ROBÓTICA INSDUTRIAL

SISTEMA DE CLASIFICACION DE
FRUTAS DE MANGO BASADO EN
VISION COMPUTARIZADA

La Paz – Bolivia
II-2018
 Resumen

Para la clasificación de la fruta en este sistema se toma en

cuenta varias características como madurez, tamaño y
defectos de la superficie.
Usando Técnica de eliminación de características (RFE) con la
máquina de vectores de soporte (SVM), procesamiento de
imágenes y teoría de hacer (MADM).
Los resultados de detección de tamaño es casi del 3%,
predicción de madurez precisión del 96%, y precisión del
defecto de la superficie del 92%.
 Introducción

Los índices de clasificación de frutos son madurez, tamaño,

forma, superficie, defectos, textura, etc.

La tecnología de clasificación por visión por computadora es

en tiempo real, no destructivo, puede detectar múltiples
índices y se está convirtiendo en un objetivo rápido.

El ojo humano no es sensible, a rayos ultravioleta (UV) o

infrarrojas (IR).

hasta el momento se han desarrollado sistemas de visión

artificial para aplicaciones de clasificación agrícola como
mapeo de color directo.
 Introducción

Sistema para evaluar la calidad de los tomates y las fechas

Inspección automatizada de manzanas doradas usando color.

sistema automatizado de clasificación de fresa basado en el

procesamiento de imágenes.

Sistema de visión en color para clasificación de melocotón.

clasificación de tamarindo usando el espacio de color RGB

Para los trabajos experimentales cinco variedades diferentes

de mangos Kumrapali (KU), Amrapali (AM), Sori (SO), Langra
(LA) y Himsagar (HI) recolectados del oeste Bengala, India.
 OBJETIVOS GENERAL

objetivo desarrollar un sistema de

visión por computadora para la
clasificación de la fruta de mango.
A nivel de madurez, tamaño y
defectos superficiales.
metodología
 PROCEDIMIENTO EXPERIMENTAL

El sistema de clasificación se divide en una parte mecánica,

procesamiento de imágenes y parte de control

• La parte mecánica:
Transportar y poner el mango en la gradación correcta usando una cinta
transportadora.

• Procesamiento de imagen: toma la imagen por una cámara colocada

sobre la imagen iluminada artificialmente, usando el programa
MATLAB.

• La parte de control: adopta PLC para comunicarse con el ordenador

para controlar la parte mecánica, utilizando Lab VIEW ® Real Time, que
da una dirección para colocar el mango en un recipiente adecuado.
 Identificación de madurez

la identificación se estima utilizando la máquina de

vectores de soporte (SVM) basado en características
extraídas.

a) imagen junto con el contorno obtenido, (b) imagen binaria,

También se muestran las diferentes posiciones utilizadas en el trabajo.
 Cálculo del tamaño

el tamaño más grande se considera de mejor calidad.

El tamaño se estima calculando el eje mayor máximo y
Eje menor máximo de la imagen del mango, número
total de píxeles (Np) escala vernire y la tasa entre el píxel
y el real llamada A.
A = (pixel / mm)
A = 14.1 (pixel / mm).

El eje mayor real y el eje menor siguiendo la ecuación.

(Lmax + Wmax) = Np / A = Np / 14.1
 Determinación de defectos superficiales

Imágenes de mango, superficie lisa y con diferentes defectos superficiales

marca de imagen binaria de mango defectuosa con defecto pixel usando thresolding
 Determinación de defectos superficiales

Promedio de corte vertical de valores R, G y B a lo largo del longitudinal eje

El grado i de mango se puede determinar con el
magnitud del índice Pi
(i = 1 ,.., m):
Donde
Wj= es el peso de la atribución j,
(mij) normal=es el valor normalizado de mij de la atribución j de
mango i,
n = el número de índices a calificar.
j = 1, 2, 3, expresa la madurez, el tamaño y
Defectos superficiales considerando la suma de todos los pesos
igual a 1.
es decir, ω1 + ω2 + ω3 = 1.
el valor más alto de Pi es la mejor alternativa.
 CONCLUSIONES

Se construimos un modelo propuesto de una fruta de mango.

Sistema de clasificación que incluye tanto: el hardware como el
software.
El hardware incluye el mecanismo de la cinta transportadora,
cámara
Control, control de intensidad lumínica y control de
conmutación.
El sistema de software analiza la extracción de imágenes fijas
del video.
Imagen, extracción de características y clasificación de las
mismas.
 CONCLUSIONES

La calificación de calidad en cuatro grados se basó en expertos

en
percepción.

La calificación requiere, el índice de calificación y el peso de la

atribución

Un método formal basado en la distribución de características

debe ser
Desarrollado para determinar el grado de calidad del fruto a
partir del
muestras y mejorar la clasificación.
 CONCLUSIONES

Los resultados muestran que el algoritmo de

clasificación de mangos es viable y preciso.
Error de tamaño de mango es menor que
3%, la tasa de precisión de gradación de color
es del 95% y la precisión
La tasa de medición del defecto superficial es
superior al 90%.
Se puede usar un sensor de impacto para la
detección de firmeza.
El tiempo promedio para clasificar un mango
no es más de 5 seg.
 preguntas

¿Que características para el procesamiento

digital de señales se toma en este paper?

R.-madurez, tamaño y defectos de la superficie.

¿el sistema de clasificación de frutas de mango

basado en visión computarizada en cuantas
partes se divide?

R.- se divide en una parte mecánica,

procesamiento de imágenes y parte de control
 Bibliografia

[1] Sun, D.W., “Computer Vision: An objective, rapid and non-

contact quality evaluation tool for the food industry”, J. of Food
Eng., vol. 61, 2003, pp.1-2. http://dx.doi.org/10.1016/S0260-
8774(03)00182-1
[2] D. J. Lee, J. K .Archibald, and Guangming Xiong. “Rapid color
grading for fruit quality evaluation using direct color mapping,”
IEEE Trans. Autom. Sci. Eng., vol. 8(2), 2011, pp. 292– 302.
http://dx.doi.org/10.1109/TASE.2010.2087325
[3] Z. Varghese, C. T. Morrow, P. H. Heinemann, H. J. Sommer, Y.
Tao, and R. W. Crassweller, “Automated inspection of golden
delicious apples using color computer vision,” Trans. of the ASAE,
16, 1991(7002).
[4] A. P. S. Chauhan and A. P. Singh, “Intelligent Estimator for
Assessing Apple Fruit Quality”,
 bibliografia
[6] B. K. Miller, and M. J. Delwiche, “A color vision system for Peach
grading,” Trans. of the ASAE, vol. 32(4), 1989, pp. 1484 – 1490.V
http://dx.doi.org/10.13031/2013.31177
[7] Jarimopas B, and Jaisin N. “An experimental Machine Vision system
for sorting sweet Tamarind,” J. of Food Eng., vol. 89(3), 2008, pp. 291 –
297. http://dx.doi.org/10.1016/j.jfoodeng.2008.05.007
[8] Z. Effendi, R. Ramli, J.A. Ghani, and Z. Yaakob, “Development of
Jatropha Curcas color grading system for ripeness evaluation”, European
Journal of Scientific Research Vol.30 No.4 (2009), pp.662- 669.
[9] Hong Zheng, Hongfei Lu, “A least-squares support vector machine
(LS-SVM) based on fractal analysis and CIELab parameters for the
detection of browning degree on mango (Mangifera indica L.),” J. Comp.
and Electr. Agri., vol.83, 2012, pp.47-51.
http://dx.doi.org/10.1016/j.compag.2012.01.012
[10] A. Bouganis, and M. Shanahan, “A vision-based intelligent system for
packing 2-D irregular shapes,” IEEE Trans. Autom. Sci. Eng., vol. 4(3),
2007, pp. 382 – 394. http://dx.doi.org/10.1109/TASE.2006.887158
[11] H. C. Garcia, and J. R. Villalobos, “Automated refinement