UNIVERSIDAD NACIONAL JOSÉ MARÍA ARGUEDAS

FACULTAD DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

Presentado por

JAIME NAVARRO CRUZ

DISEÑO DE UN SISTEMA POR VISION

ARTIFICIAL APLICANDO OPENCV PARA
LA CLASIFICACION DE PALTO EN EL
DISTRITO CHIARA
Asesor

ING. ROBERTO QUISPE QUISPE

PROYECTO DE TESIS PARA OPTAR EL TITULO PROFESIONAL

ANDAHUAYLAS – APURÍMAC – PERÚ

2020
 RESUMEN

En los últimos años la exportación de la palta ha venido en incremento notablemente

debido a los aportes nutricionales de calorías como: Carbohidratos, Azúcares Simples, Fibra

y Sodio. Así mismo por su aporte de grasas insaturadas o grasas esenciales, proporciona

muchos beneficios para el organismo.

Debido a las condiciones climatológicas que presenta Perú para su producción en

comparación de otros países que no cuentan con el clima apto para la producción de esta

fruta. Solo en el año 2020 las exportaciones de palta alcanzaron las 409,022 toneladas,

superando en 30% a la campaña 2019 y llegando a 34 mercados internacionales. (MINAGRI,

2021).

Hoy en la actualidad la clasificación del estado de la palta se realiza a partir de un análisis

manual después de la cosecha, exponiéndose y/o aumentando el porcentaje de errores

producidos en el proceso.

Los modelos y las técnicas de procesamiento de imágenes digitales y reconocimiento de

patrones implementadas son una propuesta prometedora en la automatización de procesos,

debido a las limitaciones de la vista humana para percibir detalles puntuales.

2
Índice

Tabla de Ilustraciones............................................................................................................ 5
Capítulo 1 Introducción e información general ................................................................ 6
1.1. Título del Proyecto ................................................................................................ 6
1.2. Autor del Proyecto ................................................................................................. 6
1.3. Asesor de Proyecto ................................................................................................ 6
1.4. Línea de Investigación ........................................................................................... 6
1.5. Área Priorizada del Proyecto.................................................................................. 6
1.6. Institución y lugar de ejecución del proyecto.......................................................... 6
1.7. Duración del proyecto. ........................................................................................... 7
1.8. Cronograma de ejecución del proyecto................................................................... 7
1.9. Presupuesto ........................................................................................................... 8
Capítulo 2 ............................................................................................................................. 8
2. Planteamiento del problema ........................................................................................... 8
2.1. Realidad Problemática ........................................................................................... 8
2.2. Formulación del Problema .......................................................................................... 9
2.3. Objetivos .................................................................................................................... 9
2.3.1. Objetivo General.................................................................................................. 9
2.3.2 Objetivos Específicos ........................................................................................... 9
2.4. Justificación ............................................................................................................. 10
2.5. Viabilidad de la investigación ................................................................................... 11
2.5.1. Viabilidad Técnica ............................................................................................. 11
2.5.2. Viabilidad económica. ....................................................................................... 11
2.5.3. Viabilidad Social. .............................................................................................. 11
2.5.4 Limitación del estudio ............................................................................................ 12
3. Capítulo 3.................................................................................................................... 12
4. 3. MARCO TEÓRICO ................................................................................................ 12
3.1. Antecedentes ............................................................................................................ 12
3.2. Fundamentos teóricos ............................................................................................... 14
3.2.1 Fundamentos en cosecha y pos cosecha de la palta. ............................................. 14
3.3. Fundamento en procesamiento de imágenes .............................................................. 15
3.3.1. Visión Artificial ................................................................................................. 15

3
 3.3.2. Imagen Digital ................................................................................................... 16
3.3.3. El Píxel. ............................................................................................................. 16
3.3.4. Profundidad de color .......................................................................................... 17
3.3.5. Modos de Color ................................................................................................. 17
3.3.6. Clasificación de Imágenes. ................................................................................. 20
3.3.7. Procesamiento Digital de Imágenes. ................................................................... 21
3.3.8. Detectores de Borde ........................................................................................... 21
3.3.9 Operaciones Morfológicas .................................................................................. 23
3.3.10 Segmentación de imágenes ............................................................................... 25
3.3.11. Reconocimiento de Patrones ............................................................................ 26
3.4. Metodología de desarrollo del software. ................................................................... 27
3.4.1 Metodologías ágiles. ........................................................................................... 27
CAPÍTULO 4...................................................................................................................... 31
5. Propuesta de Solución ................................................................................................. 31
7. Bibliografía ................................................................... Error! Bookmark not defined.

4
 Tabla de Ilustraciones

Figura 1: extraído de google............................................................................................. 16

Figura 2: elaboracion propia ............................................................................................. 17
Figura 3: Elaboración Propia ............................................................................................... 18
Figura 4: extraído de google ................................................................................................ 18
Figura 5: Extraído de google ............................................................................................... 19
Figura 6: Extraído de google ............................................................................................... 19

5
Capítulo 1

Introducción e información general

1.1. Título del Proyecto

Diseño de un sistema por visión artificial aplicando Opencv para la clasificación de

palto.

1.2. Autor del Proyecto

Nombres y Apellidos : Jaime Navarro Cruz

Escuela profesional : Ingeniería de sistemas

E-mail : [email protected]

1.3. Asesor de Proyecto

Nombres y Apellidos : Roberto Quispe Quispe

Departamento académico :

Categoría docente :

Modalidad :

E-mail :

1.4. Línea de Investigación

Ciencias de la Computación.

1.5. Área Priorizada del Proyecto

Inteligencia artificial y computación emergente para la gestión del conocimiento y la

competitividad (cód. 04030101)

1.6. Institución y lugar de ejecución del proyecto

Provincia de Andahuaylas.

6
1.7. Duración del proyecto.

La duración del proyecto está dada para un tiempo no mayor de xx meses hasta la fase

de pruebas.

1.8. Cronograma de ejecución del proyecto.

7
1.9. Presupuesto

Capítulo 2

2. Planteamiento del problema

2.1. Realidad Problemática

En la actualidad los productores no cuentan con un método que aplique para la

clasificación y selección de estos frutos. La clasificación y la selección se realizan de

manera rudimentaria apelando a la intuición humana, esto muchas veces conlleva la

falta de precisión y confiabilidad.

Todo ello genera imprecisiones y errores en la clasificación de la palta y en

consecuencia generando pérdidas de ingreso para el productor que muchas veces

8
 realiza grandes esfuerzos con el objetivo de obtener ganancias que permita brindar

buena calidad de vida al seno familiar.

El índice nacional hasta septiembre del 2020, afirma que creció en 32,4% al

compararla con similar mes del año anterior, sustentando en el incremento de las

superficies cosechadas y adecuadas condiciones que favorecieron su fase de

maduración. (INEI, 2020)

Si bien a nivel departamento de Apurímac se redujo no obstante se pronostica que la

tendencia a nivel nacional va en aumento.

Si bien es cierto que actualmente existen máquinas industriales que permiten la

clasificación de la palta por su tamaño, no obstante para el pequeño productor no le es

posible adquirir estas grandes máquinas al mismo tiempo estas grandes soluciones no

permite generar un análisis del estado de la palta.

El sistema de clasificación propuesto, es un método de selección y/o clasificación de

los frutos (paltas) que permite extraer y seleccionar los frutos aptos para el consumo

humano de la misma forma realizando una clasificación según el tamaño, color y

forma.

2.2. Formulación del Problema

¿Cuál es el resultado al emplear un sistema de visión artificial aplicando opencv para

la clasificación de palto?

2.3. Objetivos

2.3.1. Objetivo General

Diseñar e implementar un sistema por visión artificial aplicando opencv para la

clasificación de palto.

2.3.2 Objetivos Específicos

9
 ● Analizar los parámetros y las normas técnicas de calidad, para determinar la categoría

de la palta a nivel nacional.

● Diseñar la estructura de la cabina para la adquisición de imágenes de la palta

ingresante.

● determinar la técnica de iluminación en la cabina para la adquisición de imagen de la

palta.

● Diseñar el algoritmo aplicando la librería OPENCV en el lenguaje de programación

Python para la clasificación según el tamaño, color, forma.

2.4. Justificación

el presente trabajo de investigación brinda una alternativa de solución viable que

cumple con los requerimientos esenciales para la clasificación y selección de la palta para

pequeños y medianos productores agrícolas debido a la alta demanda ascendente de este

producto a nivel nacional e internacional, el diseño y la implementación del sistema por

visión artificial para generar una categorización adecuada de la palta según tamaño, forma y

color garantizando una producción óptima y una precisión alta al clasificar, con el fin de

brindar mayores herramientas y facilidades al productor.

El estudio se apoya para la categorización y selección de la palta en una norma de calidad

nacional, que nos indica un criterio de estandarización para el consumo nacional, basándose

en lo argumentado esta aplicación de visión artificial, nos permitirá profundizar y enriquecer

los conocimientos sobre las diferentes tecnologías del procesamiento digital de imágenes.

Asimismo, con este desarrollo del sistema de clasificación de palto se pretende mejorar la

producción de los pequeños y medianos empresarios del sector agrícola a nivel nacional y a

la vez ser una fuente de investigación para estudiantes o para investigadores que quieran

inmiscuirse en la rama de la visión artificial.

10
2.5. Viabilidad de la investigación

2.5.1. Viabilidad Técnica

Técnicamente, la presente investigación es viable debido a que se tiene los

conocimientos necesarios para realizarlo, ya que se cuenta con las herramientas de

libre acceso y además se cuenta con información técnica de apoyo en libros y sitios

web.

El diseño y la implementación del presente proyecto se basan en la Norma Técnica

Peruana 2001 que indica los parámetros de tamaño, forma, color de la palta para

determinar la calidad.

2.5.2. Viabilidad económica.

En el presente proyecto las herramientas de desarrollo a utilizarse como el

hardware son de fácil acceso a nivel nacional y de un costo muy módico, y en cuanto

a los algoritmos a aplicar en este proyecto son de libre acceso ya que son

pertenecientes a las herramientas catalogadas OpenSource, y por lo tanto el

proyecto a presentarse es económicamente viable.

2.5.3. Viabilidad Social.

El presente proyecto tendrá como resultado un software automatizado para la

clasificación y selección de la palta, que permitirá a los pequeños y medianos

productores de la palta realizar una selección y clasificación de la palta según su

tamaño, color, y forma de manera que se emplee menos recursos y gastos.

El software automatizado tendría muchas aplicaciones como en:

 Clasificación: clasificación del fruto según la forma y tamaño.

 Generalización: se podría ampliar las capacidades y adecuar el

software para otros productos.

11
  Comercio: la información obtenida podría utilizarse con fines

comerciales.

Descrito lo anterior se llega a la conclusión de que el proyecto es socialmente viable.

2.5.4 Limitación del estudio

La obtención de imágenes digitales se realizará con la ayuda de una cámara

ubicada en una determinada zona en condiciones controlada y estas posteriormente

se enviará a un centro de procesamiento en donde se realizará la extracción de las

características de los mismo con la ayuda de un ordenador y el software automático

instalado, las anomalías que se pueden presentar en este proceso y que puedan

impedir el normal desarrollo del análisis de la imagen son la mala calidad de las

imágenes a consecuencia por factores como ruidos, falla en el sistema eléctrico, etc.

3. Capítulo 3

4. 3. MARCO TEÓRICO

3.1. Antecedentes

En la actualidad se desarrollaron investigaciones para el análisis de

clasificación y selección de los diferentes productos agrícolas, las cuales presentan la

ventaja de automatizar el proceso y estimar de mejor manera el error obtenido en los

datos, a continuación se detallan:

● Software automático de reconocimiento de patrones para la discriminación de

granos de arroz pulido basado en procesamiento digital de imágenes.

(Palomino, 2014) en su tesis trató sobre determinar el número total de granos de

arroz pulido en una imagen digital y discriminarlos en función a su clase y tipo de

defecto de manera automática utilizando procesamiento digital de imágenes. La

12
 metodología empleada según su alcance fue explicativa, según el diseño de

contrastación fue mixto, ya que uno de los experimentos se utilizó granos de arroz

pulido comerciales formados al azar, y en el otro se utilizó granos con

características morfológicas específicas escogidos de manera deliberada.

En conclusión, la aplicación de procesamiento digital de imágenes reduce el ruido

en las imágenes digitales. El algoritmo desarrollado en Matlab resalta las

características morfológicas de los granos y facilita la obtención de información

para los resultados en la reducción del tiempo y margen de error muestran una

ventaja significativa frente al método convencional.

● Sistema de monitoreo y clasificación de vehículos.

(Camacho,2017) en la tesis presenta un diseño de algoritmo de análisis de tráfico

vehicular a través del procesamiento digital de imágenes, enfocado a la detección

y clasificación de vehículos.

Se seleccionaron diferentes tipos de algoritmos que permitan probar las

características antes mencionadas.

En conclusión, la clasificación de vehículos entregó resultados con una precisión

de 95% en condiciones climáticas promedio y disminuye su precisión al acercarse

la noche a un 90%.

● Segmentación binaria el video de una webcam en tiempo real.

(Hernandez Lopez, 2009) la tesis tiene como objetivo la segmentación de

secuencia de video en tiempo real, tratando de separar lo que es el primer plano

del fondo.

La idea principal de la tesis, está basada en la suposición de tener conocimiento

del fondo, y que en toda la secuencia de video el fondo es estático. Para cumplir

los requerimientos se utilizó diferentes tipos de algoritmos, basados en campos

13
 aleatorios Markovianos, además se agregó tres partes importantes (“Modificación

de la intensidad”, “Detección de sombras”, “y corrección de semejanza del color”).

Para acelerar el proceso en la CPU (Unidad de Procesamiento Central) se utilizó

la arquitectura GPU (Unidad de Procesamiento Gráfica), la cual permitió tener

resultados óptimos.

3.2. Fundamentos teóricos

Hoy en día las acciones diarias han excedido en mayor medida la percepción del ojo

humano; debido aquello se identificaron el gran beneficio de un sistema que permita

monitorizar de manera automatizada, precisa y con calidad las actividades diarias de los

productores.

La visión por computadora, es conjunto de paradigmas que permiten obtener información útil

con respecto a sus propiedades en un sin fin de sistemas a partir de imágenes digitales tanto

estáticas o dinámicas, por medio de un dispositivo eléctrico.

El procesamiento digital de imágenes se utiliza con diferentes fines como la obtención y

resaltado de las características de interés por parte del observador desde lo cual se aplican

técnicas para la captura, almacenamiento, procesamiento y presentación de las imágenes. A

continuación se detallan los fundamentos teóricos en cuanto a la cosecha de la palta.

3.2.1 Fundamentos en cosecha y pos cosecha de la palta.

En la actualidad a nivel nacional una gran cantidad de frutas han ganado espacio en el

mercado nacional e internacional, debido a la promoción del consumo de frutas con un alto

grado nutricional. A pesar de ello, todavía se encuentran brechas tecnológicas que es

importante cerrar. Dentro de las deficiencias a mejorar está el acompañamiento en las etapas

de cosecha y pos cosecha para así de esa manera reducir tiempo, recursos y pérdida de

productos, con el objetivo de incrementar la oferta con productos de mejor calidad.

14
3.2.2. Generalidades

La palta, o aguacate, es un fruto del árbol del género Persea perteneciente a la familia

Lauranceae, y se cultiva en climas tropicales y mediterráneos en todo el mundo. Tiene su

origen en Centroamérica y México donde se le conoce como Aguacate; es conocida como

palta en el Perú y en otros países más al sur. Tiene una antigüedad que fluctúa alrededor de

los 8 mil años; es una planta perenne de rápido crecimiento. (Buendia, 2015). La palta es

reconocida a nivel internacional por su alto valor nutricional como ácidos grasos

monoinsaturados, vitaminas, antioxidantes, minerales, agua, etc.

3.3. Fundamento en procesamiento de imágenes

3.3.1. Visión Artificial

Es también llamada “visión por computador” es una rama de la inteligencia

artificial que tiene como finalidad la interpretación de escenas a partir de las

imágenes suministradas por cámaras, utilizando para ello la potencia de

procesamiento y las prestaciones de un computador digital.

La finalidad de la visión artificial es asignar instrucciones a un computador que

entienda una escena o características de una imagen.

Las aplicaciones pueden ser muy diversos, como:

 Automatizar tareas repetitivas de inspección realizadas por operadores.

 Realizar controles de calidad de productos, reduciendo el nivel de error

con respecto a los métodos tradicionales.

 Estimar el comportamiento de un objeto.

 Reducir el tiempo de ciclo en procesos automatizados.

15
  Realizar inspecciones en procesos donde existe diversidad de piezas con

cambios frecuentes de producción.

3.3.2. Imagen Digital

Una imagen puede ser definida como una función de dos dimensiones f(x,y),

donde x e y con las coordenadas espaciales, y la amplitud de f de cualquier par

de coordenadas es llamada la intensidad o nivel de gris de la imagen en ese

punto. Cuando x, y y el valor de amplitud de f con finitos y discretos, la imagen es

llamada imagen digital y cada punto de esta imagen es conocida como pixel

(Gonzalez & wood, 2008)

3.3.3. El Píxel.

El píxel es la unidad mínima de visualización de una imagen digital. Si se aplica

un zoom sobre ella, se observa que está formada por una parrilla de puntos o

píxeles. Las cámaras digitales capturan imágenes en forma de cuadrícula de

píxeles.

Figura 1: extraído de google

(Hernandez Lopez, 2009) considera las siguientes características de un pixel.

 Forma cuadrada.

16
  Profundidad de color.

 Una posición relativa al resto de píxeles de un mapa de bits.

3.3.4. Profundidad de color

La profundidad de color se refiere al número de bits necesarios para codificar y

guardar la información de color de cada pixel en una imagen. Un bit es una

posición de memoria que se representa con los valores de 0 ó 1. Cuanto mayor

sea la profundidad de color en bits, la imagen dispondrá de un abanico de colores

más amplia.

3.3.5. Modos de Color

Se le conoce modo de color al sistema de coordenadas que permite describir el

color de cada pixel utilizando valores numéricos.

Los modos de color más populares son:

 Modo Monocromático. Tiene la característica de una profundidad de

color de 1 bit. Es decir, una imagen en blanco y negro.

Figura 2: elaboracion propia

 Modo Escala de Grises. Administra el canal negro y permite 256 tonos de

gris entre blanco y negro.

17
 Figura 3: Elaboración Propia

 Modo Color indexado. Utiliza un canal indexado de 8 bits pudiendo

obtener con ello hasta un máximo de 256 colores.

Figura 4: extraído de google

 Modo RGB. Cada color se forma por combinación de tres canales.

Cada canal se corresponde con un color primario: Red (rojo), Green

(verde), y Blue (azul). Asignan un valor de intensidad a cada color que

oscila entre 0 y 255. De la combinación salen hasta 16,7 millones de

colores.

18
 Figura 5: Extraído de google

 Modo HSB. Cada color surge de tres parámetros: Hue (Tono) que es el

valor del color: rojo, azul, verde, etc. En GIMP se expresa en grados y

oscila entre 0 y 360. Saturaction (Saturación) que se refiere a la pureza

del color y va del 0% al 100%. Brightness (brillo) se refiera a la intensidad

de luz del color, es decir la cantidad de negro o blanco que contiene

estando su valor entre 0 (negro) y 100 (blanco).

Figura 6: Extraído de google

19
  Modo CMYK. Cada color se forma por combinación de cuatro canales.

Cada canal es correspondido con un color primario de impresión: Cyan

(cian), Magent (magenta), Yellow (amarillo) y Black (negro).

3.3.6. Clasificación de Imágenes.

La manera de representación de los datos en un archivo de imagen, se tiene dos

modos principales para manipular la información que viene contenida en una

imagen digital. Estos modos son la imagen de mapa de bits y las imágenes

vectoriales.

● IMÁGENES DE MAPA DE BITS.

Las imágenes de mapa de bits (bitmaps o imágenes ráster) están formadas

por una rejilla de celdas. Cada una de estas celdas son llamadas pixeles, se

le asigna un valor de color y luminancia propio.

Por esto, cuando se observa el conjunto de pixeles, se tiene una ilusión de

una imagen de tono continuo.

Figura 9: extraído de Google

En la imagen anterior se puede observar una rejilla de 6X6 pixeles, es así que

cuando se crea una imagen de mapa de bits se genera una rejilla específica

de píxeles. Por esto, al modificar su tamaño, se transforma a su vez la

distribución y coloración de los píxeles.

20
 Gracias a esta característica, las imágenes de mapa de bits se crean con un

tamaño determinado y pierden calidad si se altera sus dimensiones.

● IMÁGENES VECTORIALES.

Las imágenes vectoriales o también llamados gráficos orientados a objetos,

tiene la característica de que su tamaño es mucho más reducido con respecto

a las imágenes de mapa de bits, porque el modo de como organiza la

información de una imagen es más simple. Dicha simplicidad radica en

generar objetos como: curvas y líneas, es decir a través de trazos

geométricos determinados por cálculos y fórmulas matemáticas. De manera

que tal que los gráficos vectoriales se visualizan a partir de las coordenadas

de una línea guardada como referencia.

3.3.7. Procesamiento Digital de Imágenes.

El procesamiento digital de imágenes consiste en aplicar ciertas técnicas que

permiten alterar la información visual para obtener mejores resultados o para

aislar algunas características particulares de las imágenes.

Una de las ramas del procesamiento digital de imágenes más aplicada y

avanzada es la visión artificial, que trata sobre aprovechar la capacidad de

procesamiento de la computadora para emular el ojo humano, incluyendo la

capacidad de aprendizaje e interpretación. Para ello la visión por computadora

hace uso de un sistema de software de reconocimiento de patrones, el cual

permite clasificar objetos en una imagen. (Gonzalez & wood, 2008).

3.3.8. Detectores de Borde

Un detector de bordes es la definición de fijar límites de un objeto del que se

desea analizar, para ello, se detectan las discontinuidades. Estas

discontinuidades son detectadas a través de filtros especiales.

● Desplazamiento y sustracción.

21
 Si dos píxeles adyacentes tienen de intensidad muy diferentes, lo que sucede

con un píxel situado en un borde y alguno de sus vecinos, su diferencia será alta.

Por tanto, si a una imagen se le resta ella misma pero desplazada horizontal o

verticalmente se obtiene como resultado una imagen con los bordes en el eje

perpendicular al desplazamiento.

● Gradiente.

El gradiente de la imagen es más utilizado para mejorar los bordes. Es obtenido a

partir de las derivadas discretas en las direcciones x e y de la imagen.

● Gradientes direccionales.

Además de los dos ejes principales de la imagen se pueden realizar filtrados en

otras direcciones. Los filtros direccionales se utilizan para realzar estructuras que

siguen una determinada dirección en el espacio. Estos filtros actúan con diferente

de kernel utilizado anulan la componente en una determinada dirección para

realzar la componente perpendicular a esta.

● Laplaciano.

Los filtros laplacianos están basados en la segunda derivada. Estos filtros pueden

ser también considerados como filtros direccionales que actúan en todas las

direcciones posibles.

● Canny.

Este método utiliza el gradiente de la imagen para realzar los bordes. Ya que el

gradiente es sensible al ruido, el método de Canny utiliza dos umbrales para

detectar bordes más o menos marcados. De esta manera, los bordes con valores

22
 por debajo del umbral más pequeño son descartados, los que tienen valores entre

ambos umbrales son marcados como bordes débiles y los que tienen valores

mayores que el mayor de los umbrales son marcados como bordes fuertes.

● Sobel.

El filtro Sobel detecta los bordes horizontales y verticales separadamente sobre

una imagen en escala de grises. Las imágenes en color se convierten en RGB en

niveles grises. Como con el filtro Laplace, el resultado es una imagen

transparente con líneas negras y algunos restos de color.

● Roberts.

El detector de borde Roberts tiene como ventaja la obtención de una buena

respuesta ante los bordes diagonales. Sin embargo, tiene como inconveniente su

sensibilidad al ruido.

3.3.9 Operaciones Morfológicas

La morfología matemática es una herramienta muy utilizada que permiten

simplificar los datos de una imagen, preservar las características esenciales y

eliminar aspectos irrelevantes. Teniendo en cuenta que la identificación y

descomposición de objetos, la extracción de rasgos, la localización de defectos.

Las operaciones morfológicas fundamentales son la dilatación y la erosión. Estas

operaciones son principalmente las más comunes en la aplicación de

procesamiento digital de imágenes.

● Dilatación

Es la operación que da como resultado un conjunto de puntos,

formado por todas las posibles sumas de pares de puntos, en las que uno

pertenece al conjunto X y otro al elemento estructurante desplazado. Esta

operación es también conocida como adición de Minkowski. Si el origen o

23
 el centro de este último coincide con un píxel de valor 1 de la imagen

(Gonzalez & wood, 2008)

Figura xxx: extraído del libro métodos y conceptos de visión artificial

● Erosión

Es una operación con el efecto contrario a la dilatación, por lo que

reduce el tamaño de los objetos. La mecánica es semejante, desplazando

el elemento estructurante a lo largo de la imagen, pero ahora el resultado

será 1 para cada punto en estudio si todos los puntos del elemento

estructurante están contenidos dentro del conjunto del objeto.

● Apertura

Esta operación se realiza mediante una erosión seguida de una

disolución empleando el mismo elemento estructurante. Al erosionar se

pierden detalles pequeños, desaparece el ruido, mengua la imagen.

Haciendo seguidamente la dilatación la imagen crece, y los detalles que

no llegaron a perderse resaltan.

24
 ● Cierre

La operación de cierre está dada por una operación de dilatación seguida

de una erosión. Al dilatar se rellenan intersticios, la imagen crece, luego

cuando erosiona la imagen vuelve a un tamaño semejante al original.

3.3.10 Segmentación de imágenes

Implica el fraccionamiento de una imagen en segmentos de píxeles que son

homogéneos con respecto al criterio. Esto con la finalidad de adquirir las partes

de interés de la imagen. Las partes adquiridas deben tener en común algunas

características como el color, la textura, forma. Existen varios tipos de

segmentación como:

● Umbralización.

La umbralización es uno de los métodos más importantes de la segmentación de

imágenes. Se define el umbral como una función que convierte una imagen con

diferentes tonalidades en una imagen en blanco y negro. Si la imagen original es

f(x,y), la imagen umbralizada g(x,y) y se fija un umbral U(0<U<255), la operación

de umbral izado se define como la ecuación.

𝑔(𝑥, 𝑦) = 255 𝑠𝑖 𝑓 (𝑥, 𝑦) > 𝑈𝑚𝑏𝑟𝑎𝑙

25
 𝑔(𝑥, 𝑦) = 0 𝑠𝑖 𝑓(𝑥, 𝑦) ≤ 𝑈𝑚𝑏𝑟𝑎𝑙

Se selecciona un umbral que permite agrupar los píxeles de una imagen

pertenecientes a los diversos objetos de la misma imagen diferenciándolos del

fondo. De esta manera la segmentación basada en el histograma se basa en la

elección de uno o varios umbrales que permiten agrupar los puntos de la imagen

en regiones de características similares en función de sus niveles de gris. El

umbral de la imagen se define como la ecuación

𝑇 = 𝑇[𝑥, 𝑦, 𝑝(𝑥, 𝑦), 𝑝(𝑥, 𝑦)]

Donde f(x,y) es la intensidad o nivel de gris del punto (x,y) y p(x,y) representan

alguna propiedad local medida en un entorno de vecindad de este punto. La

imagen que se obtiene al llevar a cabo un procesamiento de umbral se define

como la ecuación.

G(xy)=1 sí f(x,y)>T

Si f(x,y)<=T

De este modo los píxeles marcados con 1 corresponden a objetos, mientras que

los píxeles marcados con 0 corresponden al fondo.

Hay varios tipos de umbrales, los más utilizados son:

● Umbral Global. Cuando la T depende solamente de f (x,y),.

● Umbral Local. Si T depende de f(x,y) y de p(x,y).

3.3.11. Reconocimiento de Patrones

El término de reconocimiento de patrones se refiere a un procesamiento de

información que tiene una gran importancia práctica que da solución a un amplio

26
 rango de problemas. Algunos de estos problemas son resueltos por los humanos

sin mucho esfuerzo. Sin embargo, en muchos casos, la solución a estos

problemas, usando computadoras, se vuelve extremadamente dificultosa [Bishop,

1995]. Reducir estas dificultades, construyendo métodos y algoritmos, es el

objetivo principal del Reconocimiento de patrones como una disciplina de la

Ingeniería de Sistemas.

En términos más concretos, el Reconocimiento de Patrones como una disciplina

científica tiene el objetivo de clasificar objetos en un número específico de

categorías o clases. Dependiendo de la aplicación, estos objetos pueden ser

imágenes, sonidos, olores, en general, señales producto de mediciones que

deben ser clasificadas. Estos objetos se denotan con el término genérico de

patrones. [Theodoridis y Koutroumbas, 1999].

3.4. Metodología de desarrollo del software.

Los proyectos de software, así como otros tipos de proyectos, por su

complejidad necesitan un conjunto de técnicas que permita su gestión y

ejecución. Las metodologías del desarrollo de software es un enfoque, una

manera de interpretar la realidad. Las metodologías destinadas al desarrollo de

software se consideran un framework o marco de trabajo que consiste en

planificar y controlar procedimientos de creación de un software.

3.4.1 Metodologías ágiles.

27
 Es un enfoque que se basa en la pronta entrega del software incremental,

proveniente de un desarrollo iterativo durante todo el ciclo de vida del software.

En el 2001, un grupo de desarrolladores, expertos y escritores sobre el tema,

entre los que se encuentran son a Kent Beck, Alistair Cockburn, Martin Fowler y

Jim Highsmith, señalan en un manifiesto “estamos descubriendo formas mejores

de desarrollar software tanto por nuestra propia experiencia como ayudando

terceros. A través de este trabajo hemos aprendido a valorar:

 Individuos e interacciones sobre procesos y herramientas.

 Software funcionando sobre documentación extensiva.

 Colaboración con el cliente sobre negociación contractual

 Respuesta ante el cambio sobre seguir un plan.

3.4.1.1 Scrum

Scrum es un proceso de desarrollo que sigue los fundamentos establecidos en

el manifiesto ágil. Toma sus principios de los estudios realizados en los años 80

por los japoneses Hirotaka Takeuchi e Ikujijo Nonaka, quienes investigaron

nuevas prácticas de producción, inicialmente para productos tecnológicos.

A. Principios.

Scrum sostiene tres principios obtenidos de la teoría del control empírico de

procesos.

✔ Transparencia.

Todos los integrantes de la administración del proceso deben

conocer los aspectos y resultados que inciden sobre aquel. Estos

aspectos deben tener estados definidos, con términos concretos y

no ambiguos.

28
 ✔ Inspección.

La frecuencia de inspección debe ser suficiente como para

identificar variaciones que podrían afectar de manera negativa un

proyecto. El éxito de las actividades dependerá de la habilidad,

cautela, eficiencia y experiencia de los inspectores.

✔ Adaptación.

La adaptación rápida permite ajustar el proceso cuando, a través

de la inspección, se hallan aspectos fuera de los límites y que

producen desviaciones al objetivo principal del proceso.

B. Características.

SCRUM posee características de los procesos agrupados como de desarrollo

ágil, es decir:

● Modo de desarrollo de carácter adaptable más que predictivo.

● Orientado a las personas más que a los procesos.

● Estructura de desarrollo ágil: incremental basada en iteraciones y

revisiones.

❖ Revisión de Iteraciones

Revisión al final de una iteración (llamada también Sprint),

reuniendo a los implicados en el proyecto. Se identifican

desviaciones y se realizan los ajustes necesarios para una

adaptación adecuada del proyecto o del producto.

❖ Desarrollo Incremental.

No se trabaja con diseños, modelos, abstracciones o

documentación excesiva, sino que se enfoca en el producto,

29
 directamente con módulos, fracciones ejecutables del producto,

para su inspección y evaluación. Los módulos van progresando

hasta obtener un software final.

❖ Desarrollo de Software Evolutivo.

Para entornos inestables, la incertidumbre impide una predicción.

Es decir, no se puede definir previamente, en una fase inicial, los

requisitos completos para desarrollar una arquitectura y un diseño

para producir un producto de software. Scrum propone técnicas de

trabajo que logren una refactorización de las tareas de

estructuración y diseño sin alterar negativamente la calidad del

software.

❖ Auto-Organización.

La responsabilidad no recae sólo sobre una persona (Gestor de

proyectos). En cambio, a todos los miembros se les concede una

potestad ideal de toma de decisiones en sus correspondientes

áreas y niveles, y así reaccionar de mejor manera ante las

situaciones que demanden cambios.

❖ Colaboración.

La responsabilidad no recae sólo sobre una persona (Gestor de

proyectos). En cambio, a todos los miembros se les concede una

potestad ideal de toma de decisiones en sus correspondientes

áreas y niveles, y así reaccionar de mejor manera ante las

situaciones que demanden cambios.

30
 C. Elementos.

✔ Product Backlog.

✔ Sprint Backlog.

✔ Incremento.

CAPÍTULO 4

5. Propuesta de Solución

Este proyecto presenta un sistema de clasificación de frutos de la palta,

mediante la implementación de un sistema de software automatizado, aplicando

las diferentes técnicas y métodos del procesamiento digital de imágenes.

El cual a través de una cámara de video enviará instantáneas fotográficas a un

servidor y estas imágenes a su vez serán extraídas por el software para someter

a un tratamiento con el objetivo de extraer información de variables de la fruta,

que a su vez será capaz de ser clasificada estas variables.

Interfaz gráfica

31
Diagrama Pictográfico

32
Diagrama de caso de uso

33
6. Bibliografía

Buendia, B. (2015). producción y comercialización de paltos.

Gonzalez, R., & wood, W. (2008). Digital Image Procesissing.
Hernandez Lopez, F. (2009). Segmentacion binaria del video de una webcam en tiempo real.
INEI. (24 de 11 de 2020). Producción de palta aumentó 32,4% durante setiembre del 2020.
Obtenido de INEI: https://www.inei.gob.pe/prensa/noticias/produccion-de-palta-
aumento-324-durante-setiembre-del-2020-12502/
MINAGRI. (Marzo de 2021). Última campaña de exportación de palta peruana superó las
400 mil toneladas. Obtenido de GOB.PE:
https://www.gob.pe/institucion/midagri/noticias/348556-midagri-ultima-campana-de-
exportacion-de-palta-peruana-supero-las-400-mil-toneladas
Palomino. (2014). Software automático de reconocimiento de patrones para la discriminación
de granos de arroz pulido basado en procesamiento digital de imágenes. Software
automático de reconocimiento de patrones para la discriminación de granos de arroz
pulido basado en procesamiento digital de imágenes. Universidad Nacional Jose
Maria Arguedas, Andahuaylas.

34