a su vez son proporcionados por el módulo
IMGPROC.
49
• Seguimiento de objetos captados en videos por medio de algoritmos
multimedia.
• Detección y reconocimiento de objetos estándar por medio del módulo
OBJDETECT.
Figura No. 23 Módulos de OPENCV
Fuente: PACKT
Fases de OPENCV
En la siguiente imagen se presenta las etapas de OPENCV.
Figura No. 24 Etapas de OPENCV
Fuente: Copyright 2019, OpenCV team
50
MATLAB
Es definido como un lenguaje de cálculos matemáticos a nivel técnico en lo cual
es utilizado por millones de ingenieros en tecnologías de la información, civiles y
científicos. Esta plataforma cumple con la función de resolver problemas
científicos y de ingeniería basado en la creación de modelo de matrices
expresando las matemáticas en métodos o procedimientos computacionales, las
gráficas que son integradas en el lenguaje de programación permiten visualizar y
obtener información sobre problemas o ejercicios numéricos. (BALLIN, 2018)
Esta herramienta es aquella que posee un alto rendimiento para la verificación de
los datos técnicos, integrando la computación, visualización y el entorno de
programación. Además, MATLAB posee estructuras de datos sofisticadas,
contiene herramientas de edición y depuración en los cual es compatible con la
programación orientada a objeto. (BALLIN, 2018)
Figure No. 25 MATLAB
Fuente: BRAINERR
51
FUNDAMENTACIÓN LEGAL
Constitución de la República del Ecuador 2008
Plan Nacional de Desarrollo 2017-2021
Sección primera – Educación
Capítulo primero – inclusión y equidad
Art. 350.- El sistema de educación superior tiene como finalidad la formación
académica y profesional con visión científica y humanista; la investigación
científica y tecnológica; la innovación, promoción, desarrollo y difusión de los
saberes y las culturas; la construcción de soluciones para los problemas del país,
en relación con los objetivos del régimen de desarrollo.
Art. 355.- El Estado reconocerá a las universidades y escuelas politécnicas
autonomía académica, administrativa, financiera y orgánica, acorde con los
objetivos del régimen de desarrollo y los principios establecidos en la Constitución.
Se reconoce a las universidades y escuelas politécnicas el derecho a la
autonomía, ejercida y comprendida de manera solidaria y responsable. Dicha
autonomía garantiza el ejercicio de la libertad académica y el derecho a la
búsqueda de la verdad, sin restricciones; el gobierno y gestión de sí mismas, en
consonancia con los principios de alternancia, transparencia y los derechos
políticos; y la producción de ciencia, tecnología, cultura y arte.
Sus recintos son inviolables, no podrán ser allanados sino en los casos términos
en que pueda serlo el domicilio de una persona. La garantía del orden interno será
competencia y responsabilidad de sus autoridades.
Cuando se necesite el resguardo de la fuerza pública, la máxima autoridad de la
entidad solicitará la asistencia pertinente. La autonomía no exime a las
instituciones del sistema de ser fiscalizadas, de la responsabilidad social,
rendición de cuentas y participación en la planificación nacional. La Función
Ejecutiva no podrá privar de sus rentas o asignaciones presupuestarias, o retardar
las transferencias a ninguna institución del sistema, ni clausurarlas o
reorganizarlas de forma total o parcial.
52
Sección Octava Ciencia, Tecnología, Innovación y Saberes
Ancestrales
Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes
ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las culturas
y la soberanía, tendrá como finalidad:
1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.
2. Recuperar, fortalecer y potenciar los saberes ancestrales.
3. Desarrollar tecnologías e innovaciones que impulsen la producción nacional,
eleven la eficiencia y productividad, mejoren la calidad de vida y contribuyan a la
realización del buen vivir.
Art. 386.- El sistema comprenderá programas, políticas, recursos, acciones, e
incorporará a instituciones del Estado, universidades y escuelas politécnicas,
institutos de investigación públicos y particulares, empresas públicas y privadas,
organismos no gubernamentales y personas naturales o jurídicas, en tanto
realizan actividades de investigación, desarrollo tecnológico, innovación y aquellas
ligadas a los saberes ancestrales.
El Estado, a través del organismo competente, coordinará el sistema, establecerá
los objetivos y políticas, de conformidad con el Plan Nacional de Desarrollo, con
la participación de los actores que lo conforman.
Art. 387.- Será responsabilidad del Estado:
1. Facilitar e impulsar la incorporación a la sociedad del conocimiento para
alcanzar los objetivos del régimen de desarrollo.
2. Promover la generación y producción de conocimiento, fomentar la
investigación científica y tecnológica, y potenciar los saberes ancestrales,
para así contribuir a la realización del buen vivir, al sumak kawsay.
3. Asegurar la difusión y el acceso a los conocimientos científicos y
tecnológicos, el usufructo de sus descubrimientos y hallazgos en el marco
de lo establecido en la Constitución y la Ley.
53
4. Garantizar la libertad de creación e investigación en el marco del respeto
a la ética, la naturaleza, el ambiente, y el rescate de los conocimientos
ancestrales.
5. Reconocer la condición de investigador de acuerdo con la Ley.
Art. 388.- El Estado destinará los recursos necesarios para la investigación
científica, el desarrollo tecnológico, la innovación, la formación científica, la
recuperación y desarrollo de saberes ancestrales y la difusión del conocimiento.
Un porcentaje de estos recursos se destinará a financiar proyectos mediante
fondos concursables. Las organizaciones que reciban fondos públicos estarán
sujetas a la rendición de cuentas y al control estatal respectivo.
Ley Orgánica de Educación Superior (LOES)
Título a ámbito objeto fines y principios del sistema de educación
Superior.
Capítulo II
Art. 8.- Serán Fines de la Educación Superior.- La educación superior tendrá los
siguientes fines:
a) Aportar al desarrollo del pensamiento universal, al despliegue de la
producción científica y a la promoción de las transferencias e innovaciones
tecnológicas;
b) Fomentar y ejecutar programas de investigación de carácter científico,
tecnológico y pedagógico que coadyuven al mejoramiento y protección del
ambiente y promuevan el desarrollo sustentable nacional;
Art. 13.- Funciones del Sistema de Educación Superior.- Son funciones del
Sistema de Educación Superior: literales a, b, d f, ñ
a) Garantizar el derecho a la educación superior mediante la docencia, la
investigación y su vinculación con la sociedad, y asegurar crecientes
niveles de calidad, excelencia académica y pertinencia;
54
b) Promover la creación, desarrollo, transmisión y difusión de la ciencia, la
técnica, la tecnología y la cultura;
c) Fortalecer el ejercicio y desarrollo de la docencia y la investigación
científica en todos los niveles y modalidades del sistema;
d) Garantizar el respeto a la autonomía universitaria responsable;
e) Brindar niveles óptimos de calidad en la formación y en la investigación.
Título II Autonomía responsable de las universidades y
Escuelas politécnicas
Capítulo II
Patrimonio y financiamiento de las instituciones de educación
Superior
Art. 20.- Del Patrimonio y Financiamiento de las instituciones del sistema de
educación superior.- En ejercicio de la autonomía responsable, el patrimonio y
financiamiento de las instituciones del sistema de educación superior estará
constituido por:
a) Los beneficios obtenidos por su participación en actividades productivas de
bienes y servicios, siempre y cuando esa participación no persiga fines de lucro y
que sea en beneficio en la institución;
g) Los recursos provenientes de herencias, legados y donaciones a su favor;
h) Los fondos autogenerados por cursos, seminarios extracurriculares, programas
de posgrado, consultorías, prestación de servicios y similares, en el marco de lo
establecido en esta Ley;
Art. 35.- Asignación de recursos para investigación, ciencia y tecnología e
innovación.- Las instituciones del Sistema de Educación Superior podrán acceder
55
adicional y preferentemente a los recursos públicos concursables de la pre
asignación para investigación, ciencia, tecnología e innovación establecida en la
Ley correspondiente.
Capítulo 12
Personal académico
Art. 148.- de la LOES agrega los profesores o profesoras e investigadores o
investigadoras que hayan intervenido en una investigación tendrán derecho a
participar, individual o colectivamente, de los beneficios que obtenga la institución
del Sistema de Educación Superior por la explotación o cesión de derechos sobre
las invenciones realizadas en el marco de lo establecido en esta Ley y la de
Propiedad Intelectual. Igual derecho y obligaciones tendrán si participan en
consultorías u otros servicios externos remunerados. Las modalidades y cuantía
de la participación serán establecidas por cada institución del Sistema de
Educación Superior en ejercicio de su autonomía responsable.
PLAN NACIONAL DE DESARROLLO – ECUADOR
Estrategias para el 2017-2021
Matriz de políticas y lineamientos estratégicos
Objetivos
Objetivo 4. Fortalecer las capacidades y potencialidades de la ciudadanía
4.4 Mejorar la calidad de la educación en todos sus niveles y modalidades, para
la generación de conocimiento y la formación integral de personas creativas,
solidarias, responsables, críticas, participativas y productivas, bajo los principios
de igualdad, equidad social y territorialidad
4.4 i.) Asegurar en los programas educativos la inclusión de contenidos y
actividades didácticas e informativas que motiven el interés por las ciencias, las
tecnologías y la investigación, para la construcción de una sociedad socialista del
conocimiento.
56
4.6 Promover la interacción recíproca entre la educación, el sector productivo y la
investigación científica y tecnológica, para la transformación de la matriz
productiva y la satisfacción de necesidades
4.6. f) Fortalecer y promocionar la formación técnica y tecnológica en áreas
prioritarias y servicios esenciales para la transformación de la matriz productiva,
considerando los beneficios del sistema dual de formación
4.6. j) Generar mecanismos de incentivo y acceso al financiamiento de programas
y proyectos de investigación científica y desarrollo tecnológico, promoviendo su
implementación con criterios de priorización para el desarrollo del país.
Objetivo 8. Consolidar el sistema económico social y solidario, de forma
sostenible.
8.1. Invertir los recursos públicos para generar crecimiento económico sostenido
y transformaciones estructurales
8.1.d ) Articular la inversión del Estado Central con las empresas públicas, las
entidades del sistema de seguridad social, las universidades y escuelas
politécnicas, la banca pública y otros niveles de gobierno, en el marco de la
planificación nacional.
HIPÓTESIS O PREGUNTA CIENTÍFICA A CONTESTARSE
¿Determinar el tamaño de la fruta mediante el software clasificador de banana,
facilitará la de toma decisión sobre el estado óptimo de la fruta para su
exportación?
57
VARIABLES DE LA INVESTIGACIÓN
Variable Independiente
El banano que está listo para la exportación.
Variable Dependiente
Desarrollo de una herramienta informática basada en visión artificial. Aplicando
procesamientos de imágenes digitales y su simulación en MATLAB mediante
redes neuronales
DEFINICIONES CONCEPTUALES
• Visión por computadora
Consiste en la adquisición, procesamiento, clasificación, y reconocimiento de
imágenes digitales. (Querejeta Simben 2015i)
• Pixel
Es un elemento básico de una imagen (picture element) o también se podría decir
que es la menor unidad homogénea de una imagen. (S.L., 2016)
• Imagen
Es un arreglo bidimensional de pixeles con diferentes intensidad luminosa (escala
de grises). (Manuel Martín 2013)
• Color
Este se forma mediante los tres colores básicos, rojo, verde, azul, (por sus siglas
en ingles RGB), y pueden formarse por una tripleta de valores de 0 a 1(R, G, B)
donde representan la intensidad cada uno de los tres colores básicos. (J. M.
Artigas, 2002)
• Brillo
Indica si una área está más o menos iluminadas.(González M. L., 2015)
58
• Tono
Indica si un área parece similar al rojo, verde o azul o a una proporción de ellos.
(Arroyal, 2016)
• Espacio RGB
Está basado en la combinación de las tres señales de combinación cromática
distinta: rojo, verde, azul, (red, green, blue). La manera más sencilla de determinar
un color es especifico es la cantidad de color rojo, verde, azul que se quiera
combinar para tener un color deseado. (Artigas, 2002)
Figure No. 26 Espacio de colores RGB
Fuente: Elsevier
• Mapa de color
Es una matriz de nx3, donde cada una de las regiones es una de las tripletas de
colores, el primer renglón corresponde al valor mínimo del eje de color y el último
renglón al máximo. (Elizondo, 2002)
• Histogramas de una imagen
Es una representación del número de pixeles de cierto nivel gris en función de los
niveles de gris. (Martín, 2013)
59
• Suavizado de la imagen
Es el conjunto de técnicas que se aplican a las imágenes digitales con el objetivo
de mejorar la calidad o facilitar la búsqueda de información.
• Ruido de la imagen
Es la variación aleatoria (que no se corresponde con la realidad) del brillo o
el color en las imágenes digitales producido por el dispositivo de entrada.
• RNA
Redes neuronales artificiales. (Anegón, 2002)
• Agrocalidad
Es la agencia encargada del control y regulación para la protección y el
mejoramiento de la sanidad animal, sanidad vegetal e inocuidad
alimentaria.(Ministerio de Agricultura, 2014)
60
CAPÍTULO III
PROPUESTA TECNOLÓGICA
Según lo detallado en el Capítulo II se emplean las siguientes propuestas tecnológicas
que son de gran ayuda para el desarrollo de la aplicación móvil que cumpla con la
función de almacenar imágenes digitales a la base de datos para que estas puedan
ser procesadas a través de una red neuronal implementada en el lenguaje de
programación de MATLAB y se pueda determinar el tamaño del objeto que esta
puesto como imagen.
Como propuesta para el desarrollo del tema “DESARROLLO DE UNA
HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL
RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO
PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB
MEDIANTE REDES NEURONALES.”, se ha realizado un levantamiento de
información sobre los procesos de calibración del banano y el estado en que se
encuentra esta fruta determinando si es acta para exportación a los diferentes
mercados nacionales e internacionales, dentro de este proceso se verificó los
diferentes errores como: cortes de la racima antes y después de tiempo y que a su
vez son cometidos por los agricultores en el momento de medir el tamaño de dicho
banano provocando de esta manera pérdidas de producción de la fruta llegando a
que esta sea rechazada, o sea vendida en un costo extremadamente bajo generando
pocas ganancias.
Tener como salida una aplicación de software basado visión artificial y a su vez una
APP móvil Android que tome las muestras de la banana y que las envíe a la red
neuronal a través de una base de datos convirtiendo el proceso de medición del
banano manual en digital solucionaría la mayor cantidad de errores humanos
produciendo un alto rendimiento en este proceso con un porcentaje mayor de
exactitud en los cálculos matemáticos de medición del tamaño de la banana.
61
Para realizar las respectivas pruebas en el proyecto de titulación en desarrollo se
programará una aplicación móvil empleando la herramienta Android Studio donde
esta cumplirá solamente con la función de recopilar las muestras del banano y
enviarlas a una base de datos MYSQL una vez culminada la APP Android se
implementa el lenguaje de programación de MATLAB lo cual será utilizado para
establecer consultas al gestor de base de datos MYSQL sobre las imágenes del
banano almacenadas y procederá con el respectivo análisis de calibración
determinando si la fruta es acta o no para exportación a los diferentes mercados
nacionales e internacionales.
En esta fase de este capítulo la propuesta tecnológica hace énfasis a los diversos
tipos de factibilidad que son: la operacional, técnica, económica y legal, la
metodología a emplear en el proyecto con sus diferentes etapas, los entregables del
proyecto, el procesamiento y análisis de la información recopilada por medio de
técnicas de instrumentación de datos como la encuesta y la entrevista y los criterios
de validación de la propuesta que consiste en realizar un dialogo con experto en
desarrollo e implementación de software con el objetivo de determinar la viabilidad o
el nivel máximo de aceptación de la propuesta.
A continuación se presenta la propuesta del diseño de la APP Android, el diagrama
de usabilidad de la aplicación y el proceso de análisis de las imágenes digitales a
través de la red neuronal:
62
Figure No. 27 Diagrama Topológico de la Aplicación Móvil Android
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
63
Figure No. 28 Usabilidad de la APP Android
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
64
Figure No. 29 Sistema de Red Neuronal
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
65
ANÁLISIS DE FACTIBILIDAD
El análisis de factibilidad dentro del proyecto de titulación en desarrollo sobrelleva
a que se defina la viabilidad o el alto nivel de aceptación mediante técnicas de
instrumentación de datos o enfocándose en las necesidades que se presentan en
un entorno o ambiente de trabajo, la implementación del tema propuesto para
haciendas bananeras, es de vital importancia con el objetivo de mejorar el proceso
de calibración del banano manual convirtiéndolo en digital ejecutando una solución
óptima disminuyendo tiempo y recursos de esta manera se declara factible la
propuesta tecnológica.
FACTIBILIDAD OPERACIONAL
Dentro de la factibilidad operacional existe un gran apoyo en las haciendas
bananeras para el desarrollo del sistema de red neuronal con el fin de mejorar el
proceso de calibración manual del banano digitalizando los procedimientos que
ayudan a determinar si la fruta posee características excelentes para ser
exportada a los mercados de índole nacional e internacional y realizar esta
medición de manera computarizada además, la propuesta tecnológica
proporciona múltiples beneficios sobre la solución de problemas de medición del
tamaño del banano reduciendo los posibles errores de calibración de dicha fruta
que son provocados por los agricultores.
En base a las necesidades y problemas que se han ido presentando en las
haciendas bananeras sobre la calibración del banano este proyecto es factible
operacionalmente ya que este proceso se lo ha ido realizando manualmente pero
no con exactitud generando que esta fruta que es consumida a nivel mundial en
jugos, helados, cocteles y demás sea vendida a un menor costo o utilizándola
como alimento para toda clase de animal doméstico produciendo de esta manera
pérdidas económicas en las distribuidoras de banano verde.
66
FACTIBILIDAD TÉCNICA
En esta etapa de la factibilidad técnica se detallan los recursos técnicos
informáticos que serán participes en el proyecto de titulación.
Tabla No. 3 Recursos Técnicos Informáticos
Recursos de Software
Software Descripción
ANDROID STUDIO
Software desarrollador de
aplicaciones móviles para
sistemas operativos Android.
MATLAB Herramienta para procesar
imágenes digitales en MATLAB.
MYSQL
Base de datos para el
almacenamiento de imágenes
digitales.
Recursos de Hardware
Hardware Descripción
Dispositivo móvil que será
utilizado para la toma de
imágenes del banano y con esto
procesarlas mediante una red
neuronal y determinar el tamaño
óptimo
Computadora Laptop con
procesador Core I3, Memoria
RAM de 8 Gigabyte, Disco Duro
de 300 Gigabyte.
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
67
FACTIBILIDAD ECONÓMICA
Para el desarrollo de este proyecto de titulación se detallan los costos que se
invierten en la propuesta tecnológica.
Tabla No. 4Costos del Proyecto
Descripción Cantidad Costo Unitario Costo Total
Servicio de
Internet 1 $ 30 $ 30
Computadora
Laptop Toshiba
Core I3
1 $ 700 $ 700
Gastos
Operacionales
(Alimentación y
Transporte)
1 $ 100 $ 100
Gastos de
Impresión 1 $ 100 $ 100
Total 4 $ 930 $ 930
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Además se presenta el presenta el presupuesto de mano de obra del proyecto
detallando los costos que debe invertir las bananeras para una respectiva
implementación.
Tabla No. 5 Presupuesto del Proyecto
Responsables del
Proyecto Costo Unitario Costo Total
Freddy Juanazo-Ing.
Irma Naranjo, Msc. $ 1500 $ 1500
Total $ 1500 $ 1500
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
68
FACTIBILIDAD LEGAL
El proyecto de titulación en desarrollo se encuentra avalado por las leyes, normas
y estatutos constituidos en la República del Ecuador las cuales estos reglamentos
permiten que los usuarios puedan desarrollar en innovar tecnologías de la
información contribuyendo con la mayor cantidad de factores presentes en zonas
rurales y urbanas conllevando a mejorar los servicios de agricultura, ganadería,
pesca y demás presentes en el Ecuador.
En referente al uso de software no se infringen las leyes ya que se va a utilizar la
herramienta Android Studio donde no se requiere licenciamiento de programas, lo
mismo el software de MySQL que se lo integra al Android Studio para el
procesamiento digital de imágenes. En el caso de Software de Matlab se utiliza
una licencia estudiantil para realizar la simulación de la clasificación de bananas.
ETAPAS DE METODOLOGIA DEL PROYECTO
Para el desarrollo del proyecto de titulación basado en el desarrollo de un sistema
de visión artificial se emplea la metodología de proyectos de cascada donde se
detallan las siguientes fases:
Fase I: Análisis y requerimientos de la producción de la banana: En esta fase
se describe los procesos de la línea base del caracterizado de la banana, su
tiempo de corte de la racima y el proceso de medición de la fruta, además se
realizaron encuestas a los trabajadores de las bananeras para recabar
información relevante sobre este proceso de producción. También se desarrolla
un cronograma de actividades describiendo las tareas del proyecto.
Se descubrió errores en los calibradores de la frutas sobre la medición del tamaño
de la misma, en base a esto se vio la necesidad de desarrollar una herramienta
informática, para eliminar el proceso de calibración manual digitalizándolo con el
objetivo de disminuir posibles fallas en los jornaleros.
69
Fase II: Diseño de la plataforma de visión artificial para el procesamiento de
imágenes digitales a través de una red neuronal: En base a la fase anterior, se
desarrolla una aplicación móvil Android la cual permitirá tomar muestras de la
banana desde cualquier posición durante el proceso de corte de la racima y
enviarlas mediante la red local al computador donde se ejecuta el sistema de
visión artificial de análisis de imágenes.
Las imágenes enviadas desde el dispositivo móvil Android se ubican en un
directorio llamado uploads donde el calibrador digital desarrollado en MATLAB
accede a este directorio para extraer las muestras y procederlas a analizar. Este
directorio se lo puede modificar en base a las necesidades del cliente.
Fase III: Implementación del prototipo de sistema de visión artificial: En esta
fase se desarrolla un sistema de visión artificial aplicando redes neuronales
convolucionales para el análisis de las muestras recolectas en el aplicativo móvil
Android y determinar el tamaño exacto de la fruta y verificar si es apta para
exportación.
Además, el sistema de calibración digital almacena las muestras analizadas
definiendo una ruta establecida por el desarrollador de sistemas con el objetivo de
verificar los resultados óptimos en cada muestra analizada por el mismo
calibrador.
Fase IV: Verificación y pruebas del sistema de visión artificial: En esta fase
se realizan las pruebas para verificar el funcionamiento del sistema de calibración
digital y también identificar los procedimientos que utiliza para medir el tamaño y
el nivel de madurez de la fruta.
En la fase de pruebas se tomo muestras desde cualquier posición y distancia,
desde la aplicación móvil Android verificando el envío de las imágenes al
computador mediante la red local, donde estas imágenes se cargan en una ruta
específica, una vez realizado este proceso se extrae dichas muestras para
proceder analizarlas.
70
En este caso se dirige a la aplicación desarrollada en MATLAB, el aplicativo extrae
la muestra por medio de una función para después mostrar por pantalla la imagen
que va hacer visualizada por el jornalero, una vez realizado este proceso de
extracción se analiza la muestra mediante una función que determina si la fruta es
exportable, finalmente se almacenan los resultados del proceso de análisis a
través de un procedimiento donde el usuario puede acceder a una ruta
programada en el sistema encontrando los resultados de las muestras analizadas.
Todas las funciones se cargan en cada uno de los botones de la aplicación.
Fase V: Mantenimiento del sistema de visión artificial: En última fase se realizó
un mantenimiento al sistema limpiando los procesos de ejecución para poderlo
ejecutar nuevamente.
Se crea una función de enceramiento en el aplicativo desarrollado en MATLAB por
el motivo de que se utilizan variables globales que a su vez pueden provocar
posibles errores en el sistema e información errónea dentro del proceso de
calibración digital. Por ende antes de cada calibrado se debe realizar una limpieza
en el sistema antes de una nueva ejecución.
Figure No. 30 Metodología de Proyectos de Cascada
Fuente: Openclassrooms
71
CRONOGRAMA DE ACTIVIDADES DEL PROYECTO
Figure No. 31 Diagrama de Gantt
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Tabla No. 6 Cuadro de Actividades Actividades
Fecha de Inicio
Duración en días
Fecha Fin
Desarrollo de la APP Android 3-dic-2018 3 5-dic-2018
Creación de la base de datos MySQL 6-dic-2018 4 10-dic-2018
Conexión de la base de datos con la APP Android
11-dic-2018 4 15-dic-2018
Creación de la red neuronal en MATLAB
16-dic-2018 4 20-dic-2018
Conexión de la base de datos con MATLAB
21-dic-2018 2 23-dic-2018
Procesamiento de imagines digitales 26-dic-2018 3 29-dic-2018
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Diseño: En este proceso se diseña la topología de red donde va a funcionar la
aplicación móvil y el sistema de red neuronal para el procesamiento de imágenes
digitales. VER PROPUESTA TECNOLÓGICA. Además se procede a anexar la
pantalla de la aplicación móvil Android.
0 2 4 6
Desarrollo de la APP Android
Creación de la base de datosMySQL
Conexión de la base de datos conla APP Android
Creación de la red neuronal enMATLAB
Conexión de la base de datos conMATLAB
Procesamiento de imágenesdigitales
72
Figure No. 32 Pantalla de la aplicación móvil Android
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Implementación: En esta fase se detalla la programación de la aplicación móvil
y la conexión con la base de datos MySQL:
Declaración de variables
En este proceso se declaran las variables que serán utilizadas en cada una de las
funciones de la aplicación móvil Android.
73
Figure No. 33 Declaración de Variables
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Asignación de las funciones a cada uno de los botones
Una vez declaradas las variables se procede a asignar las funciones a cada uno
de los botones en Android Studio.
Figure No. 34 Asignación de Variables
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo Creación de funciones
En este caso se crea una función tipo void donde esta se encarga de seleccionar
la imagen que deseas almacenar en un directorio y en la base de datos MySQL.
74
Figure No. 35 Función tipo Void
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Después de haber seleccionado la imagen con sus respectivas características se
procede a almacenarla en la base de datos MySQL y en el directorio programado.
Figure No. 36 Función de características de la imagen
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo Después de seleccionar la imagen se envía un mensaje tipo JSON desde PHP
hacia la aplicación de Android Studio para verificar que se haya guardado
correctamente.
75
Figure No. 37 Función de Almacenamiento de imagen
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Antes de realizar un almacenamiento de la imagen se procede a llamar la instancia
de la clase y agregar un nombre a dicha imagen.
Figure No. 38 Función de Selección de Imagen
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
En esta fase se procede a crear una función tipo String que permita extraer los
byte de la imagen y poderla subir correctamente.
76
Figure No. 39 Función de Formato de Imagen
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Operación: En esta fase se detalla se anexa las imágenes que se almacenaron
en el directorio programado en PHP.
Una vez programadas las funciones de almacenamiento de información en la base
de datos MySQL se realiza las respectivas pruebas y se procede a verificar que
las imágenes estén guardadas en el directorio programado, además se muestra
la clase MySingleton donde a través de esta se pueden almacenar las imágenes
correctamente.
Figure No. 40 Almacenamiento de datos en la base de datos
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
77
Figure No. 41 Imágenes almacenadas en el servidor desde la APP Android
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
ENTREGABLES DEL PROYECTO
Los entregables del proyecto son los siguientes:
• Preguntas de encuestas.
• Programación de PHP de conexión a la base de datos MySQL.
• Procesamiento de imágenes digitales de MATLAB.
• Diseño de la red neuronal.
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA
Para determinar la validación del proyecto de titulación se tomó en consideración
la constancia del criterio de juicio de experto, y se realizó la investigación de
campo aplicando como técnica de recolección de información la encuesta con un
total de 10 preguntas, dirigida a personas con conocimientos de producción de
banano y exportación de la fruta con el objetivo de verificar el máximo nivel de
aceptación del proyecto llegando a la conclusión que se tome en consideración
este proyecto para medir el tamaño y la madurez del banano mediante redes
neuronales.
En caso del juicio de experto se estableció un dialogo con el Ing. Andrés Mera
experto en agronomía donde el indica que la propuesta tecnológica presenta los
recursos necesarios para su aplicación en campos de producción de frutas donde
esto optimiza el tiempo de calibración o medición del tamaño y madurez de una
fruta como el banano objeto de este proyecto. Además, se detalla que este
proyecto es de gran ayuda para la mayoría de las compañías productoras de
banano debido a que algunas de estas no poseen conocimiento de cómo mejorar
el proceso de medición del banano.
78
PROCESAMIENTO Y ANÁLISIS
La encuesta se encuentra dirigida al personal que labora en las bananeras
ubicadas en el sector del Km 26 vía Duran-Boliche, la encuesta consta de un total
de 10 preguntas que serán tabuladas en la herramienta Excel y se utilizaran
gráficos de pastel para la respectiva tabulación. A través de la encuesta podemos
verificar si el proyecto de titulación cuyo tema es: “DESARROLLO DE UNA
HERRAMIENTA INFORMÁTICA BASADA EN VISIÓN ARTIFICIAL PARA EL
RECONOCIMIENTO DEL BANANO PARA LA EXPORTACIÓN APLICANDO
PROCESAMIENTO DE IMÁGENES DIGITALES Y SU SIMULACION EN
MATLAB MEDIANTE REDES NEURONALES” es viable y posea la capacidad de
proporcionar alternativas de solución al problema del calibrado del banano.
En esta encuesta tiene como objetivo indagar más sobre el problema del calibrado
del banano que se ha ido presentando con el transcurso del tiempo, además, se
pretende recabar la mayor cantidad de información para finalmente anexar
evidencias de cómo el proyecto puede disminuir el problema presente.
Adicionalmente se pretende saber opiniones de las personas que serán partícipes
en las encuestas sobre las tecnologías de la información y comunicación que
serán aplicadas al calibrado del banano.
La encuesta se logró aplicar a un total de 40 personas de la muestra de la
población, obteniendo los siguientes resultados y análisis de las preguntas.
Población
La población a considerar son las 46 personas que trabajan en haciendas
bananeras del KM 26 VÍA DURAN-BOLICHE.
Muestra
La muestra es un subconjunto representativo de la población que ayudan al
investigador a seguir con el transcurso de la investigación. Existen diferentes tipos
de muestreo. El tipo de muestra seleccionada dependerá de la calidad y cuán
representativo se quiera que sea el estudio de la población.
79
Calculo de la Muestra
Para realizar el cálculo de la muestra se toma en consideración la siguiente
fórmula:
n =𝑚
𝑒2(m − 1) + 1
Datos de la formula
• M = Tamaño de la población (46)
• E = Error de Estimación (6%)
• N = Muestra (40)
n =46
(0.06)2(46 − 1) + 1
n =46
1.162
n = 39.58
n = 40 personas a encuestar
80
ENCUESTA REALIZADA A LOS TRABAJADORES DE LAS
HACIENDAS BANANERAS UBICADAS EN EL KM 26 DE LA VÍA
DURÁN-BOLICHE
1. ¿En qué tiempo usted se tarda en medir el tamaño del banano?
Tabla No. 7 Pregunta 1 Opciones Cantidad Porcentaje
0-15 min 8 20%
30-45 min 10 25%
1 hora 2 5%
Más de 2 horas 20 50%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 42 Porcentaje de Respuesta de la Pregunta 1
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 50% de las personas
encuestadas se toman un tiempo de dos horas para medir el tamaño de la banana.
0-15 min20%
30-45 min25%
1 hora5%
Más de 2 horas50%
81
2. ¿Durante la producción del banano ha sido rechazada la fruta
por no aprobar los controles de calidad?
Tabla No. 8 Pregunta 2 Opciones Cantidad Respuesta
SI 30 75%
NO 10 25%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 43 Porcentaje de Respuesta de la Pregunta 2
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 75% de las personas
encuestadas indican que la fruta ha sido rechazada por no aprobar los controles
de calidad.
SI75%
NO25%
82
3. ¿Si contesto SI en la pregunta dos, ha pensado usted en mejorar
el proceso de medición del banano para obtener un tamaño
óptimo que permita que la fruta apruebe los controles de
calidad?
Tabla No. 9 Pregunta 3 Opciones Cantidad Respuesta
SI 25 62%
NO 15 38%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 44 Porcentaje de Respuesta de la Pregunta 3
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 62% de las personas
encuestadas indican que si han pensado en mejorar el proceso de medición del
banano para obtener un tamaño óptimo en la fruta que permita aprobar los
controles de calidad.
SI62%
NO38%
83
4. ¿Cuántas veces ha sido rechazado su banano por motivo del
tamaño?
Tabla No. 10 Pregunta 4 Opciones Cantidad Porcentaje
1 Vez 5 12%
Más de 1 Vez 10 25%
Varias Veces 25 63%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 45 Porcentaje de Respuesta de la Pregunta 4
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 63% de las personas
encuestadas indican que sus cajas de banano han sido rechazadas varias veces.
1 Vez12%
Más de 1 Vez25%
Varias Veces63%
84
5. ¿Ha pensado en implementar un sistema de medición del
tamaño de la banana?
Tabla No.11 Pregunta 5 Opciones Cantidades Porcentaje
SI 35 87%
NO 5 13%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 46 Porcentaje de Respuesta de la Pregunta 5
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 87% de las personas
encuestadas indican que si han pensado en implementar un sistema que medida
el tamaño del banano.
SI87%
NO13%
85
6. ¿Estaría usted de acuerdo que se mejore el proceso de
calibración del banano disminuyendo los errores de medición
que provocan rechazos en la fruta?
Tabla No. 12 Pregunta 6 Opciones Cantidades Porcentaje
Totalmente de
Acuerdo 35 87%
De Acuerdo 1 3%
Indiferente 2 5%
Totalmente en
desacuerdo 2 5%
En desacuerdo 0 0%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 47 Porcentaje de Respuesta de la Pregunta 6
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 87% de las personas
encuestadas indican que están totalmente de acuerdo que se mejore el proceso
de calibración del banano.
Totalmente de Acuerdo
87%
De Acuerdo3%
Indiferente5% Totalmente
en desacuerdo
5%
En desacuerdo
0%
86
7. ¿Usted como productora de banano posee controles que
ayuden a obtener una excelente producción de la fruta?
Tabla No.13 Pregunta 7 Opciones Cantidad Porcentaje
SI 2 5%
NO 38 95%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 48 Porcentaje de Respuesta de la Pregunta 7
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 95% de las personas
encuestadas indican que no poseen controles que ayuden a obtener una mejor
producción del banano.
SI5%
NO95%
87
8. ¿Cuáles son las causas que surgen y que provocan que el
banano sea rechazado?
Tabla No. 14 Pregunta 8 Opciones Cantidad Porcentaje
Falla en la medición
de la fruta 20 50%
Corte de la racima
antes de tiempo 15 37%
Corte de la racima
después de tiempo 5 13%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 49 Porcentaje de Respuesta de la Pregunta 8
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 50% de las personas
encuestadas indican que por fallas en la medición de la fruta se da el rechazo de
la misma.
Falla en la medición de
la fruta50%
Corte de la racima antes
de tiempo37%
Corte de la racima
después de tiempo
13%
88
9. ¿Cuándo existe rechazo en las cajas de banano usted que
indicadores aplicaría para disminuir la perdida de la fruta?
Tabla No.15 Pregunta 9 Opciones Cantidades Porcentaje
Comida para ganado 4 10%
Ventas en mercados
latinos 16 40%
Ventas en el mercado
nacional 20 50%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 50 Porcentaje de Respuesta de la Pregunta 9
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 50% de las personas
encuestadas que venderían el banano en el mercado nacional para disminuir un
poco las pérdidas económicas.
Comida para ganado
10%
Ventas en mercados
latinos 40%
Ventas en el mercado nacional
50%
89
10. ¿Estaría usted de acuerdo que los agricultores se eduquen en
tecnologías informáticas para mejorar el proceso de calibración
del banano?
Tabla No. 16 Pregunta 10 Opciones Cantidad Porcentaje
Totalmente de
acuerdo 37 92%
De acuerdo 2 5%
Indiferente 1 3%
Totalmente en
desacuerdo 0 0%
En desacuerdo 0 0%
Total 40 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
Figure No. 51 Porcentaje de Respuesta de la Pregunta 10
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Análisis: Durante la encuesta se verificó que el 50% de las personas
encuestadas indican que están totalmente de acuerdo que los agricultores se
adapten a las tecnologías de la información y comunicación.
Totalmente de acuerdo
92%
De acuerdo5%
Indiferente 3%
Totalmente en desacuerdo
0%
En desacuerdo 0%
90
Pruebas del clasificador
En este caso se procesa la imagen original aplicando algoritmos de
segmentación.
Figure No. 52 Procesamiento de Imágenes
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Después de haber segmentado se procede a seleccionar la imagen original,
para su respectiva evaluación.
Figure No. 53 Selección de la imagen original
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
91
Por último se la recorta y se presenta un mensaje que el banano es
aceptado porque cumple con las condiciones de exportación.
Figure No. 54 Recorte de la Imagen
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
Figure No. 55 Banano Aceptado
Fuente: Trabajo de Investigación
Autor: Freddy Juanazo
92
CAPÍTULO IV
CRITERIOS DE ACEPTACIÓN DEL PRODUCTO O
SERVICIO
Tabla No.17 Criterios de Aceptación del Producto o Servicio Criterios o Alcances Cumplimiento % de
cumplimiento
Desarrollo de la aplicación móvil
Android.
X 100%
Conexión de la aplicación móvil
Android con la base de datos MySQL.
X 100%
Acceso a las imágenes mediante una
carpeta localhost desde la herramienta
MATLAB.
X 100%
Procesamiento de imágenes digitales
en MATLAB.
X 100%
Diseño de la red neuronal en MATLAB. X 100%
Preguntas de Encuestas X 100%
Fuente: Trabajo de Investigación Autor: Freddy Juanazo
93
CONCLUSIONES
• Para el desarrollo de una herramienta informática desarrollada se utilizaron
los softwares de Android Studio y Matlab donde el primero se lo programo
para adquisición de imágenes y a su vez se conectó el aplicativo móvil con
PHP para el envío de muestra mediante la red estableciendo una ruta
donde se almacenan dichas muestras, el segundo toma las muestras para
después analizarlas y guardarlas en otro directorio.
• Para construir la línea base de la caracterización del banano se realizó un
levantamiento de información mediante investigaciones bibliográficas
donde se recopilaron datos sobre los controles de calidad de la fruta, de
fuentes principales como AGROCALIDAD, DATACOMEX S.A., AEBE y
Conferencia de las naciones unidas sobre comercio y desarrollo en lo cual
se extrajo información de suma importancia referente al tema de
exportación del banano.
• Para determinar el nivel de madurez del banano se realizó una
investigación bibliográfica donde a través de un escrito realizado por el
autor Mackenzie Wright en la cual el indica cuales son las etapas de
maduración de la fruta para el consumo. También se visitó otra fuente
donde publicaron el proceso de climatización de la fruta, detallando la
temperatura necesaria que está en un rango sugerido de 18 a 20 °Cen las
cámaras, con el objetivo de que se dé una maduración optima de dicho
banano en base a los niveles de temperatura establecidos.
• A través de un aplicativo móvil desarrollado en Android Studio se
adquirieron muestras del banano que fueron tomadas con la cámara digital
de un teléfono inteligente, cuyas muestras fueron ingresadas en una
simulador de procesamiento digital de imágenes desarrollado en MATLAB
para la clasificación del banano determinando si es apto para exportación
se utilizó una red neuronal convolucional pre-entrenada ResNet-
50 empleando la herramienta Deep Learning Toolbox.
94
RECOMENDACIONES
• Implementar sistemas de redes neuronales en empresas dedicadas a la
producción de banano con el objetivo de mejorar y mantener los controles
de calidad que permitan exportar la fruta sin rechazo.
• Ejecutar procesos de imágenes digitales para fines de mejora de la
producción de banano, reduciendo los posibles errores humanos en la
calibración y medición del nivel de madurez de cada banano.
• Desarrollar aplicativos móviles Android que permitan tomar muestras sobre
los bananos optimizando de esta manera el tiempo de calibración y
medición de los niveles de madurez de la fruta digitalizando el proceso.
95
BIBLIOGRAFÍA
Anegón, F. d. (2002). La aplicación de Redes Neuronales Artificiales (RNA):.
Arroyal, I. V. (2016). Retoque digital de imágenes. ARGG0110.
Artigas, J. M. (2002). Fundamentos de colorimetría.
BALLIN. (2018). Modelo computacional de ayuda a la toma de decisiones.
Guayaquil.
Castrillón, O., Giraldo, J., & Sarache, W. (2008). Sistema de Clasificación
Bayesiano basado en Múltiples Clases. Journal of Systemics, Cybernetics anf
Informatics , 25.
Cerrada, C. (2002). Introduccion a la Vision Por Computador. En C. J. Sánchez,
Libro Avances en robótica y visión por computador (págs. 30-45). Castilla:
Ediciones de la Universidad de Castilla-La Mancha.
Elizondo, J. J. (2002). Fundamentos de procesamiento de imágenes digitales.
Tijuana-Mexico.
Escolano, F., Cazorla, M., Alfonso, M., Colomina, O., & Lozano, M. (2003).
Inteligenci Artificial, Modelos Técnicas y Áreas de Aplicación. España, Madrid:
Graficas Rogar.
Esqueda, J., & Palafox, L. (2004-2005). Fundamentos de Procesamiento de
Imágenes. Baja Califironia: Departamento de Editorial Univeristario.
González, A., Martínez, F., Pernía, A., Alba, F., Castejón, M., Ordieres, J., y otros.
(2006). Técncas y algoritmos básicos de visión artificial. La Rioja: Universidad de
La Rioja, Servicios de Publicaciones.
González, M. L. (2015). Selección y adecuación de la imagen para productos
editoriales.
J. M. Artigas, P. C. (2002). Tecnología del color.
Macias, R., Rodríguez, J., & Alba-Juárez, J. (2016). Extraccion de bordes;
Operadores Sobel, Prewitt y Roberts.
http://www.boletin.upiita.ipn.mx/index.php/ciencia/669-cyt-numero-55/1293-
extraccion-de-bordes-operadores-sobel-prewitt-y-roberts.
Manuel Martín 2013, O. Procesamiento Digital de Imágenes. Enero 2013. FCC –
BUAP, Puebla-Mexico.
Martín, M. (2013). Procesamiento Digital de Imágenes. Puebla-Mexico.
MATICH. (2001). Redes Neuronales. Argentina.
96
Ministerio de Agricultura, G. A. (2014). Manual de aplicabilidad de buenas
prácticas agrícolas de banano.
Nilsen, M., & Madrigal, C. (2016). Clasificación de calidad de fresas usando
procesamiento de imágenes y máquinas. Repositorio Institucional Universidad
Inca Garcilazo de la Vega , 157-163.
ORDOÑEZ, G. (2005). DISEÑO DE UN PROCESO PARA LA MADURACION
ACELERADA DEL BANANO UTILIZANDO ETEFON COMO AGENTE
MADURADOR. GUAYAQUIL.
Platero, C. (2009). Apuntes de vision artificia. España: Free Software Foundation,
Inc.
Querejeta Simben 2015i, P. Procesamiento digital de imágenes. Julio 2015.
Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca,
Argentina, Bahía Blanca.
Real, J., Granado, B., Perez, E., & Valle, L. D. (2016-2017). Sistema de
Reconocimiento de frutas. OPERA, Universidad de Sevilla , 4-5.
Romero, A., Marin, A., & Jimenez, J. (2015). Sistema de clasificacion por vision
artificial de mangos Tommy. UIS Ingenierias, Revista de la Facultad de Ingienierias
Fisicomecanicas , 22-30.
S.L., E. E. (02 de Noviembre de 2016). cocoschool. Obtenido de
https://www.cocoschool.com/pixel-funcion-fotografia-digital/
Sandoval, Z. &. (2009). Procesamiento de imagenes para la clasificacion del cafe
cereza.
Sandoval, Z., & Prieto, F. (2009). Procesamiento de imagenes para la clasificacion
del cafe cereza. Redalyc , 67-73.
Serna, N. L., & Roman, U. (2009). Tecnicas de segfmentacion de Procesamiento
de imágenes. Revista de Investigacion UNMSM , 9-16.
Villamar, A. B. (2017). APP preguntativa, responsiva,. Guayaquil.
97
ANEXOS
98
ANEXO I: FORMATO DE ENCUESTAS REALIZADAS TRABAJO DE TITULACIÓN: DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA
APLICANDO REDES NEURONALES
Encuesta realizar por el estudiante Freddy Juanazo Paucar de la Universidad de Guayaquil
Facultad de Ciencias Matemáticas y Física Carrera de Ingeniería en Sistemas
Computacionales para la obtención de datos relevantes sobre el calibrado de la banana
que es para la exportación
*marque una X la respuesta que usted cree conveniente solo se puede elegir una sola
opción
1. ¿En qué tiempo usted se tarda en medir el tamaño del banano?
a. 0-15 min
b. 30-45 min
c. 1 hora
d. Más de 2 horas
2. ¿Durante la producción del banano ha sido rechazada la fruta por no aprobar
los controles de calidad?
a. SI
b. NO
3. ¿Si contesto SI en la pregunta dos, ha pensado usted en mejorar el proceso
de medición del banano para obtener un tamaño óptimo que permita que la
fruta apruebe los controles de calidad?
a. SI
b. NO
4. ¿Cuántas veces ha sido rechazado su banano por motivo del tamaño?
a. 1 Vez
b. Más de 1 Vez
c. Varias Veces
99
ANEXO II: MANUAL DE USUARIO
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
“DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN
VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO
PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE
IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE
REDES NEURONALES.”
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
FREDDY ALEX JUANAZO PAUCAR
TUTORA:
ING. IRMA NARANJO PEÑA M.SC.
GUAYAQUIL – ECUADOR
2019
100
PANTALLA PRINCIPAL
En este caso la pantalla de la aplicación móvil Android está compuesta por dos
botones que son los siguientes:
BOTÓN CHOOSE IMAGE
El botón Choose Image se encarga de que el usuario seleccione una foto desde
la galería y le asigne un nombre al archivo para después enviar la imagen al
servidor de aplicaciones.
Una vez presionado el botón Choose Image aparece la ventana de galería donde
el usuario puede seleccionar la imagen que desee subir.
101
Después de haberse seleccionado la imagen se le asigna un nombre y se la envía
al servidor de aplicaciones.
102
BOTÓN UPLOAD IMAGE
El botón Upload Image se encarga de enviar la imagen al servidor de
aplicaciones.
Después de haber presionado el botón Upload Image las imágenes se almacenan
en el directorio seleccionado en la aplicación móvil Android.
Análisis de las imágenes de la banana desde el software MATLAB
PANTALLA PRINCIPAL DE MATLAB
103
El botón Buscar Muestra para calibrar cumple con la función de que el usuario
pueda seleccionar una imagen almacenada en el directorio programado en la
aplicación.
BOTÓN BUSCAR MUESTRA
Después de haberse seleccionado la imagen se procede a realizar los respectivos
análisis de la imagen seleccionada en diferentes etapas por medio del botón
Analizar Muestra Banano.
104
ANALIZAR MUESTRA DE BANANO
Partiendo desde la imagen original se visualiza las siguientes etapas de la misma
aplicando tratamiento de la imagen.
105
En este proceso se verifica que la imagen a utilizar sea la original para el
procesamiento de la misma a través de la visión artificial.
En este proceso se verifica como la imagen es recortada y se muestran los
histogramas de la misma
Una vez realizado los respectivos tratamientos de la imagen se almacena la misma
imagen con el nombre de aprobación de la fruta.
106
BOTÓN GUARDAR MUESTRA
Para pasar a la siguiente calibración de la banana se procede a realizar un barrido
en la pantalla con el botón limpiar.
BOTÓN LIMPIAR
Por último se finaliza el proceso de calibración de la fruta por medio del botón salir.
BOTÓN SALIR
107
ANEXO III: MANUAL TÉCNICO
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
“DESARROLLO DE UNA HERRAMIENTA INFORMÁTICA BASADA EN
VISIÓN ARTIFICIAL PARA EL RECONOCIMIENTO DEL BANANO
PARA LA EXPORTACIÓN APLICANDO PROCESAMIENTO DE
IMÁGENES DIGITALES Y SU SIMULACION EN MATLAB MEDIANTE
REDES NEURONALES.”
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
FREDDY ALEX JUANAZO PAUCAR
TUTORA:
ING. IRMA NARANJO PEÑA M.SC.
GUAYAQUIL – ECUADOR
2019
108
CÓDIGO DE LA APLICACIÓN MÓVIL ANDROID
Dentro del activity_main se crean los controles que serán utilizados para realizar
la llamada a cada una de las funciones.
En el Android Manifest se asignan los permisos de acceso a internet mediante la
función android.permission.INTERNET para que el usuario pueda enviar las
imágenes desde la aplicación móvil al servidor. También se asignan los permisos
de lectura del archivo a través de la función de
109
android.permission.READ_EXTERNAL_STORAGE para proceder a visualizar
el tipo de imagen seleccionada.
En este segmento se declaran las librerías para la llamada de cada uno de
los métodos y funciones que vienen integradas en estos repositorios. Como
la librería Bitmap que se encarga de manejar las imágenes, la Volley que
es encargada de enviar los archivos al servidor a través de la red de internet
y JSON para los distintos formatos de lectura y asignación de un nombre y
valor a la imagen.
En este segmento se declaran las variables de tipo prívate que serán utilizadas
en cada una de las funciones de la aplicación móvil Android.
110
Después de haber declarado las variables se procede a crear la función onClick
para los botones y se llama a cada una de las funciones creadas en los mismos
botones.
Por medio de esta función selectImage (), se selecciona la imagen de cualquier
tipo desde la galería del dispositivo móvil Android. En el método
ACTION_GET_CONTENT, muestra al usuario el listado de imágenes
almacenadas en el dispositivo móvil dando la oportunidad a que él pueda
seleccionar alguna. También este método permite que el archivo seleccionado se
pueda visualizar por pantalla y devuelve el resultante del archivo. El método
IMG_REQUEST se encarga de devolver la imagen seleccionada por el usuario.
Por medio de la función onActivityResult permite verificar que si la imagen esta
seleccionada y lista para ser enviada, se muestra como resultado la visualización
de la imagen por medio del método VISIBLE, la asignación de un nombre y la
dirección donde la imagen va hacer almacenada por medio del método bitmap
111
Mediante la función uploadImage (), se envía la imagen al directorio programado
a través de la red de internet y con el método JSONObject se envía un mensaje
de confirmación que el archivo ha sido guardado con existo mediante un Array.
Mediante la función imageToString se selecciona el formato de imagen JPEG
para que el usuario seleccione dichas imágenes con ese formato si selecciona con
112
otro formato la aplicación las convierte automáticamente al formato JPEG.
También con el método Base64 retorna la imagen como tipo String.
Las líneas de código PHP se las utilizas para realizar la conexión entre el aplicativo
móvil y el ordenador donde serán almacenados los archivos JPEG y el método
json_enconde es el que se encarga de responder si la imagen se encuentra
almacenada en la ruta programada.
113
En este apartado se instala la librería Volley para que la aplicación móvil Android
pueda enviar los archivos JPEG al ordenador que los almacenara en una ruta
programada.
CÓDIGO DEL CALIBRADOR DE BANANO
La función buscar_muestra es la encargada de abrir un directorio donde se
encuentran almacenadas las imágenes de la banana para después ser
analizadas, se está utilizando variables globales para aplicarlas en el programa
calibrador. El método uigetfile se especifica la ruta y el tipo de archivo que se van
a mostrar. En el método fullfile se envía el nombre y la carpeta donde se
encuentra la imagen. Una vez encontrada la imagen esta es presentada en un
axes.
114
En la función generar_reporte_analisis se almacenan los resultados de las
imágenes procesadas en el calibrador de banano de la siguiente manera:
• Nombre de la imagen.
• Resultado (Aprobado-Reprobado)
• Fecha del análisis.
En la variable folder se va almacenar las imágenes ya procesadas en la ruta que
se especifica en el calibrador a través del método strcat (), mediante el cual
permite concatenar y asignarle un nuevo nombre a la imagen procesada con su
respectiva extensión. El método imwrite escribe en el nuevo directorio la imagen
con su nuevo nombre.
115
En la función analizar tiene como ingreso la imagen seleccionada por medio del
botón Buscar Muestra para Calibrar y se procede con el análisis de la imagen
con los siguientes métodos:
• En la variable img_RGB se almacena la imagen seleccionada.
• En el método graythresh convierte la imagen umbralizada.
• El método im2bw la binariza
Con el método rgb2_graypresenta la imagen el filtrado de la imagen en escala de
grises. Por medio del método edge se aplica la detección de bordes mediante la
ejecución del algoritmo Sobel. Por último el método im_dilate se obtiene los
bordes de dicha imagen de forma dilatada.
Se limpian los “agujeros” de la imagen mediante el método im_fill.
116
Se extraen las características de la imagen por medio del método regionprops, a
la cual se envía la imagen binarizada. Mediante el ciclo for realiza un recorrido de
la matriz de la imagen que comienza en 1 hasta el tamaño de dicha imagen
almacenada en la variable propied, realizando recuadros tomando el centro de la
imagen como referencia.
Para la corrección de ruido de la imagen se aplica el método rectangle () donde
este selecciona en áreas pequeñas los puntos negros que puede presentar dicha
imagen. El método round es el que se encarga de redondear los valores de la
imagen aproximándola a un entero.
117
Para el cálculo de las áreas de la imagen se aplica el método bwboundaries ()
que es utilizado para hallar el perímetro de la imagen en línea amarilla. El método
Área de la variable propied2 se obtiene el número de pixeles, mientras que el
método Centroid de la misma variable se obtiene la coordenada referente al
centro de la imagen.
118
Se presenta la imagen con sus respectivos histogramas en formato RGB y se
ejecuta el recorte por medio del método imcrop (), que tiene como parámetro la
imagen original y la imagen recortada.
119
Se establece una condicionante que si se determina que el área es menor o igual
que al número de pixeles 631818 se presenta como mensaje el tamaño óptimo
para exportación de la fruta, caso contrario se presenta como mensaje que el
tamaño no es válido para exportación.
Para determinar el nivel de madurez se realiza una validación mediante
condicionante y se presenta como mensaje el color de la banana que aparece en
la imagen. La suma de la matriz de cada color por medio del método sum (),
determina el color total de la fruta. Por último en cada uno de los if toma un color
para realizar la comparación resultante de las sumatorias.
120
En la función salir se aplica el método questlg que realiza una pregunta a través
de un cuadro de dialogo aplicando condicionante if si se cumple con la condición
se llama al método close (), que permite el cierre del programa calibrador.
En la función limpiarse encera todas las variables globales.
121
INSTALACIÓN DE XAMPP
A continuación se inicia el asistente de instalación. Para continuar, haga clic en el
botón "Next".
Los componentes mínimos que instala XAMPP son el servidor Apache y el
lenguaje PHP, pero XAMPP también instala otros elementos. En la pantalla de
selección de componentes puede elegir la instalación o no de estos componentes.
Para seguir estos apuntes se necesita al menos instalar MySQL y phpMyAdmin.
122
En la siguiente pantalla puede elegir la carpeta de instalación de XAMPP. La
carpeta de instalación predeterminada es C:\xampp. Si quiere cambiarla, haga
clic en el icono de carpeta y seleccione la carpeta donde quiere instalar XAMPP.
Para continuar la configuración de la instalación, haga clic en el botón "Next".
La siguiente pantalla ofrece información sobre los instaladores de aplicaciones
para XAMPP creados por Bitnami. Haga clic en el botón "Next" para continuar. Si
deja marcada la casilla, se abrirá una página web de Bitnami en el navegador.
123
Una vez elegidas las opciones de instalación en las pantallas anteriores, esta
pantalla es la pantalla de confirmación de la instalación. Haga clic en el botón
"Next" para comenzar la instalación en el disco duro.
El proceso de copia de archivos puede durar unos minutos.
124
Durante la instalación, si en el ordenador no se había instalado Apache
anteriormente, en algún momento se mostrará un aviso del cortafuegos de
Windows para autorizar a Apache a comunicarse en las redes privadas o públicas.
Una vez elegidas las opciones deseadas (en estos apuntes se recomienda permitir
las redes privadas y denegar las redes públicas), haga clic en el botón "Permitir
acceso".
Una vez terminada la copia de archivos, la pantalla final confirma que XAMPP ha
sido instalado. Si se deja marcada la casilla, se abrirá el panel de control de
XAMPP. Para cerrar el programa de instalación, haga clic en el botón "Finish".
125
El Panel de Control de XAMPP
Abrir y cerrar el panel de control
Al panel de control de XAMPP se puede acceder mediante el menú de inicio
"Todos los programas > XAMPP > XAMPP Control Panel" o, si ya está iniciado,
mediante el icono del área de notificación.
La primera vez que se abre el panel de control de XAMPP, se muestra una ventana
de selección de idioma que permite elegir entre inglés y alemán.
El panel de control de XAMPP se divide en tres zonas:
• la zona de módulos, que indica para cada uno de los módulos de XAMPP:
si está instalado como servicio, su nombre, el identificador de proceso, el
puerto utilizado e incluye unos botones para iniciar y detener los procesos,
administrarlos, editar los archivos de configuración y abrir los archivos de
registro de actividad.
• la zona de notificación, en la que XAMPP informa del éxito o fracaso de las
acciones realizadas
• la zona de utilidades, para acceder rápidamente
126
INSTALACIÓN DE ANDROID STUDIO
Android Studio es la herramienta desarrollada por Google especialmente para los
desarrolladores de aplicaciones de Android. Gracias a ella es posible programar
dichas aplicaciones dentro de un entorno especializado a la vez que nos brinda de
otra serie de posibilidades que abordaremos más adelante como por ejemplo la
posibilidad de crear máquinas virtuales y emuladores de Android para poder
disponer de este sistema operativo desde nuestro ordenador.
Para poder utilizar las ventajas del Android Studio en nuestro ordenador lo primero
que debemos hacer es instalar el entorno de desarrollo así como el SDK que nos
permite hacer uso de las funciones de Android en nuestro PC y poder programar
para este sistema operativo.
Para ello lo primero que debemos hacer es descargar la versión más reciente de
Android Studio.
Una vez descargado el instalador correspondiente a nuestro sistema operativo
(por defecto la propia web detectará nuestro sistema operativo y nos ofrecerá la
mejor versión acorde a él) lo ejecutamos en nuestro equipo para comenzar con la
instalación.
Lo primero que veremos será el asistente de instalación de Android Studio.
127
El proceso de instalación es muy sencillo, como prácticamente cualquier otra
aplicación para nuestro sistema operativo, aunque de todas formas vamos a
analizar el proceso paso a paso. Seguimos con el asistente y nos preguntará por
los componentes que queremos instalar de esta suite de programación.
Lo más recomendable es instalar todos para tener todas las funciones disponibles
en caso de que queramos utilizarlas. Seguimos con el asistente y llegaremos a la
licencia y a los términos de uso, que debemos aceptar para poder seguir con la
instalación.
128
En el siguiente paso debemos elegir la ruta donde instalaremos nuestro Android
Studio. Debemos elegir una ruta para el programa en sí y otra diferente para
instalar el SDK, con bastante espacio disponible ya que las descargas y
actualizaciones de los componentes de este suelen ocupar bastante espacio.
En el siguiente paso el asistente nos preguntará por la cantidad de memoria RAM
que queremos asignar para el uso de máquinas virtuales y emuladores de Android.
Cuanta mayor memoria mejor rendimiento tendrán estas, aunque debemos tener
en cuenta que ni ningún smartphone cuenta con más de 2GB de memoria (de
momento) y que el sistema operativo y las demás aplicaciones de nuestro
ordenador también necesitan memoria, por lo que la cantidad que nos aparezca
como recomendada será la que debemos dejar.
129
Con esto comenzará ya la copia de los archivos al disco duro. Este proceso puede
tardar más o menos tiempo según la velocidad de nuestro sistema.
130
Una vez finalice la instalación Android Studio se conectará a Internet y descargará
los elementos del SDK necesarios para funcionar correctamente.
Una vez finalice esta copia de datos ya estaremos listos para utilizar nuestro
entorno de programación de Android.
131
INSTALACIÓN DE MATLAB
132
133
134
135
136
ANEXO IV: CODIGO MATLAB clc;clear all; outputFolder = 'C:\Users\USER\Documents\tesis\bananos'; rootFolder = fullfile(outputFolder); categories = {'banano_no_apto_exceso_maduracion',
'banano_no_apto_maduro',
'banano_no_apto_pinton','banano_no_apto_verde','bananos_verdes_exp
ortacion'}; imds = imageDatastore (fullfile (rootFolder, categories),
'LabelSource' , 'foldernames' ); tbl = countEachLabel (imds); tbl; minSetCount = min (tbl {:, 2}); % determina la menor cantidad de
imágenes en una categoría
% Use el método splitEachLabel para recortar el conjunto. imds = splitEachLabel (imds, minSetCount, 'randomize' );
% Observe que cada conjunto ahora tiene exactamente el mismo
número de imágenes. countEachLabel (imds) % Encuentra la primera instancia de una imagen para cada
categoría. banano_no_apto_exceso_maduracion = find(imds.Labels ==
'banano_no_apto_exceso_maduracion', 1); banano_no_apto_maduro = find(imds.Labels ==
'banano_no_apto_maduro', 1); banano_no_apto_pinton = find(imds.Labels ==
'banano_no_apto_pinton', 1); banano_no_apto_verde = find(imds.Labels ==
'banano_no_apto_verde', 1); bananos_verdes_exportacion = find(imds.Labels ==
'bananos_verdes_exportacion', 1);
figure subplot(2,3,1); imshow(readimage(imds,banano_no_apto_exceso_maduracion)) subplot(2,3,2); imshow(readimage(imds,banano_no_apto_maduro)) subplot(2,3,3); imshow(readimage(imds,banano_no_apto_pinton)) subplot(2,3,4); imshow(readimage(imds,banano_no_apto_verde)) subplot(2,3,5); imshow(readimage(imds,bananos_verdes_exportacion))
% De carga de red pre-entrenada net = resnet50 ();
137
% Visualiza la primera sección de la red. figure plot(net) title('First section of ResNet-50') set(gca,'YLim',[150 170]); net.Layers(1) % Inspect the last layer net.Layers(end)
% Number of class names for ImageNet classification task numel(net.Layers(end).ClassNames) [trainingSet, testSet] = splitEachLabel(imds, 0.3, 'randomize');
% Crear augmentedImageDatastore desde los conjuntos de prueba y
entrenamiento para cambiar el tamaño % imágenes en imds al tamaño requerido por la red. imageSize = net.Layers(1).InputSize; augmentedTrainingSet = augmentedImageDatastore(imageSize,
trainingSet, 'ColorPreprocessing', 'gray2rgb'); augmentedTestSet = augmentedImageDatastore(imageSize, testSet,
'ColorPreprocessing', 'gray2rgb');
% Obtener los pesos de red para la segunda capa convolucional w1 = net.Layers(2).Weights; % Escala y redimensiona los pesos para visualización. w1 = mat2gray (w1); w1 = imresize (w1,5); % Muestra un montaje de pesos de red. Hay 96 conjuntos
individuales de % de pesos en la primera capa. figure montage(w1) title('Pesos de la primera capa convolucional')
featureLayer = 'fc1000' ; trainingFeatures = activations(net, augmentedTrainingSet,
featureLayer, ... 'MiniBatchSize', 32, 'OutputAs', 'columns'); % Obtener etiquetas de entrenamiento del entrenamiento trainingLabels = trainingSet.Labels; % Entrene al clasificador SVM multiclase utilizando un
solucionador lineal rápido y configure % 'ObservationsIn' to 'column' para que coincida con el arreglo
utilizado para la capacitación % caracteristicas. classifier = fitcecoc (trainingFeatures, trainingLabels, ... 'Learners' , 'Linear' , 'Coding' , 'onevsall' , 'ObservationsIn' ,
'columns' ); % Extraer características de prueba utilizando la CNN testFeatures = activations(net, augmentedTestSet, featureLayer,
... 'MiniBatchSize', 32, 'OutputAs', 'columns');
% Pasa las características de imagen CNN al clasificador entrenado
138
predictedLabels = predict(classifier, testFeatures,
'ObservationsIn', 'columns');
% Obtener las etiquetas conocidas testLabels = testSet.Labels;
% Tabular los resultados utilizando una matriz de confusión. confMat = confusionmat (testLabels, predictedLabels);
% Convertir la matriz de confusión en forma de porcentaje confMat = bsxfun(@rdivide,confMat,sum(confMat,2)) % Muestra la precisión media mean(diag(confMat))
%Ahora puede aplicar el clasificador recién entrenado para
categorizar nuevas imágenes. [nombre dir] =
uigetfile('C:\xampp\htdocs\uploads\imagenes\*.jpg','Abrir'); if nombre == 0 return end imagen= imread(fullfile(dir,nombre)) % Cree augmentedImageDatastore para cambiar automáticamente el
tamaño de la imagen cuando % características de la imagen se extraen mediante activaciones. ds = augmentedImageDatastore(imageSize, imagen,
'ColorPreprocessing', 'gray2rgb'); % Extrae características de la imagen usando la CNN imageFeatures = activations(net, ds, featureLayer, 'OutputAs',
'columns'); % Haz una predicción usando el clasificador label = predict(classifier, imageFeatures, 'ObservationsIn',
'columns')
139
ANEXO V: CARTA DE JUICIO DE EXPERTO