SOFTWARE DE PROCESAMIENTO DIGITAL DE IMÁGENES PARA LA CLASIFICACIÓN DE PLÁTANOS
EDWY ALEXÁNDER PATIÑO
JULIÁN MESA
DAVID STEPHEN FERNÁNDEZ MCCANN
RESUMEN
En la actualidad los Inspectores de Calidad de frutos realizan el proceso de clasificación de forma manual, requiriendo mucho tiempo e incrementando los costos de producción. Los niveles de calidad para el plátano y el banano se realizan con base en la Norma Técnica NTC1190, la cual dicta unos parámetros que se deben de tener en cuenta para clasificar éstos frutos. Los parámetros son: el tamaño, el grosor, el estado de maduración y el porcentaje de manchas. Lo que se logró en este trabajo fue el reconocimiento de los parámetros de clasificación a través de una aplicación creada en MATLAB 7.0 utilizando técnicas de procesamiento digital de imágenes. El proyecto se dividió en dos etapas. En la primera etapa se desarrolló un simulador en el cual se probaron los algoritmos que se encargan de contabilizar el porcentaje de manchas, estado de maduración, grosor y tamaño, teniendo en cuenta la aleatoriedad de las imágenes generadas por el mismo simulador, a partir de una imagen segmentada. La segunda etapa consistió en aplicar técnicas de preprocesamiento, filtración y segmentación sobre imágenes reales y desarrollar algoritmos para reconocer los parámetros antes mencionados; los resultados de la aplicación fueron comparados con la clasificación realizada por un Inspector de Calidad.
Palabras claves: nivel de calidad, procesamiento digital de imágenes, algoritmos, técnicas de preprocesamiento, filtración, segmentación.
INTRODUCCIÓN
La detección y clasificación de defectos en frutas mediante el procesamiento digital de imágenes es un campo que ofrece grandes retos debidos a la variabilidad en formas, tamaños, colores y texturas que éstas ofrecen [Pencue05]. En cuanto a la clasificación de musáceas (plátanos, bananos, guineos), las empresas exportadoras deben comercializar productos que cumplan con las normas de calidad establecidas por la norma NTC1190 (Norma Técnica Colombiana 1190); por lo tanto, aquellas deben buscar una mejor forma de clasificación que sea rápida y mejore en cierto grado, el nivel de calidad del producto.
Figura 1 Etapas del PDI.[Molina02]
I. ADQUISICIÓN DE IMÁGENES
Es una de las etapas fundamentales, dependiendo de la calidad de la escena bajo condiciones controladas los algoritmos de la parte de filtración y segmentación pueden funcionar correctamente. Es la etapa donde se digitaliza la escena a través, de una tarjeta especial de video, una cámara CCD e iluminación industrial.
La aplicación fue diseñada para procesar las imágenes en posición vertical del gajo y fondo uniforme totalmente blanco.
II. PREPROCESAMIENTO, FILTRACIÓN Y SEGMENTACIÓN
- Preprocesamiento
Es una de las etapas donde se trata de ajustar la imagen; se desarrolló un algoritmo que redimensiona la imagen eliminando objetos pequeños, teniendo en cuenta el objeto de interés de la imagen, en este caso el gajo de plátano. Esto permite que los algoritmos de extracción de características sean más eficientes por la reducción del tamaño de la matriz de datos. Básicamente lo que se realizó fue, determinar la conectividad de cada uno de los componentes u objetos de la imagen e identificar cada uno de los elemento de la imagen los cuales corresponden a fondo, gajo y manchas; luego se computa el área y se remueven los objetos de menor área como se muestra a continuación.
Para este procedimiento se utilizó la conectividad entre pixeles para hallar las fronteras y las regiones de un objeto. “Para establecer si dos pixeles están conectados se establece si son adyacentes en algún sentido (por ejemplo si son 8-vecinos y si sus niveles de gris cumplen algún criterio de similaridad, por ejemplo si son iguales)” [Molina02]. Teniendo en cuenta que un pixelp de coordenadas (x,y) tiene ocho vecinos cuyas coordenadas son: (ver figura 3).
- Filtración
El objetivo de la etapa de filtración es procesar una imagen dada y obtener una imagen más apropiada, mejorando las características de la imagen, eliminando el ruido y permitiendo que las etapas posteriores del procesamiento funcionen correctamente. Para la aplicación se implementaron varios filtros para diversos fines, los cuales se describen a continuación.
El filtro con máscara ‘unsharp’, es un filtro de pasa alta, es una técnica que permite realzar los bordes y componentes de la imagen con alta frecuencia [Polesel00]. Este método de filtración se implementó para resaltar las manchas existentes sobre el cuerpo del plátano. Esto arroja como resultado una imagen con mejores condiciones para la segmentación. En la implementación de este método se utilizo un alfa de 0,2. La función “fspecial” que brinda MATLAB aplica el siguiente filtro:
Para evitar que los bordes se distingan como mancha hay que aplicar dos tipos de filtros, el filtro especial de movimiento fspecial(‘motion´) y la deconvolución que se aplica con el siguiente comando: deconvwnr(imagen). A partir de estos dos filtros se crea una matriz de datos con características semejantes a la matriz original, logrando en este procedimiento el suavizado de bordes, como se muestra a continuación:
Imagen Original
Imagen de deconvolución
Luego, se aplicó la ecualización del histograma, el cual permite que se eliminen sombras de la imagen y se aumente la visibilidad. La ecualización del histograma permite mejorar imágenes de forma muy puntual y especifica; esto quiere decir, que la ecualización del histograma para un gajo de plátanos posiblemente no sirva para ecualizar una imagen de rayos x. Para lograr una buena ecualización en las imágenes se realiza el histograma a todas las imágenes en escala de grises, encontrando los valores del rango donde se debe aumentar el contraste para ampliar la visibilidad de la imagen como se muestra en la figura 4 y figura 5.
L es el valor máximo en la escala de grises, para nuestro casos es 255.
a y b es el rango donde se encuentra el mayor numero de grises.
Figura 4. Ecualización
La operación de segmentación trata de distinguir si un píxel pertenece, o no, a un objeto de interés y, por lo tanto, produce una imagen binaria. Todavía no hay una teoría unificada de la segmentación de imágenes. Dentro de las técnicas más comunes en segmentación existe el método de umbralización. “La umbralización se emplea cuando hay una clara diferencia entre los objetos a extraer respecto del fondo de la escena. Los principios que rigen son la similitud entre los píxeles pertenecientes a un objeto y sus diferencias respecto al resto. Por tanto, la escena debe caracterizarse por un fondo uniforme y por objetos parecidos” [UNALQ2005]. Para una imagen en escala de grises f(x,y) podemos expresar la umbralización como:
En nuestro caso, se modificó la función de umbralización y se logró encontrar el umbral óptimo que permitiera identificar las manchas, el gajo de plátano y el fondo sin importar el estado de maduración de los frutos. La umbralización se puede expresar así:
Donde: T y t son umbrales óptimos de la imagen
x es un número entero diferente de 0 y 1
El resultado de este proceso de umbralización no fue una imagen binaria, se obtuvo una matriz de datos con tres posibles valores para las tres componentes de la imagen, manchas o defectos, cuerpo del gajo y fondo. Después de obtener este resultado se realizaron los algoritmos para la etapa de análisis y extracción de características.
I. RESULTADOS
Se realizaron pruebas con una muestra de 17 gajos de plátanos de una misma variedad; para validar el sistema se ejecutó el programa con cada una de las 17 imágenes y se realizó una matriz de doble entrada [Tabla2] comparando los resultados de ambas clasificaciones, las arrojadas por el Inspector de Calidad y las arrojadas por el software. Se obtuvo un 72,5 de acierto.
Tabla1. Matriz de datos
| | RESULTADO DEL RECONOCIMIENTO | |||
| I | II | % DE ACIERTO | ||
| CLASIFICACIÓN DEL INSPECTOR | I | 4 | 1 | 80 |
| II | 3 | 9 | 75 | |
| | % ACIERTO TOTAL | 72.5 | ||
Tabla2. Matriz de doble entrada
II. CONCLUSIONES
En este artículo se trabajó sobre la implementación de los algoritmos para las etapas de preprocesamiento, filtración y segmentación, la cual fue posible a través de funciones que presenta la herramienta de programación Matlab 7.0. Estas etapas son sumamente importantes para que los algoritmos de análisis y extracción de características funcionen correctamente.
La aplicación de filtros como la convolución y el Laplaciano es una herramienta del PDI para el mejoramiento de imágenes, la aplicación incorrecta de estos puede arrojar perdida de información en las imágenes, para ello se debe encontrar los puntos óptimos de los parámetros requeridos por los filtros.
La ecualización del histograma es un procedimiento potente para dar paso a la segmentación de una imagen, pero cumple necesidades específicas, lo que implica que una ecualización al histograma puede variar para cada tipo de imagen.
Los resultados arrojados por los algoritmos de la etapa de extracción de características están sujetos a restricciones en cuanto a la escena (iluminación, posición del plátano y el fondo), esto permite reducir la complejidad del problema en cuanto al procesamiento de las imágenes. El resultado final de la clasificación del nivel de calidad de plátano con un porcentaje de aciertos del 72,5 % representa una cifra significativa para la aplicación y es un acercamiento de lo planteado como solución a la situación problemática.
III. TRABAJOS FUTUROS
La línea futura se puede proyectar a un sistema clasificador automático donde interactúe el software y el hardware para realizar la separación de forma completa de acuerdo a los niveles de calidad. La parte de hardware que comprenda una banda transportadora, palancas separadoras, iluminación industrial y una cámara de video. La parte de software que comprenda la optimización de algoritmos y el envío de señales eléctricas a través del puerto paralelo al sistema separador.
IV. BIBLIOGRAFÍA
[Pencue05]. Edgar L. Pencue, Jaury León-Téllez. Detección y clasificación de defectos en frutas mediante el procesamiento digital de imágenes. Universidad Del Cauca, Popayán, Colombia. Revista colombiana de física, vol. 35, no.1. 2003.
http://www.sociedadcolombianadefisica.org.co/revista/vol35_1/articulos/pdf/3501148.pdf
[Montes 2001]Montes C. Nubia L. Desarrollo de algoritmos de segmentación de frutos maduros y verdes de café en imágenes tomadas en condiciones controladas, basados en las propiedades de color. Universidad Nacional de Colombia. Facultad de Ingeniería y Arquitectura. Manizales 2001.
[Perretti 00] Perretti Del Corral, Juan Jose; Herrera Beltran, Adriana Herrera; Fonseca Prada, Luz Amparo; Salamanca Pinzon, Jaime. Inteligencia De Mercados, Corporación Colombiana Internacional CCI, Enero de 2000.
www.cci.org.co/cci/cci_x/Sim/Perfil%20de%20Productos/perfilplatano7.pdf
[Fuente01]. Inspección de paquetes de salchichas Frankfurt con visión artificial, EUSEBIO DE
[COMSAB06]. Manual de clasificación del plátano y el banano para la zona de influencia de
[D’Amato]. Procesamiento de imágenes para la clasificación masiva de frutos basado en el color, D’Amato, Juan Pablo; García Bauza, Cristian; Vénere, Marcelo; Clausse, Alejandro, Universidad Nacional del Centro, CNEA-CICPBA-CONICET.
[Polesel00] Image Enhancement via Adaptive Unsharp Masking. IEEE Transactions On Image Processing, vol. 9, no. 3, march 2000 Andrea Polesel, Giovanni Ramponi, and V. John Mathews
No hay comentarios:
Publicar un comentario