Pontificia Universidad Católica del Perú
Maestŕıa en Ingenieŕıa Mecatrónica
Diseño de un Sistema de Visión
Artificial para la Clasificación de
Chirimoyas basado en medidas
Asesor:
Autor:
Julio Cesar Tafur Sotelo,
César Javier Valdivia Arias
Ph.D
Tesis presentada para optar el grado de
Maǵıster en Ingenieŕıa Mecatrónica
Lima 22 de marzo de 2016
”Para el optimista, el vaso está medio lleno. Para el pesimista, el vaso está medio vaćıo.
Para el ingeniero, el vaso es el doble de grande de lo que debeŕıa ser.”
Anónimo
Resumen
Diseño de un Sistema de Visión Artificial para la Clasificación de
Chirimoyas basado en medidas
El desarrollo de este trabajo, presenta el diseño de un sistema de visión artificial, capaz
de medir Annona Cherimola Mill (Chirimoya) del ecotipo Aurora, las cuales provienen
de la comunidad de Callahuanca, para posteriormente clasificar aquellas que cumplan
con una dimensión de 10 x 12 cm empleando para la etapa de procesamiento: Ajuste
de contraste y para la etapa de segmentación, Cierre, Apertura y Código Cadena; los
métodos seleccionados cumplen con los tiempos de computo de diseño.
Fue posible clasificar exitosamente 91 de 91 Chirimoyas de Categoŕıas Extra y Primera
estudiadas con un 100% de efectividad, una precisión de medida de 0,35mm y un
error permisible de 2,18mm. Las pruebas se efectuaron en un prototipo diseñado para
tal motivo y no en el equipo final; el error obtenido durante las pruebas es menor al
establecido en los requerimientos en cuanto a la selección del fruto.
En la memoria descriptiva, se presentan los cálculos referentes a la selección del disposi-
tivo de captura, lentes y requerimientos de la iluminación empleando la metodoloǵıa de
diseño VDI-2221. El control del banco de pruebas, empleado para validar los algoritmos
realizados, se realizó con un un PLC y para realizar el procesamiento de imágenes, se
optó por un computador de escritorio con procesador Intel©R Core i5 CPU 2.53GHz
junto con una cámara con comunicación USB 3.0. El diseño mecánico-eléctrico no es
motivo de estudio en la presente investigación.
Agradecimientos
A mi familia, por su apoyo incondicional.
A la Pontificia Universidad Católica del Perú y CONCYTEC, por la oportunidad de
estudiar esta Maestŕıa.
Al Ph.D. Tafur, por su conocimiento y asesoŕıa durante el desarrollo de esta tesis.
Al M.Sc. Calderón por sus consejos y pasión por las ciencia e ingenieŕıa que me moti-
varon a continuar investigando.
Al Ing. Ticona y M.Sc. Böhme, por su invalorable aporte.
iii
Índice general
Resumen II
Agradecimientos III
Índice general IV
Índice de figuras VI
Índice de tablas VIII
1. Introducción 1
1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Estado del arte 5
3. Marco teórico 9
3.1. Componentes de la visión artificial . . . . . . . . . . . . . . . . . . . . . 9
3.2. Procesamiento digital de imágenes . . . . . . . . . . . . . . . . . . . . . 10
3.2.1. Etapas de la visión artificial . . . . . . . . . . . . . . . . . . . . . 11
3.2.1.1. Acondicionamiento . . . . . . . . . . . . . . . . . . . . . 11
3.2.1.2. Adquisición de la imagen . . . . . . . . . . . . . . . . . 11
3.2.1.3. Preprocesamiento . . . . . . . . . . . . . . . . . . . . . 12
3.2.1.4. Segmentación . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1.4.1. Umbralización . . . . . . . . . . . . . . . . . . 14
3.2.1.5. Extracción de caracteŕısticas . . . . . . . . . . . . . . . 14
3.2.1.6. Reconocimiento e interpretación . . . . . . . . . . . . . 14
3.3. Caracteŕıstica del a chirimoya . . . . . . . . . . . . . . . . . . . . . . . . 15
4. Diseño del hardware y software 19
4.1. Comprensión de la solicitud . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.1.1. Estructura de funciones . . . . . . . . . . . . . . . . . . . . . . . 21
4.1.1.1. Abstracción (Black-Box) . . . . . . . . . . . . . . . . . 22
4.1.1.1.1. Secuencia de operación y funciones . . . . . . . 23
iv
Índice general v
4.1.1.1.2. Agrupación de funciones . . . . . . . . . . . . 25
4.1.1.1.3. Estructura de funciones . . . . . . . . . . . . . 25
4.1.2. Concepto de solución . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.2.1. Matriz morfológica de ZWICKY . . . . . . . . . . . . . 27
4.2. Proyecto Preliminar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1. Comprensión del dominio mecánico . . . . . . . . . . . . . . . . . 34
4.2.2. Selección de la cámara . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.3. Selección de la iluminación . . . . . . . . . . . . . . . . . . . . . 38
4.2.4. Selección de los sensores . . . . . . . . . . . . . . . . . . . . . . . 41
4.2.5. Programación del procesador . . . . . . . . . . . . . . . . . . . . 42
4.2.6. Selección del procesador . . . . . . . . . . . . . . . . . . . . . . . 43
4.2.7. Selección del controlador . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.8. Programación del controlador . . . . . . . . . . . . . . . . . . . . 47
4.3. Proyecto definitivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5. Pruebas y resultados 49
5.1. Banco de pruebas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2. Calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3. Método empleado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4. Pruebas realizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.4.1. Costos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6. Conclusiones y recomendaciones 65
6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Índice de figuras
1.1. Ubicación geográfica de Callahuanca . . . . . . . . . . . . . . . . . . . . 2
1.2. Tamaño de chirimoyas requeridas . . . . . . . . . . . . . . . . . . . . . . 3
3.1. Componentes de la visión artificial . . . . . . . . . . . . . . . . . . . . . 10
3.2. Clasificación del procesamiento digital de imágenes . . . . . . . . . . . . 10
3.3. Iluminación del objeto a capturar . . . . . . . . . . . . . . . . . . . . . . 12
3.4. Umbralización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.5. Cultivos de la comunidad de Callahuanca . . . . . . . . . . . . . . . . . 16
3.6. Diferencia de tamaños en Cosecha . . . . . . . . . . . . . . . . . . . . . 16
3.7. Categoŕıas del fruto de chirimoya . . . . . . . . . . . . . . . . . . . . . . 18
3.8. Etiqueta amarilla Callahuanca . . . . . . . . . . . . . . . . . . . . . . . 18
4.1. Proceso generalizado de desarrollo y diseño VDI 2221 02.1993 (11.1986) 21
4.2. Método de diseño y sus fases . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3. La máquina como caja negra . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4. Abstracción Black-Box sistema de visión . . . . . . . . . . . . . . . . . . 24
4.5. Funciones secuenciales agrupadas . . . . . . . . . . . . . . . . . . . . . . 25
4.6. Estructura de funciones: Dominio de la visión . . . . . . . . . . . . . . . 26
4.7. Dominio de funciones: Dominio del control . . . . . . . . . . . . . . . . . 26
4.8. Balance técnico – económico del dominio de la visión . . . . . . . . . . . 33
4.9. Balance técnico – económico del dominio del control . . . . . . . . . . . 33
4.10. Bosquejo del dominio mecánico . . . . . . . . . . . . . . . . . . . . . . . 34
4.11. Detalle del cangilón con bandejas . . . . . . . . . . . . . . . . . . . . . . 35
4.12. Field of view (FOV) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.13. Flea3 FL3-U3-13S2M-CS 1/3”Monochrome USB 3.0 Camera . . . . . . 36
4.14. Varifocal CS mount lens 3.5-8mm F1.2 CCTV . . . . . . . . . . . . . . . 37
4.15. Tiempo de exposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.16. Iluminación frontal oblicua y direccional en anillo . . . . . . . . . . . . . 38
4.17. Sombra proyectada en paralela opuesta . . . . . . . . . . . . . . . . . . . 40
4.18. Sombra proyectada en paralela . . . . . . . . . . . . . . . . . . . . . . . 40
4.19. Disposición de los sensores . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.20. Algoritmo de medición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.21. Diagrama de flujo del procesador . . . . . . . . . . . . . . . . . . . . . . 45
4.22. Especificaciones del procesador . . . . . . . . . . . . . . . . . . . . . . . 45
4.23. Tiempo requerido para realizar el procesamiento . . . . . . . . . . . . . 46
vi
Índice de figuras vii
4.24. Diagrama de flujo del procesador . . . . . . . . . . . . . . . . . . . . . . 46
4.25.M-DUINO PLC Arduino 42 I/Os Analog/Digital . . . . . . . . . . . . . 46
4.26. Diagrama de flujo del controlador . . . . . . . . . . . . . . . . . . . . . . 48
5.1. Vistas isométricas del banco de pruebas . . . . . . . . . . . . . . . . . . 50
5.2. Cinta transportadora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.3. Zona de captura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.4. Banco de pruebas implementado . . . . . . . . . . . . . . . . . . . . . . 52
5.5. Plantilla de calibración . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.6. Circulo de calibración post-procesamiento . . . . . . . . . . . . . . . . . 54
5.7. Regresión lineal: Diámetro . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.8. Regresión lineal: Área . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.9. Diferencia de una captura en movimiento frente a una estática . . . . . 56
5.10. Chirimoya de muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.11. Dimensiones acorde al método empleado . . . . . . . . . . . . . . . . . . 57
5.12. Error de criogenización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.13. Error de asincrońıa de faja . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.14. Chirimoya preservada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.15. Variaciones según la altura . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.16. Variación de altura de una chirimoya . . . . . . . . . . . . . . . . . . . . 59
5.17. Chirimoyas menores a 10cm . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.18. Procesamiento de la chirimoya . . . . . . . . . . . . . . . . . . . . . . . 61
5.19. Resultado del procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . 62
Índice de cuadros
3.1. Clasificación arancelaria . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2. Evolución de las exportaciones peruanas . . . . . . . . . . . . . . . . . . 15
3.3. Ficha de exportación chirimoya Callahuanca . . . . . . . . . . . . . . . . 17
3.4. Categoŕıa de peso del fruto de Chirimoya . . . . . . . . . . . . . . . . . 17
3.5. Etiquetas de las chirimoyas . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.6. Requerimientos en cuanto a la selección . . . . . . . . . . . . . . . . . . 18
4.1. Lista de exigencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2. Matriz morfológica en el dominio de la visión . . . . . . . . . . . . . . . 27
4.3. Matriz morfológica en el dominio del control . . . . . . . . . . . . . . . . 28
4.4. Aspectos posibles de evaluación del concepto de solución . . . . . . . . . 28
4.5. Escala de calificación para los aspectos de evaluación del concepto de
solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.6. Evaluación de la matriz morfológica – Dominio de la visión . . . . . . . 29
4.7. Evaluación de la matriz morfológica – Dominio del control . . . . . . . . 30
4.8. Matriz de enfrentamiento – Propiedades técnicas . . . . . . . . . . . . . 32
4.9. Matriz de enfrentamiento – Propiedades económicas . . . . . . . . . . . 32
4.10. Evaluación del proyecto preliminar - Propiedades técnicas . . . . . . . . 32
4.11. Evaluación del proyecto preliminar - Propiedades económicas . . . . . . 33
4.12. Balance técnico – económico del proyecto preliminar . . . . . . . . . . . 33
4.13. Requerimientos del dominio mecánico . . . . . . . . . . . . . . . . . . . 34
4.14. Especificaciones OPTEX ZT-L3000N . . . . . . . . . . . . . . . . . . . 42
4.15. Algoritmos empleados en el procesamiento de imágenes . . . . . . . . . 44
4.16. Cantidad de entradas y salidas del controlador . . . . . . . . . . . . . . 47
5.1. Regresión lineal : Diámetro . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2. Regresión lineal : Área . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3. Resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.4. Costos del proyecto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
viii
Dedicado a los que no estudian el mundo tal como es, sino a los
que crean el mundo que nunca ha sido. . .
ix
Caṕıtulo 1
Introducción
Callahuanca, denominada como ’El Paráıso de la Chirimoya’, se encuentra en la pro-
vincia de Huarochiri a dos horas de la ciudad de Lima, situada a 1465 msnm al margen
del rio Santa Eulalia, tal como se aprecia en la Figura 1.1; esta zona cumple con las
exigencias edafoclimaticas requeridas en el cultivo de la chirimoya. La producción na-
cional de chirimoyas es de 20 000 toneladas anuales, de las cuales Lima produce el 50%,
lo que significa 11 mil 300 toneladas, en tanto Huarochiri produce 8mil 500 toneladas
[1].
La producción y el cultivo más importante de Callahuanca es la chirimoya, fruto de
pulpa blanca suave y aroma incomparable, siendo el ingrediente ideal para realizar va-
riedad de dulces, helados, mermeladas y cocktails. Chauca y Callahuanca, con sus 180
comuneros en las 350 hectáreas aproximadas cultivan alrededor de 100 ecotipos dife-
rentes de Chirimoyas nativas, alcanzando una producción anual de 2200 toneladas; La
oxidación del fruto dura aproximadamente 5 d́ıas, por tal motivo el 40% de la chirimo-
ya que se produce en el Perú es destinado al mercado nacional y la exportación, pero
el 60% debe ser destinado a productos con valor agregado, tales como deshidratados,
harina de Chirimoya, néctar y licores [1].
Los principales mercados de destino de las exportaciones de chirimoya fresca son Ca-
nadá, Estados Unidos, Japón, España ,Italia y Suecia, siendo Canadá el principal recep-
tor, habiéndose destinado más del 75% del total exportado durante el año 2012,dicho
monto asciende al valor exportado de 90297.3 dólares. Para E.E.U.U. como segundo
receptor se destinó el 20%, lo que equivale a un valor de 23,700 dólares [2].
1
Caṕıtulo 1. Introducción 2
Debido a la demanda, los agricultores están motivados por exportar sus productos,
pero requieren cada vez de equipos con aplicaciones múltiples de alta funcionabilidad
en tiempo real, mayor interconexión, menor coste.
Figura 1.1: Ubicación geográfica de Callahuanca [3].
En Callahuanca la producción de chirimoya oscila entre 2200 toneladas al año es decir
aproximadamente 5 toneladas d́ıa, en los meses de marzo a junio hay una producción
tendencial en aumento más del 98% de fruta de chirimoya se cosecha [4]; hoy existe
una creciente demanda mundial del producto por su agradable sabor y los productores
se encuentran motivados debido a la apertura de nuevos mercados internacionales,
sin embargo, actualmente los productores de Callahuanca seleccionan manualmente la
chirimoya requerida para fines de exportación, siendo su mano de obra costosa, lenta e
inexacta, pudiendo incurrir en error del operario al manipular la fruta.
En junio del 2014 se realizó una visita de campo con apoyo de Sierra Exportadora,
entidad gubernamental encargada de incentivar y aperturar mercados de exportación
para los frutos de la zona andina del Perú. Los agricultores entrevistados manifesta-
ron que intentaron exportar, pero no pudieron llenar la cuota de chirimoyas solicitada
en el plazo requerido por: dificultad en la clasificación, falta de conocimiento, capa-
citación, asistencia técnica y nueva tecnoloǵıa; consecuentemente desaprovecharon la
oportunidad de ingresar con su producto al mercado exterior.
Sierra Exportadora señala que en cuatro d́ıas se debe llenar un contenedor de 20 tone-
ladas de chirimoya, lo que significa que en un d́ıa 5 toneladas de chirimoyas de de 10
Caṕıtulo 1. Introducción 3
cm en altura y 12 cm en proyección tal como se muestra en la Figura 1.2, ya que esta
fruta será almacenada en cajas diseñadas para exportar, ciertamente la mano de obra
humana no podŕıa ejecutar la clasificación en segundos.
~12 cm
TopView Iso
FrontView Caja para Exportación
Figura 1.2: Tamaño de chirimoyas requeridas
Por lo expuesto, el presente trabajo trata de mejorar el criterio de la interpretación
humana y su mano de obra; por tanto se opta por diseñar un sistema automatizado
que efectué mediciones sin contacto y clasifique las chirimoyas del ecotipo Aurora que
para su exportación, las cuales correspondeŕıan según la categoŕıa por peso a las de
categoŕıa EXTRA y PRIMERA (301gr − 1000gr Aproximadamente). El uso de esta
técnica en la clasificación de las chirimoyas no solo permitirá un considerable ahorro
de tiempo, sino también una medición mas consistente, lo que implica una calidad más
homogénea en el lote procesado sin verse afectado por factores como: cansancio y fatiga
visual como ocurre con los operadores humanos; por otra parte el sistema automático
permite almacenar fácilmente la información sobre la producción la misma que al ser
analizada rápidamente será de utilidad en la toma de decisiones. Este prototipo podrá
beneficiar a los productores de Callahuanca, aśı como también a la entidad promotora
de planes de negocio agroexportador.
~10 cm
Caṕıtulo 1. Introducción 4
1.1. Objetivos
Se puede definir claramente los objetivos de esta investigación:
1. Objetivo Principal
Diseñar un sistema de visión artificial para la clasificación de chirimoyas que
cumplan con las dimensiones de 10× 12cm.
2. Objetivos Espećıficos
Realizar el acondicionamiento para la captura de imagen.
Seleccionar el dispositivo de adquisición de imágenes.
Seleccionar el controlador.
Determinar la disposición de la iluminación en la zona de visión artificial.
Implementar el algoritmo de medición.
Ejecutar la programación del controlador.
Caṕıtulo 2
Estado del arte
La visión artificial es una disciplina en creciente auge, una de sus aplicaciones en el
sistema del control de calidad en el ámbito agro industrial ha tenido grandes avances
debido a la creciente demanda de las técnicas del procesamiento digital de imágenes.
Para la realización de la presente investigación, fue necesario estudiar los antecedentes
de esta novedosa tecnoloǵıa.
Leonario [5], diseñó un sistema de detección y clasificación de defectos en frutas me-
diante el procesamiento digital de imágenes utilizando el algoritmo de retropropagación,
encargado de detectar y cuantificar los defectos de las naranjas, sus resultados alcanzan
niveles de efectividad superiores al 90%,concluyendo que no es posible determinar todos
los parámetros por medio de la inspección visual como el aroma, textura ,contenido de
pulpa, azúcar etc. por lo cual su trabajo es una solución parcial en la determinación de
calidad de la fruta.
Empleando Matlab en la primera etapa y posterior implementación de los algoritmos
de visión artificial en Visual C, en el Perú, en la PUCP, Sobrado [6] aplicó visión
artificial usando redes neuronales como clasificador; el algoritmo de retropropagación
del error que utilizo describe e identifica las caracteŕısticas de los objetos en tiempo
real, para lo cual empleó 4 momentos invariantes de menor orden, como elementos
discriminadores, sus resultados mejoran los tiempos del proceso en las fases de pre
procesamiento (binarización) y de extracción de caracteŕısticas (código de cadena y
cálculo de los momentos a partir del código de cadena), a su vez integro el sistema de
visión con una celda de trabajo robotizado realizando una tarea de trayectoria lineal a
200mm/s .
5
Caṕıtulo 2. Estado del arte 6
La importancia de utilizar de Matlab como herramienta para la implementación de
algoritmos de procesamiento de imágenes radica en que los complejos algoritmos de
visión ahora consumen algunos minutos, además de la facilidad para realizar cambios.
Por tal motivo, Porras [7], diseño un sistema de clasificación de objetos por forma y
color basado en visión artificial con Matlab junto con la libreŕıa vfm.dll para la captura
y procesamiento de imágenes concluyendo que con esta técnica controla la calidad del
env́ıo al 100% y permite una inspección rápida y automatización del proceso de control
supervisión y manipulación .
Morales et al [8] diseñó un sistema de visión artificial para la inspección, selección y
control de calidad de fresas, desarrollado en Matlab aplicándolo a 100 imágenes de
fresas comparando su efectividad con el criterio del ojo humano respecto a calibración,
estado de madurez y categoŕıa, en sus resultados importantes resalta el tiempo que
toma la inspección de la fresa que oscila entre 1.7 y 2.1 segundos lo cual es aceptable
en comparación con lo que tardaŕıa un operador humano.
En la PUCP, Salazar [9], identificó objetos en movimiento mediante visión artificial
y transmisión de datos a un brazo robótico utilizando la plataforma de programación
C++ y OpenCV, calculando las caracteŕısticas de los objetos por color y forma con el
código de cadena. Actualmente, el Grupo de Reconocimiento de Patrones e Inteligencia
Artificial Aplicada [10], gracias al uso de Visión Computacional detecta el estado en el
que se encuentran las hojas de cafeto ante el ataque de la Roya Amarilla, su intención
es automatizar este diagnóstico examinando las hojas empleando dos criterios distintos:
textura y color.
Diaz [11], midió el volumen de la fosa de una herida de Leishmaniasis para evaluar
la evolución de la enfermedad empleando visión artificial con una precisión volumétri-
ca de 0.191 ml empleando una segmentación manual y el software ITK-Snap. Sato
[12], demostró que es posible contar bacilos de tuberculosis empleando técnicas de pro-
cesamiento de imágenes digitales empleando el método Otsu para una umbralización
adaptativa a muestras de esputo; los objetos detectados son clasificados como bacilos o
no-bacilos con una exactitud del 90%.
Sanchez [13] en Arequipa, diseñó un sistema de Identificación y clasificación de figuras
geométricas por colores y formas por Visión Artificial mediante el software Labview 7.0
creado por National Instruments aplicando un lenguaje de programación visual, imple-
mentando por computador algoritmos y diagramas de bloques, que permiten comparar
patrones .
Caṕıtulo 2. Estado del arte 7
Benavides et al [14], expone un sistema automático para la clasificación de Palta Hass
el cual tuvo un 82.22% de precisión utilizando el software Matlab/Simulink ; se empleó
un filtro Adaptativo de Wiener para minimizar los efectos de objetos indeseados en
la imagen y Fisher’s Linear Discriminant como método de segmentación además de
K-means como algoritmo de clasificación; para reducir los costos de la investigación, el
software fue posteriormente migrado a Scilab/Xcos.
Deepa et al [15], realizó un estudio para el procesamiento de imágenes en manzanas,
logro superar los inconvenientes de la segmentación tradicional presente en los bordes
suaves de los frutos empleando un detector de bordes Multi-escala (Canny) para luego
utilizar el resultado como entrada para una segmentación Watershed. como resultado
se pudo segmentar con éxito todas las partes y defectos de las manzanas, aumentando
la precisión, calidad y consistencia de la clasificación de frutos.
Naglea et al [16], junto a grupos de investigación de Thailandia y Alemania, realizaron
estudios en procesamiento de imágenes en mangos, los investigadores recomiendan en-
carecidamente utilizar cámaras de buen desempeño para la detección de defectos, sus
investigaciones en visión artificial mostraron una mejora en la selección y clasificación
automática para la industria de exportación de mangos en Thailandia. Nandi et al [17],
trabajó con mangos de la India para presentar una técnica para predecir el nivel de
madurez y el tamaño de la fruta a partir de su imagen a 120lux utilizando el Software
LabView Real Time Enviroment .
Nandi [18], logró calcular el tamaño de la fruta estimando el área cubierta binarizada en
base al número de pixeles; después del procesamiento de imagen, clasificaron los mangos
utilizando un Algoritmo basado en Logica Difusa utilizando funciones de membreśıas
y reglas basadas en tres expertos en 5 variedades diferentes de mangos basándose en el
color de la piel, tamaño, defectos superficiales, forma, firmeza, peso y olor .
Según Gastelum et al [19], ”los avances de la tecnoloǵıa en la agricultura, dan pie a
una nueva era automatizada de métodos no invasivos que dejan las hojas y los frutos
intactos para asi no interferir con su crecimiento normal”. Un claro ejemplo se puede
apreciar en el diseño de un sistema el cual es capaz de detectar la locación de plantas
(hierbas, cosechas), según la forma de sus hojas utilizando el detector de bordes Canny
[20]; el sistema, puede estar montado en un tractor aśı como también a un veh́ıculo
no tripulado, tiene como objetivo identificar malezas e eliminarlas de forma puntual,
sin afectar el resto de la cosecha, del mismo modo detectar plantas que no tengan un
crecimiento normal y eliminarlas para asegurar una cosecha homogénea [21].
Caṕıtulo 2. Estado del arte 8
Otro estudio para imágenes en ambientes no controlados fué investigado por Deepa et
al [22], quien para el reconocimiento de naranjas empleó Canny y un algoritmo basado
en Color en el software Matlab. 20 imágenes fueron extráıdas de internet, las cuales
conteńıan hojas, ramas y sombras las cuales fueron separadas del objeto de interés
utilizando un Filtro de Gauss. El método por color fue capaz de detectar las naranjas
con un 85% de precisión .
El año 2012, estudiando la detección de defectos en papas Navid et al [23], demostró
que fue posible clasificar los tuberculos en un 95% utilizando como clasificador Suport
Vector Machines (SVM). Chetna V. Maheshwari et al [24], propuso un método no
destructivo y accesible para contar la cantidad de Oryza Sativa L (Semillas de Arroz)
sin considerar elementos extraños, utilizando la segmentación utilizando Canny.
Afrisal et al [25], logró diseñar una maquina portable para los agricultores de Indonesia,
capaz de clasificar frutos de caracteŕısticas esféricas entre 25mm-75mm en una máquina
que hace rodar los frutos por una pendiente de 10-30 grados de inclinación con respecto
a la horizontal para evitar el uso de costosas fajas transportadoras. La captura se
realizó utilizando una webcam Logitech C920 ubicada sobre el área de captura, la cual
se mantuvo iluminada entre 150-500 lux; el procesamiento se efectuó a una velocidad
de 500ms (Procesador 2.2 Ghz, comunicación servo serial 1Mbps).
Un sistema de clasificación de frutos de alta velocidad fue propuesto el 2004 en China
por Guo Feng [26], el proceso de segmentación fue realizado en 50ms, ya que procesar
de 4-5 frutos por segundo exijia que el sistema emita un juicio sobre el fruto analizado
en 200ms utilizando un clasificador Bayesiano. Para detectar los bordes del fruto se
utilizó Interpolación Spline, el cual consiste en ubicar 24 puntos desde el centro de
gravedad, distanciados a 15 grados uno respecto del otro para luego utilizar el algoritmo
de Interpolación Spline para formar un contorno suave.
A pesar de los considerables avances en el procesamiento de imágenes para el procesa-
miento y clasificación de productos agŕıcolas, muchos agricultores prefieren la clasifica-
ción convencional utilizando mano de obra humana, principalmente debido a la elevada
inversión inicial [27]. Aún existe un campo de investigación abierto para mejorar la
velocidad de procesamiento de imágenes, para reducir los costos computacionales [28].
Caṕıtulo 3
Marco teórico
La Inspección Asistida por Computadora (IAC), permite una alternativa automatizada,
no destructiva y accesible para lograr de manera precisa, rápida y objetiva los paráme-
tros necesarios para que el producto logre satisfacer las expectativas del consumidor
frente a otros productos de la misma categoŕıa [27], el incremento en el cuidado y la
sofisticación del consumidor, generaron mayor expectativa en los productos del merca-
do, ya que un producto con un defecto de origen orgánico puede causar serios daños al
consumidor. Esto ha aumentado la presión en las industrias para producir productos
accesibles de alta calidad y consistencia, vislumbrando como alternativa los sistemas de
inspección asistidas por computadora para el sector Hortifruticola cuyo fin es detectar
grados de calidad en los frutos, los cuales superan ampliamente a los sistemas de clasi-
ficación convencionales [29] . El objetivo de este caṕıtulo es la de realizar una revisión
de las bases teóricas de la IAC utilizando Visión Artificial.
3.1. Componentes de la visión artificial
La configuración del hardware son prácticamente estándar [27], y se encuentran repre-
sentados en la Figura 3.1 :
1. Un dispositivo de iluminación, el cual ilumina la muestra con la cual se está
trabajando.
2. Una cámara CCD (Charged Couple Device) para adquirir la imagen.
9
Caṕıtulo 3. Marco teórico 10
3. Un capturador, el cual será el encargado de convertir de Analógico a Digital los
elementos capturados de ser necesario.
4. Una Computadora Personal o un Microprocesador, para poder almacenar las
imágenes y dar al sistema capacidades computacionales con software espećıfico
para las tareas.
Capturadora
Cámara
Computadora
Iluminación
Muestra
Figura 3.1: Componentes de la visión artificial
3.2. Procesamiento digital de imágenes
La visión artificial, también conocida como computer vision o visión técnica, es un
subcampo de la inteligencia artificial, cuyo propósito es del de programar un computador
para que ’entienda’ las caracteŕısticas de una imagen, más precisamente para deducir
las propiedades del mundo tridimensional a partir de imágenes en dos dimensiones. El
procesamiento digital de imágenes puede estar clasificado de la forma mostrada en la
Figura 3.2 :
Eliminación de ruido, nitidez de imagen, Procesamiento de 
mejora de contraste imagen de bajo nivel
Procesamiento de 
Segmentación, restauración, 
imagen de nivel 
descripción
medio
Extracción, reconocimiento, Procesamiento de 
interpretación imagen de alto nivel
Figura 3.2: Clasificación del procesamiento digital de imágenes
Caṕıtulo 3. Marco teórico 11
1. Low Level Image Processing, por su traducción, Procesamiento de imagen en bajo
nivel; consiste en la eliminación de ruidos y mejoras en la imagen. (Preprocesa-
miento).
2. Middle level Image Processing, por su traducción, Procesamiento de imagen en
nivel medio (Segmentacion).
3. High Level Image Processing, por su traducción, Procesamiento de imagen de alto
nivel; consiste en el análisis del resultado de la segmentación
3.2.1. Etapas de la visión artificial
3.2.1.1. Acondicionamiento
El acondicionamiento, hace referencia a todos los cálculos y consideraciones necesarias
para realizar un correcto procesamiento de imágenes, tales como: la iluminación, som-
bras proyectadas, selección de la cámara, entre otros. Estas cálculos se detallan en el
Caṕıtulo 4.
3.2.1.2. Adquisición de la imagen
En esta etapa se obtiene la imagen adecuada del objeto a estudiar bien sea a través de
una cámara de video, una cámara fotográfica, un escáner, etc. La adquisición se hace
por medio de algún tipo de sensor el cual modifica su señal eléctrica en función de la
intensidad luminosa que percibe. Dentro de las tecnoloǵıas más usadas se encuentran
los sensores Charge Coupling Device (CCD) o por su traducción Dispositivo de Alma-
cenamiento de Carga en el cual los elementos fotosensibles y el conjunto de puertas
lógicas y circuitos de control asociados son integrados en un mismo chip. La luz que
penetra en el semiconductor lleva los electrones de valencia a la banda de conducción,
por lo que el número de electrones es proporcional a la intensidad de la luz. Los diodos
están formados por fotolitograf́ıa, aśı que tienen un patrón perfectamente regular, sin
distorsión de imagen [30].
La iluminación es el aspecto más decisivo en cualquier aplicación de visión artificial,
a nivel mundial, en Italia [31] se estudió la iluminación y procesamiento de imagen en
la industria, sustentando la cátedra: Visión en color y reconocimiento de patrones .
’Eligiendo la técnica adecuada de iluminación se puede lograr un aumento en la exac-
titud, en la fiabilidad del sistema y en su tiempo de respuesta. Es un error muy serio y
Caṕıtulo 3. Marco teórico 12
costoso asumir que se puede compensar una iluminación inadecuada con un algoritmo’
[32]. Para este fin, se utilizara el sistema de iluminación Frontal Oblicua y Direccional,
mostrada en la Figura 3.3, la dirección de la luz (ángulo de incidencia) es el ángulo por
el plano normal a la superficie y el rayo incidente.
En la iluminación frontal direccional, el ángulo entre los rayos incidentes y la superficie
es de 30 grados, lo que reduce un poco el contraste pero incrementa la cantidad de
información obtenible de las superficies planas. La fuente de luz será LED (Light Emi-
ting Diodes) blanca, de alta intensidad que proporciona una iluminación más potente,
tiene una vida larga 100,000 horas y solo requiere un cable de alimentación. Estará
distribuida en forma de anillo [32].
Cámara
Anillo de Luz
Objeto
Figura 3.3: Iluminación del objeto a capturar
3.2.1.3. Preprocesamiento
Hace referencia al proceso inicial de una imagen la cual no ha sido trabajada, la imagen
capturada es capturada a través de los sensores y es transferida hacia el computador,
en aquel momento, la imagen se convierte en digital formada por d́ıgitos que pueden ser
léıdos por la computadora, dichos d́ıgitos son convertidos en pequeños puntos llamados
Pixels, donde 0 es Negro y 255 es Blanco. Cada Pixel en Color es representado por 3
digitos RGB (Red, Green, Blue) también en intervalos de 0 a 255 dependiente de la
intensidad del color. En algunos casos la imagen capturada puede contener elementos y
Caṕıtulo 3. Marco teórico 13
distorsiones no deseadas. Por tal motivo, el propósito del Preprocesamiento es mejorar
la calidad de la imagen adquirida eliminando las partes indeseables o realzando las
partes de mayor interés en ellas, de esta forma se aumentan las posibilidades de éxito
del trabajo.
1. Conversión de los niveles de grises.
2. Transformaciones geométricas.
3. Transformaciones del histograma.
4. Filtrado espacial y frecuencial.
3.2.1.4. Segmentación
Es el proceso en el cual se logra descomponer la imagen en sus partes u objetos consti-
tuyentes que guarden una fuerte relación con los objetos o el área de interés utilizada
en la matriz principal de análisis. Es una de las partes más dif́ıciles e importantes en el
procesamiento de la imagen dado que una correcta segmentación simplificará en gran
medida la solución del problema. Aśı mismo, una segmentación incorrecta hará que el
sistema arroje resultados erróneos. Los diferentes objetos que aparecen en una imagen
pueden ser detectados fijándose en aspectos como sus contornos o su textura. Algunas
técnicas comúnmente usadas para la segmentación son:
1. Umbralización (Thresholding): Proceso en el cual donde solo las regiones oscuras
son de interés, las otras regiones son convertidos a los colores del fondo. Es una
técnica muy útil para determinar la madurez, defectos y daños para la clasifica-
ción.
2. Técnicas basadas en detección de contornos: Se basa en la detección de disconti-
nuidades en el nivel de gris, color de pixeles, texturas, etc. Es una técnica muy
útil para determinar la forma y el tamaño para la clasificación.
3. Técnicas basadas en crecimiento de regiones: implica un agrupamiento y luego la
extracción de pixeles similares para formar una región que represente un único
objeto en la imagen, en esta técnica, las otras regiones son eliminados, dejando
solo la caracteŕıstica de interés.
Caṕıtulo 3. Marco teórico 14
3.2.1.4.1. Umbralización Proceso por el cual se convierte una imagen en escala
de grises a otra en blanco y negro, con la finalidad de que los puntos que sobrepasen el
valor de umbral tomen por color el blanco y los que no pasen el valor umbral, se tomen
el color negro tal como indica la Figura 3.4 y la Ecuación 3.1.
( )
0, f(u, v) < T
g(u, v) = (3.1)
1, f(u, v) ≥ T
0 T 255
f(u,v)
Figura 3.4: Umbralización
3.2.1.5. Extracción de caracteŕısticas
Una vez se han separado adecuadamente los objetos que componen la imagen se proce-
de a aplicar un método con el cual sea posible extraer los datos de interés. El objetivo
entonces es extraer rasgos que proporcionen información cuantitativa o que permitan
diferenciar una clase de objetos de otra. Estas caracteŕısticas pueden ser de tipo mor-
fológico como área, peŕımetro, esqueletos, aśı como caracteŕısticas basadas en textura
y color [30].
3.2.1.6. Reconocimiento e interpretación
En este procesamiento de alto nivel de reconocimiento, se le asigna una etiqueta a un
objeto con base en la información que brindan sus descriptores. La interpretación le da
un sentido o significado a los objetos reconocidos para finalmente llegar a clasificarlos
según sus propiedades. Una técnica comúnmente usada en la etapa de clasificación se
g(u,v)
255
Caṕıtulo 3. Marco teórico 15
basa clasificadores estad́ısticos o modelos neuronales multicapa mediante el algoritmo
de retro propagación [27].
3.3. Caracteŕıstica del a chirimoya
La chirimoya es oriunda de los valles andinos del Perú, es una planta de aspecto arbusti-
vo, el fruto tiene forma cordiforme o cónica, la piel delgada suave de color verde pálido
y cubierta de escamas o protuberancias redondas, contiene abundante pulpa blanca
dulce y jugoso,con un agradable aroma y delicioso sabor semiacido, contiene semillas
cafés o negras, la planta tiene un longevidad de 15 años y entra en producción a los
3 o 4 años, la clasificación Arancelaria se muestra en el Cuadro 3.1. En el cultivo de
la chirimoya existe una gran variedad genética, con selecciones de biotipos de diferen-
tes caracteŕısticas morfológicas fonológicas, y organolépticas tal como se muestra en la
Figura 3.5.
Cuadro 3.1: Clasificación arancelaria
SITUACION COEMRCIAL
CLASIFICACIÓN ARANCELARIA
Nombre del producto Chirimoya
Nombre cient́ıfico Annona Cherimola Mill
Código Arancelario 0810.90.20.00
Existe una gran demanda de la Chirimoya en mercados extranjeros, la evolución de las
exportaciones de la chirimoya fresca ha mostrado una tendencia positiva, incrementando
notablemente al pasar del año 2011 al 2012, expresado en una variación del 21% lo que
representa el valor FOB un total de 120570.62 USD como es mostrado en el Cuadro
3.2.
Cuadro 3.2: Evolución de las exportaciones peruanas
Los requerimientos de las Chirimoyas Callahuanca para la cosecha y distribución se
encuentran detalladas en el Marca Colectiva Chirimoya Callahuanca - Reglamento de
Caṕıtulo 3. Marco teórico 16
(a) Variedad Cumbe (b) Ecotipo Rayan (c) Variedad Criolla
(d) Ecotipo Aurora
Figura 3.5: Cultivos de la comunidad de Callahuanca
uso - Resolución No004214-2013/DSD-INDECOPI [33]. El dicho reglamento se estipula
que las caracteŕısticas del a chirimoya de exportación que cumplan con lo detallado del
Cuadro 3.3.
Como se puso en evidencia en el Caṕıtulo 1, existe una gran diferencia de tamaños en
la cosecha de Chirimoyas de un mismo árbol de Chirimoyo en el valle de Huarochiŕı,
dando frutos que pueden oscilar entre 50gr y 5kg como se puede apreciar en la Figura
3.6, siendo la Figura3.6a correspondiente a la chirimoya de 5kg y la Figura 3.6b a una
chirimoya de 50gr con una moneda como una referencia de tamaño.
(a) Chirimoyas de gran ta-
maño [34]. (b) Chirimoya de 50gr.
Figura 3.6: Diferencia de tamaños en Cosecha
Caṕıtulo 3. Marco teórico 17
Cuadro 3.3: Ficha de exportación chirimoya Callahuanca
Chirimoya Callahuanca
Presentación/Especificaciones de calidad
En frutos de diversos tamaños con pocas semillas.
Enteras, Limpias, sin plagas y aspecto fresco.
Sabor: Caracteŕıstico e intenso
Dulzor: 23o Brix
Peso promedio: 300-500gr
Conservación
El fruto maduro puede durar 4 dias a temperatura ambiente
Volumen de producción
En temporada de mayor producción los rendimientos son de 13 Tn/ha
Meses de oferta
Desde Diciembre hasta Octubre, el mayor volúmen
de producción está entre los meses de Marzo y Junio
Certificados
Marca Colectiva - Chirimoya Callahuanca
Resolución No004214-2013/DSD-INDECOPI
Es por esto, que el reglamento Marca Colectiva - Chirimoya Callahuanca [33], en Anexo
1 Calidad de Selección y Clasificación sección B, Requerimientos en cuanto a la clasi-
ficación, indica los rangos de peso y las clasificaciones correspondientes paras las Chi-
rimoyas cosechadas en la comunidad de Callahuanca, por lo tanto, es una obligación
Seleccionar y Clasificar las diferentes variedades de Chirimoya conforme las Normas
Técnicas determinadas en el Cuadro 3.4, cabe resaltar que este ultimo cuadro presenta
una incongruencia de pesos en la fila correspondiente a la Segunda categoŕıa proveniente
de la referencia consultada.
Clasificar las chirimoyas, da como resultado una proporción de tamaño similar a la
mostrada en la Figura 3.7, adicionalmente las Chirimoyas deben ser marcadas etiquetas
adhesivas como se muestra en el Cuadro 3.5, en la Figura 3.8, se muestra la etiqueta
amarilla Callahuanca, correspondiente a las Chirimoyas Categoŕıa II.
Cuadro 3.4: Categoŕıa de peso del Cuadro 3.5: Etiquetas de las chiri-
fruto de Chirimoya [33]. moyas [33]
CATEGORÍA PESO (gr) ETIQUETAS
Extra ≥ 601 Rojo Categoŕıa Extra
Primera ≥ 301 ≤ 600 Verde Categoŕıa I
Segunda ≥ 150 ≤ 300 Amarillo Categoŕıa II
Tercera ≥ 50 ≤ 95 Blanco Categoŕıa III
Caṕıtulo 3. Marco teórico 18
Figura 3.7: Categoŕıas del fruto de chirimoya
Figura 3.8: Etiqueta amarilla Callahuanca
El reglamento Marca Colectiva - Chirimoya Callahuanca, en Anexo 1 Calidad de Se-
lección y Clasificación sección A, Requerimientos en cuanto a la selección indica lo
mostrado en el Cuadro 3.6. En otros términos el productor esta en la obligación de
cosechar frutos que se encuentren en punto óptimo de madurez en árbol, quedando ex-
cluidas chirimoyas con deformaciones, protuberancias, punto de madurez incorrecta y
daños detectados a simple inspección con un error no mayor al 5%. Es importante resal-
tar que, no todas las Chirimoyas de la Categoŕıa Extra y Primera cosechadas son aptas
para su exportación, por tal motivo es importante el desarrollo de esta investigación.
Cuadro 3.6: Requerimientos en cuanto a la selección [33].
Requerimientos en cuanto a la Selección
a) Menos de 5% de los frutos muestreados - en base al peso - tienen los siguientes defectos:
Deformidad
Daño mecánico
Daño por insecto
Daño por enfermedades
Daño por aves
Pudrición
Mezclas de ecotipos (Presencia de protuberancias en frutos
que tienen piel con relieves carpelares fundidos o poco aparentes)
Exentas de daños causados por bajas temperaturas y lesiones solares
Desprovistas del péndulo y conservando el pezón
b) Quedarán exluidas las chirimoyas verdes, recolectadas antes del punto óptimo de madurez en arbol.
Caṕıtulo 4
Diseño del hardware y software
El diseño ha sido una tarea que se ha venido desarrollando en base a la propia experien-
cia del diseñador. La necesidad de desarrollar rápidamente nuevos productos ha hecho
que se estudie e investigue esta actividad dando como resultado diversas metodoloǵıas.
’Hoy en d́ıa el diseño es una técnica que se puede enseñar y aprender’ [35].
El proceso de diseño del hardware y Software se realizó tomando como referencia la
norma VDI 2221 [36] desarrollada por la Asociación Alemana de Ingenieros. La meto-
doloǵıa del diseño aplicado se puede resumir de la siguiente forma:
Comprensión de la solicitud: Consiste en comprender el problema, definir las
caracteŕısticas del producto a diseñar, restricciones y recursos disponibles (Tec-
noloǵıa, mano de obra, tiempos, costos, plazos, etc).
Concepto de Solución: Permite obtener los conceptos de ingenieŕıa que se empleara
en la solución y el diseño cualitativo del producto, es decir contar con un bosquejo
de la solución completa, la forma en que van a trabajar las juntas y los posibles
materiales a utilizar.
Elaboración del proyecto: Terminando esta etapa, se habrán realizado todos los
cálculos necesarios, se contara con un plano de ensamble y un listado de todas
las piezas, asi como también estarán definidos circuitos electrónicos, programas,
comunicaciones y estrategias de control.
19
Caṕıtulo 4. Diseño del hardware y software 20
Elaboración de Detalles: En esta etapa se obtendrán todos los planos de fabrica-
ción y montaje de la máquina, también se contara con todos los cálculos documen-
tados. Aśı como también estarán detalladas las tarjetas de control y programas
desarrollados de ser necesarios.
En la Figura 4.1 se puede apreciar las fases del diseño: Fase I de información, Fase
II correspondiente a la creación, Fase III desarrollo y la fase IV de la elaboración de
la ingenieŕıa de detalle; cualquiera que sea el método que se elabore para realizar un
diseño, se verán estas fases de alguna manera, aunque algunos autores las definan de
diferentes. En la Fase I, es necesario aclarar y precisar el problema para determinar las
funciones y su estructura, para ello el método dispone de la Lista de exigencias y de la
estructura de funciones como herramientas; durante la Fase II, se desarrolla el concepto
de solución para cada estructura dividiéndolos en módulos realizables; en la Fase III,
se determina el proyecto preliminar configurando los módulos apropiados y en la Fase
IV, se configura el producto total elaborando la documentación de fabricación y uso.
En la Figura 4.2, se puede identificar las principales fases del método de diseño (Com-
prensión de la solicitud, concepto de solución, elaboración del proyecto y la elaboración
de los detalles). La comprensión de la solicitud requiere que se realice un estado de la
tecnoloǵıa, una lista de exigencias y un plan de trabajo; para formalizar el concepto de
solución, todas las funciones que realizará la máquina y sus posibles soluciones deben
ser analizadas; para la elaboración del proyecto, los cálculos preliminares, planos de en-
samble y lista de piezas deben ser efectuados; en la elaboración de detalles, es necesario
presentar los planos de despiece y fabricación de la máquina, del mismo modo se debe
presentar la memoria de cálculos e instrucciones para el montaje.
4.1. Comprensión de la solicitud
Para esta parte, debemos asumir el problema en forma cŕıtica, el pedido debe ser com-
prendido sin tener lugar a dudas para evitar malos entendidos, falsas construcciones,
duplicidad de trabajos y naturalmente, evitar consecuencias económicas y legales que
pudieran ocurrir debido a la falta de información. Se debe tomar el problema como
un contrato, donde estén escritas las especificaciones del problema como se detalla en
el Cuadro 4.1 denominado Lista de Exigencias. En el Caṕıtulo 2 de esta investigación,
evaluamos el estado de la tecnoloǵıa referente a los métodos y técnicas de la Visión Arti-
ficial y sus aplicaciones en el procesamiento de frutos en fresco. También en el Caṕıtulo
Caṕıtulo 4. Diseño del hardware y software 21
RESULTADOS DEL
PROBLEMA FASES
TRABAJO
1. Aclarar y precisar el problema FASE I
Lista de 
exigencia
2. Determinar las funciones y su 
estructura
Estructuras de 
funciones
3. Búsqueda de los conceptos de 
soluciones y sus estructuras FASE II
Conceptos de 
solución
4. Subdividir en módulos 
realizables
Estructuras 
modulares
5. Configurar los módulos 
apropiados FASE III
Proyecto 
preliminar
6. Configurar el producto total
Proyecto total
7. Elaborar la documentación de 
fabricación y uso FASE IV
Documentación 
del producto
Otras realizaciones
Figura 4.1: Proceso generalizado de desarrollo y diseño VDI 2221 02.1993 (11.1986)
3, tras una entrevista con la asociación de productores de Chirimoya de Callahuanca,
información técnica y revistas, se pudo comprender las caracteŕısticas del fruto con el
cual se esta trabajando.
4.1.1. Estructura de funciones
Para la elaboración de la estructura de funciones, es necesario partir del concepto, el
cual es una parte del proceso de diseño que se realiza después de detallar un problema
a través del proceso de abstracción; la formulación de una estructura de funciones
Iterativo y se puede saltar a cualquier etapa del trabajo
Satisfacción y adaptación a las exigencias
Caṕıtulo 4. Diseño del hardware y software 22
PROBLEMA
1. COMPRENSIÓN DE LA SOLICITUD
1. Estado de la Tecnología
Lista de Exigencias
Plan de Trabajo
2.3 CONCEPTO DE LA SOLUCIÓN
2. Estructura de funciones
3. Concepto de Solución
4.5 ELABORACIÓN DEL PROYECTO
4. Proyectos Preliminares
Proyecto Preliminar Óptimo
Memoria de Cálculos Aprox.
5. Proyecto Definitivo
Memoria Cálculos Definitivos
Planos de Ensamble
Lista de Piezas
6. ELABORACIÓN DE DETALLES 
6. Planos de Despiece
Planos de Fabricación
Memoria de Cálculos
Instrucciones para 
Fabricación
Instrucciones para Montaje
SOLUCIÓN
Figura 4.2: Método de diseño y sus fases [35]
aśı como la combinación de posibles soluciones nos permitirán determinar un óptimo
concepto de solución.
4.1.1.1. Abstracción (Black-Box)
Los datos de entrada en esta etapa del diseño se encuentran en la lista de exigencias
del sistema técnico, el proceso de abstracción tiene como propósito abarcar la mayor
cantidad de soluciones posibles con la participación de la nueva tecnoloǵıa, los nuevos
materiales, los nuevos procesos de fabricación, aśı como los últimos avances de la ciencia,
Caṕıtulo 4. Diseño del hardware y software 23
Cuadro 4.1: Lista de exigencias
SIERRA EXPORTADORA
RUC: 20514859559
DISEÑO DE UN SISTEMA DE VISIÓN ARTIFICIAL
PROYECTO
PARA LA CLASIFICACIÓN DE CHIRIMOYAS BASADO EN MEDIDAS
DESEO /
CLIENTE DESCRIPCION
EXIGENCIA
FUNCION E Diseñar un sistema de Vision Artificial (VA) para la clasificación de Chirimoyas de 10x12cm.
El transporte de chirimoyas a través del área de Captura
de Imagen se realizara de forma mecánica a 0.33m/s.
FUNCION E
Las chirimoyas pasaran por el área de captura una a continuación de otra.
El diseño del Transporte Mecánico, NO está contemplado en el presente trabajo
La tolerancia máxima de defectos en la clasificación
FUNCION E
de chirimoyas no debe superar un 5% de los frutos muestreados en base al peso
Las mediciones realizadas empleando VA
FUNCION E
debe tener una precisión en el orden de los milimetros.
Se realizara el Control de los motores, variadores,
sensores y actuadores seleccionados durante el proceso de diseño
CONTROL E
del transporte mecánico. Garantizando una correcta comunicación
con el sistema de Visión Artificial.
El control de la selección será utilizando
CONTROL E
un Controlador Lógico Programable (PLC)
El sistema contara con una Zona de Captura de imagen,
HARDWARE E el cual será ubicado en la parte superior del Transporte Mecánico
y montado al suelo para evitar vibraciones indeseadas
El sistema contara con un área de Iluminación
ILUMINACION E LED de Chirimoyas montada sobre la zona de captura de imagen
para garantizar una correcta iluminación.
Se trabajara con Chirimoyas del ecotipo Aurora,
MATERIA E
de categoŕıas extra y primera.
La instalación, montaje y desmontaje del sistema
MONTAJE E
serán de la manera más simplificada posible.
Sera necesario limpiar con un paño limpio seco,
MANTENIMIENTO E suave de microfibra el lente de la cámara después de cada 8 horas de
funcionamiento continuo.
El diseño del sistema debe asegurar la
SEGURIDAD E
integridad f́ısica de los operarios.
ENERGIA E La alimentación será eléctrica domestica de 220V AC
Las dimensiones de la zona de captura
GEOMETRIA E
serán determinadas de tal forma que el resultado sea compacto en tamaño.
La Cámara, PLC y accesorios seleccionados,
FABRICACION E
serán de Importación.
Los materiales de la Zona de Captura podrán
FABRICACION E
ser adquiridos fácilmente en el mercado nacional.
ERGONOMIA E El equipo deberá ser intuitivo y de cómoda manipulación.
Es necesario calibrar y entrenar el equipo
CALIBRACION E
con muestras antes de utilizarlo.
La programación será efectuada empleando
SOFTWARE E
software y libreŕıas de libre uso.
El equipo requerirá de una PC de 4Gb RAM,
HARDWARE D Procesador Intel© CoreTM
R i5 CPU 2.53GHz o superior, USB 3.0 Windows 7 (x86),
incluyendo monitor, teclado y mouse genéricos.
de esta manera se consigue nuevas combinaciones y muchas nuevas y mejores soluciones
[35].
Cualquier función se puede representar en forma de una caja negra donde se consideran
solo 3 magnitudes de entrada y salida: Señal, Enerǵıa y Materia
La utilización del modelo mostrado en la Figura 4.3, da como resultado la abstracción
de caja negra del Sistema de Visión, el cual esta representad Figura 4.4.
4.1.1.1.1. Secuencia de operación y funciones
Caṕıtulo 4. Diseño del hardware y software 24
Entrada Salida
Señal (e) Señal (e)
Energía (e) Black - box Energía (e)
Materia (e) Materia (e)
 operandos  operandos 
Figura 4.3: La máquina como caja negra [35]
Señal ON/OFF Clasificación y Procesamiento
Clasificar 
Energia Electrica chirimoyas por Calor, ruido, vibracion
Vision Artificial
Chirimoyas Chirimoyas Clasificadas
Figura 4.4: Abstracción Black-Box sistema de visión
1. Preparación
Mover todo el sistema a sus condiciones iniciales para poder iniciar la clasi-
ficación.
Recepcionar las chirimoyas y ubicarlas bajo la zona de captura.
2. Ejecución
Verificar si la chirimoya mide más de 10cm empleando un sensor.
Asegurarse si la chirimoya se encuentra bajo la zona de captura empleando
un sensor.
Capturar la imagen de las chirimoyas para poder obtener información de
ellas.
Analizar la información obtenida para poder medir los parámetros necesa-
rios.
Clasificar las chirimoyas por tamaño (10cm x 12cm).
Enviar una señal al controlador que informe si la chirimoya cumple con los
parámetros establecidos.
Asegurarse de que la chirimoya se encuentre en el área de trabajo del actua-
dor final.
Caṕıtulo 4. Diseño del hardware y software 25
Separar las chirimoyas basándose en la señal recibida utilizando un actuador
final.
3. Control
Verificar que la cámara se encuentre operativa.
Encender la maquina e iniciar el proceso de selección.
Controlar que las chirimoyas no midan mas de 10 cm de altura
Controlar el procesamiento de imagen y la clasificación.
Controlar la presencia de chirimoyas bajo la zona del actuador final y la
zona de captura.
Controlar la parada de emergencia en caso existiese.
Controlar el proceso de inicio a fin.
4. Fase final
Retornar los elementos a condiciones iniciales.
Reiniciar la secuencia de operaciones
4.1.1.1.2. Agrupación de funciones Despues de definir claramente la secuencia
de operación y funciones, es posible agrupar las funciones para obtener como resultado
una secuencia de funciones como se muestra en la Figura 4.5.
     ANALIZAR +
     MOVER           RECEPCIONAR        CAPTURAR      ENVIAR     SEPARAR
     CLASIFICAR
Figura 4.5: Funciones secuenciales agrupadas
4.1.1.1.3. Estructura de funciones La estructura de funciones se separará en
Dominios de acción, en este caso se cubrirá el Dominio de la Visión y el Dominio de
Control mostradas en las Figuras 4.6 y 4.7 respectivamente.
De las Figuras 4.6 y 4.7 entendemos por:
CAPTURA: Toma de imagen
Caṕıtulo 4. Diseño del hardware y software 26
CHIRIMOYA 
TRIGGER
CLASIFICADA
CONTROL DEL PROCESO
IMAGE SEÑAL DE 
STREAM CONTROL
CAPTURA PREPROCESAMIENTO SEGMENTACIÓN EXTRACCIÓN CLASIFICACIÓN ACTUACIÓN
5 VDC
RUIDO
ACCIONAMIENTO
CALOR
Figura 4.6: Estructura de funciones: Dominio de la visión
1/0
LOGICO CONTROL DE 
MEDIDAS PLANTA
CONTROL DEL PROCESO
0-20 mA
0-5 VDC VOLTAJE AC
25 VDC
ACONDICIONAR LECTURA IMPULSO POTENCIA
ENERGIA
TRIFASICA RUIDO
ACCIONAMIENTO
CORRIENTE CALOR
CONTINUA
Figura 4.7: Dominio de funciones: Dominio del control
PREPROCESAMIENTO: Aplicación de filtros
SEGMENTACIÓN: Dividir los objetos de interés
EXTRACCIÓN DE CARACTERÍSTICAS: Seleccionar información relevante.
CLASIFICACIÓN: Decidir si la materia cumple con las caracteŕısticas requeridas.
ACTUACIÓN: Se produce una señal de control.
ACONDICIONAR: Convertir las señales adquiridas.
LECTURA: Leer los datos adquiridos.
IMPULSO: Generar un pulso o voltaje.
POTENCIA: Circuito de potencia.
Caṕıtulo 4. Diseño del hardware y software 27
4.1.2. Concepto de solución
4.1.2.1. Matriz morfológica de ZWICKY
Existen muchos métodos para la búsqueda de las soluciones, el método empleado en esta
investigación, presenta las soluciones en forma de una Matriz Morfológica de Zwicky
[37], el cual permite subdividir una función total en funciones parciales y mostrar las
posibles soluciones de forma ordenada. Es posible obtener más de una solución a un
mismo problema, sin embargo queda a criterio del diseñador vincular las opciones para
obtener las mejores soluciones posibles. A continuación en los Cuadros 4.2 y 4.3, se
muestran gráficamente las combinaciones para obtener el concepto de solución.
Cuadro 4.2: Matriz morfológica en el dominio de la visión
Una vez comprobadas cuidadosamente las combinaciones resultantes, la etapa final de la
elaboración del concepto óptimo requiere de una evaluación además de una verificación.
Se deben tomar aspectos técnicos y económicos, el criterio económico no debe tomarse
Caṕıtulo 4. Diseño del hardware y software 28
Cuadro 4.3: Matriz morfológica en el dominio del control
como único criterio de evaluación. En el Cuadro 4.4 se muestran los aspectos posibles
para la evaluación del concepto de solución
Cuadro 4.4: Aspectos posibles de evaluación del concepto de solución
ASPECTOS TÉCNICOS ASPECTOS ECONÓMICOS
Buen uso de la enerǵıa. Numero de piezas.
Seguridad. Productividad.
Rapidez. Costos de la tecnoloǵıa.
Estabilidad. Numero de operarios.
Robustez. Facilidad de montaje.
Manipulación. Fácil mantenimiento.
Facilidad de manejo. Costo de operación.
Transportabilidad.
Calidad de trabajo.
Fácil instalación.
Tanto los aspectos técnicos, como los aspectos económicos, se calificaran en criterios de
0 a 4 de la forma mostrada en el Cuadro 4.5.
las calificaciones se estructuraron en los Cuadros 4.6 y 4.7 para los dominios de Visión
y Control respectivamente, se reservó el puntaje máximo de 4 para la solución ideal, la
mejor solución propuesta es la que obtiene el mayor puntaje en la suma total.
Caṕıtulo 4. Diseño del hardware y software 29
Cuadro 4.5: Escala de calificación para los aspectos de evaluación del concepto de
solución
Cuadro 4.6: Evaluación de la matriz morfológica – Dominio de la visión
DOMINIO DE LA VISIÓN
SOLUCIONES
PROPIEDAD TÉCNICA/ECONÓMICA
Solución 1 Solución 2 Solución Ideal
Buen uso de la enerǵıa. 3 3 4
Seguridad. 1 3 4
Rapidez. 1 3 4
Estabilidad 2 3 4
Robustez 2 3 4
Manipulación 1 2 4
Confiabilidad 2 3 4
Facilidad de manejo 1 2 4
Transportabilidad 3 3 4
Calidad de trabajo 2 3 4
Fácil instalación 3 3 4
Numero de piezas 2 3 4
Productividad 3 2 4
Costos de la tecnoloǵıa 2 3 4
Numero de operarios 3 2 4
Facilidad de montaje 3 3 4
Fácil mantenimiento 1 3 4
Costo de operación 3 3 4
TOTAL 38 50 72
4.2. Proyecto Preliminar
En esta etapa del diseño, es necesario elaborar un proyecto definitivo a partir de la
estructura de construcción optima determinada en las secciones anteriores, esta etapa,
el diseñador debe configurar todas las piezas, también determinar su disposición entre
ellas tomando en cuenta las siguientes consideraciones:
Determinar las medidas principales.
Averiguar las relaciones de espacio.
Calcular las medidas de las piezas.
Caṕıtulo 4. Diseño del hardware y software 30
Cuadro 4.7: Evaluación de la matriz morfológica – Dominio del control
DOMINIO DEL CONTROL
SOLUCIONES
PROPIEDAD TÉCNICA/ECONÓMICA
Solución 1 Solución 2 Solución Ideal
Buen uso de la enerǵıa. 3 3 4
Seguridad. 3 3 4
Rapidez. 2 3 4
Estabilidad 2 3 4
Robustez 1 3 4
Manipulación 1 3 4
Confiabilidad 2 3 4
Facilidad de manejo 2 3 4
Transportabilidad 3 3 4
Calidad de trabajo 2 3 4
Fácil instalación 2 3 4
Numero de piezas 1 3 4
Productividad 2 3 4
Costos de la tecnoloǵıa 3 3 4
Numero de operarios 3 3 4
Facilidad de montaje 2 3 4
Fácil mantenimiento 3 3 4
Costo de operación 3 3 4
TOTAL 40 54 72
Escoger los materiales.
Completar los conceptos de solución.
Determinar los procesos de fabricación.
Configurar todas las piezas y sus uniones.
Determinar los circuitos eléctricos de potencia.
Determinar la estrategia de control para la automatización del sistema.
Determinar los circuitos eléctricos y electrónicos de control.
Determinar y seleccionar el lenguaje de programación del sistema.
Determinar los grupos constructivos.
Determinar las piezas a adquirir.
Analizar los puntos débiles.
Evaluar y escoger las mejores soluciones.
También se deberán realizar los cálculos de:
Caṕıtulo 4. Diseño del hardware y software 31
Resistencia de materiales para determinar las dimensiones de las estructuras
mecánicas.
Componentes eléctricos de potencia para terminar y seleccionar los actuadores.
Circuitos electrónicos.
Desarrollo aproximado del modelo de control y automatización.
Una vez alcanzado este punto, es posible representar una estructura aproximada a través
de un bosquejo a mano alzada del proyecto preliminar; es posible obtener o estimar los
datos de factores que influyen en los costos de fabricación, para aśı poder practicar un
análisis técnico económico de las alternativas. A continuación, se presentan las formas
de realizar las evaluaciones utilizando la recomendación VDI 2225.
En los Cuadros 4.6 y 4.7, se establecieron criterios de evaluación tanto técnicos como
económicos, sin embargo al momento de escoger dichos criterios, no se les puede dar el
mismo peso ya que tienen distintos niveles de importancia en el proyecto.
De acuerdo a Nassir Sapag Chain [38], se debe asignar valores ponderados de peso
relativo de acuerdo a la importancia que se les atribuye, un método para determinar
de forma apropiada la ponderación es la utilización de la Matriz de Enfrentamiento
o Matriz de selección, la cual es una herramienta para tomar decisiones y asignar
prioridades a problemas, tareas u otras opciones posibles.
En los Cuadros 4.8 y 4.9 se puede apreciar las Matrices de enfrentamiento de las pro-
piedades técnicas y económicas respectivamente.
Empleando el Método cualitativo por puntos, podemos asignar una calificación con
valores ponderados de peso, de este modo podemos seleccionar las alternativas que
sumen el mayor puntaje de las calificaciones ponderadas, el resultado del análisis se
muestra en los los Cuadros 4.10 y 4.11; los máximos resultados se resaltan en el Cuadro
4.12.
Es importante seleccionar la solución que presente el mejor balance entre las propiedades
técnicas y económicas. En los Diagramas de Evaluación mostrados en las Figuras 4.8 y
4.9, se puede apreciar una diagonal la cual representa el balance ideal técnico-económico
en el cual se encuentra la solución ideal, es por tal motivo que debemos elegir la opción
mas cercana a la diagonal.
Caṕıtulo 4. Diseño del hardware y software 32
Cuadro 4.8: Matriz de enfrentamiento – Propiedades técnicas
MATRIZ DE ENFRENTAMIENTO
Buen uso de la enerǵıa - 0 0 0 0 0 0 0 0 0 0 0 0 0
Seguridad 1 - 1 1 1 1 1 1 1 1 1 10 23.8 24
Rapidez 1 0 - 0 0 1 0 1 1 0 1 5 11.9 12
Estabilidad 1 0 0 - 1 1 0 0 0 0 1 4 9.52 9.5
Robustez 1 0 0 0 - 1 0 1 1 0 0 4 9.52 9.5
Manipulación 0 0 0 0 0 - 0 0 0 0 1 1 2.38 2.4
Confiabilidad 1 0 1 1 1 1 - 1 1 1 1 9 21.4 21
Facilidad de manejo 1 0 0 0 0 0 0 - 1 0 0 2 4.76 4.8
Transportabilidad 1 0 0 0 0 0 0 0 - 0 0 1 2.38 2.4
Calidad de trabajo 1 0 0 0 0 0 0 1 1 - 1 4 9.52 9.5
Facil instalación 1 0 0 0 0 0 0 0 1 0 - 2 4.76 4.8
TOTAL 42 100 100
Cuadro 4.9: Matriz de enfrentamiento – Propiedades económicas
MATRIZ DE ENFRENTAMIENTO
Número de piezas - 0 1 0 1 0 0 2 12.5 13
Productividad 1 - 1 1 1 1 1 6 37.5 38
Costos de la tecnoloǵıa 1 0 - 0 1 0 0 2 12.5 13
Número de operarios 1 0 0 - 1 1 1 4 25 25
Facilidad de montaje 0 0 0 0 - 0 0 0 0 0
Fácil mantenimiento 0 0 1 0 0 - 0 1 6.25 6.3
Costo de operación 0 0 1 0 0 0 - 1 6.25 6.3
TOTAL 16 100 100
Cuadro 4.10: Evaluación del proyecto preliminar - Propiedades técnicas
DOMINIO DE LA VISIÓN DOMINIO DEL CONTROL
PROPIEDAD TÉCNICA Solución 1 Solución 2 Solución ideal Solución 1 Solución 2 Solución ideal
Calific. Punt. Calif. Punt. Calific. Punt. Calific. Punt. Calific. Punt. Calific. Punt.
Buen uso de la enerǵıa 0 3 0 3 0 4 0 3 0 3 0 4 0
Seguridad 24 1 23.8 3 71.43 4 95.25 3 71.43 3 71.43 4 95.24
Rapidez 12 1 11.9 3 35.71 4 47.62 2 23.81 3 35.71 4 47.62
Estabilidad 9.5 2 19 3 28.57 4 38.1 2 19.05 3 28.57 4 38.1
Robustez 9.5 2 19 3 28.57 4 38.1 1 9.52 3 28.57 4 38.1
Manipulación 2.4 1 2.38 2 4.76 4 9.52 1 2.38 3 7.14 4 9.52
Confiabilidad 21 2 42.9 3 64.29 4 85.71 2 42.86 3 64.29 4 85.71
Facilidad de manejo 4.8 1 4.76 2 9.52 4 19.05 2 9.52 3 14.29 4 19.05
Transportabilidad 2.4 3 7.14 3 7.14 4 9.52 3 7.14 3 7.14 4 9.52
Calidad de trabajo 9.5 2 19 3 28.57 4 38.1 2 19.05 3 25.57 4 38.1
Fácil instalación 4.8 3 14.3 3 14.29 4 19.05 2 9.52 3 14.29 4 19.05
TOTAL 164 292.9 400 214.3 300 400
Pond
Buen uso de la enerǵıa
Seguridad
Número de piezas Rapidez
Productividad Estabilidad
Costos de la tecnoloǵıa Robustez
Manipulación
Número de operarios
Confiabilidad
Facilidad de montaje Facilidad de manejo
Fácil mantenimiento Tranportabilidad
Costo de operación Calidad de trabajo
Fácil instalación
Conteo
Conteo
%
%
Ponderación Ponderación
Caṕıtulo 4. Diseño del hardware y software 33
Cuadro 4.11: Evaluación del proyecto preliminar - Propiedades económicas
DOMINIO DE LA VISIÓN DOMINIO DEL CONTROL
PROPIEDAD TECNICA Solución 1 Solución 2 Solución ideal Solución 1 Solución 2 Solución ideal
Calific. Punt. Calif. Punt. Calific. Punt. Calific. Punt. Calific. Punt. Calific. Punt.
Número de piezas 12.5 2 25 3 0 4 37.5 1 12.5 3 37.5 4 50
Productividad 37.5 3 112.5 2 71.43 4 75 2 75 3 112.5 4 150
Costos de la tecnoloǵıa 12.5 2 25 3 35.71 4 37.5 3 37.5 3 37.5 4 50
Número de operarios 25 3 75 2 28.57 4 50 3 75 3 75 4 100
Facilidad de montaje 0 3 0 3 28.57 4 0 2 0 3 0 4 0
Fácil mantenimiento 6.25 1 6.25 3 4.76 4 18.75 3 18.75 3 18.75 4 25
Costo de operación 6.25 3 18.75 3 64.29 4 18.75 3 18.75 3 18.75 4 25
TOTAL 262.5 237.5 400 237.5 300 400
Cuadro 4.12: Balance técnico – económico del proyecto preliminar
DOMINIO DE LA VISIÓN DOMINIO DEL CONTROL
Prop. técnica Prop. económica Prop. Técnica Prop. Económica
Solución 1 164 262.5 214.3 237.5
Solución 2 292.9 237.5 300 300
Solucion ideal 400 400 400 400
Figura 4.8: Balance técnico – económico del dominio de la visión
Figura 4.9: Balance técnico – económico del dominio del control
Pond
Caṕıtulo 4. Diseño del hardware y software 34
4.2.1. Comprensión del dominio mecánico
En esta etapa de la investigación se da una formalidad matemática a los modelos ma-
temáticos del dominio mecánico, esta formalidad permite determinar de cuánto tiempo
disponemos para procesar una Chirimoya y aśı conocer si el procesador seleccionado es
el adecuado. El diseño de la parte mecánica mostrada en la Figura 4.10, no es motivo
de estudio en esta investigación, sin embargo existen variables resaltantes son indicadas
en el Cuadro 4.13.
S3
S3
M S1 S2 S4 S5
S
M
Figura 4.10: Bosquejo del dominio mecánico
Cuadro 4.13: Requerimientos del dominio mecánico
VARIABLE REQUERIMIENTO DESCRIPCIÓN
Qty 15000 Chirimoyas Cantidad mı́nima de Chirimoyas necesarias a procesar por d́ıa
Mchiri 0.5 kg Masa promedio de una Chirimoya
Vc 0.33 m/s Velocidad del Transportador
e 1100 mm Longitud del Transportador
Lcaptura 300 mm Longitud de la zona de Captura
- 600 mm Ancho de la maquina
- 200 mm Diámetro de la bandeja
La parte mecánica consta de un dosificador mediante cangilones horizontales para que
luego las chirimoyas pasen a un transportador de bandejas horizontales, 05 sensores se
ubicarán a lo largo del transportador como se aprecia en la Figura 4.11. Las bandejas
se mueven a una velocidad constante V c, siendo la longitud del transportador e, una
sola chirimoya tarda 3,333s en pasar de un extremo a otro; utilizando el mismo análisis
es posible determinar el Tiempo que tarda en pasar 01 Chirimoya a través de la zona
de captura de una longitud Lcaptura de 335mm, dando como resultado 1,015s.
Caṕıtulo 4. Diseño del hardware y software 35
Lcaptura
S3
S1 S2 S4 S5 S6
S
Motor
M
e
Figura 4.11: Detalle del cangilón con bandejas
4.2.2. Selección de la cámara
La cámara seleccionada debe tener por caracteŕıstica ser de alta velocidad (> 90fps),
también contar con interfaz USB 3.0 para una rápida comunicación y transmisión de
datos con el Computador. Para la selección del dispositivo de Captura se consideraran
2 cálculos, el primero es Field of View (FOV) mostrado en la Figura 4.12.
El metodo utilizado en esta investigacion para determinar el FOV de una camara con-
siste en una estimación de los valores PP , AP y FL (Distancia entre pixeles, pixeles
activados, longitud focal) respectivamente, intentando acercarse lo más posible al área
de interés deseado. Dicha estimación es realizada tomando como referencia las hojas de
datos de las cámaras comerciales que cumplan con las caracteŕısticas deseadas.
Se tomaron los datos de la Camara “Flea3 FL3-U3-13S2M-CS 1/3”Monochrome USB
3.0 Camera” con sensor CMOS 1/3” Sony IMX035 el cual tiene una resolución de
1328x1048px, dicha cámara con sus 35gr cuenta con 1,3MP y 120fps cuenta con una
interfaz USB3,0 para una rápida comunicación y transmisión de información.
10 cm
Caṕıtulo 4. Diseño del hardware y software 36
cámara
nivel para el 
FOV
FOVh
Figura 4.12: Field of view (FOV) [39]
Figura 4.13: Flea3 FL3-U3-13S2M-CS 1/3”Monochrome USB 3.0 Camera [40]
htotal
FOVv
hChirimoya h
Caṕıtulo 4. Diseño del hardware y software 37
Para observar una región de interés de 200x200mm. Con ayuda de la Ecuación 4.1 [41],
calculamos la altura H entre el lente y el área de interés, para ello son necesarios los
datos de la cámara los cuales son determinados por las variables PP , AP , FL (Distancia
entre pixeles, pixeles activados, longitud focal) respectivamente. Estimando los valores
de la longitud focal, se logró obtener un FOV adecuado de 0,263m y altura H de 0,28m
para una longitud focal FL de 5mm que indica el lente genérico mostrado en la Figura
4.14, necesario para nuestro objetivo.
Pp ×AP ×H
FOV = (4.1)
FL
Figura 4.14: Varifocal CS mount lens 3.5-8mm F1.2 CCTV
El siguiente calculo a efectuar determina el Tiempo de Exposición, este análisis asegura
de que la imagen no quede distorsionada al ser capturada en movimiento, para este
analisis tomaremos como referencia la imagen 4.15
Empleando la Ecuación 4.2 [42], determinaremos el Tiempo de Exposición, es decir el
tiempo que el sensor tarda en capturar 1 imagen para objetos en movimiento, para la
velocidad de la faja V de 300mm/s, Pixels activos mı́nimos B con un valor de 240px,
y un Máximo Desenfoque permitido D de 4px, obtenemos un Tiempo de exposición T
de 13,33ms.
D
T = (4.2)
B V
FOV
Caṕıtulo 4. Diseño del hardware y software 38
B = Tamaño del sensor
[px]
V = Velocidad de 
la cinta [mm/s]
G = Field of View 
[mm]
Figura 4.15: Tiempo de exposición [42]
4.2.3. Selección de la iluminación
El objetivo de la iluminación es mejorar el contraste entre el objeto capturado y el fondo
para aśı poder facilitar la segmentación presente durante el proceso de Visión Artificial,
la iluminación estará dispuesta en forma frontal oblicua y direccional en anillo como se
muestra en la Figura 4.16.
Figura 4.16: Iluminación frontal oblicua y direccional en anillo
Es necesario determinar la cantidad de iluminación necesaria en la zona de captura,
asimismo la cantidad de luminarias utilizadas, la altura de iluminación r será de 0,28m,
el color de la iluminación blanca para asegurar un buen contraste entre el fondo y las
C
Caṕıtulo 4. Diseño del hardware y software 39
Chirimoyas, la tensión de enerǵıa será de 12V DC. La iluminancia recomendada según
[43], para trabajos con color y pruebas E es de 1000lx. Para determinar la cantidad de
luminarias según [44], hallamos el ángulo sólido Ω1 para un cono con la Ecuación 4.3,
donde el ángulo de vista de la luminaria γ1 es 120
o y Ω0 con valor de 1sr, el resultado es
un ángulo solido de 3,142sr; el flujo luminoso I fue calculado utilizando la Ecuación 4.4
en la cual el valor de γ o
2 es 0 , por ser un plano perpendicular a la fuente de Iluminación.
Ω1 = 2π(1− cos(γ1))Ω0 (4.3)
Er2
I = (4.4)
Ω0γ1cos(γ2)
Finalmente la Ecuación 4.5 indica la cantidad de iluminación necesaria en lúmenes,
siendo Φ con un valor de 235,2lm. Dicho requerimiento de Intensidad de Iluminación
pueden ser cubiertos utilizando como mı́nimo 04 luminarias de 60lm cada una.
Φ = IΩ1 (4.5)
También es importante estimar la sombra proyectada [45] debido a la posición de las
luminarias a una altura h, para efectos prácticos modelamos la Chirimoya como un
elipsoide y analizaremos los efectos que ocaciona una fuente de luz T, que genera una
iluminación que entrara por el lado redondeado paralelo y opuesto a dicha fuente tal
como se muestra en la Figura 4.17, luego se analizaran los efectos producidos por la
iluminación que entrara por el lado redondeado paralelo a la fuente T como se muestra
en la Figura 4.18.
Los valores de las variables referentes a las proporciones geométricas de la chirimoya
modelada fue obtenida experimentalmente, para X1 con un valor de 50mm, Y 1 es
95mm, a tiene un valor de 70mm, empleando la semejanza de triángulos en ambos
casos e igualando sus ecuaciones, es posible despejar la sombras S1 para la Figura 4.17
como se muestra en la Ecuación 4.6, para nuestro caso, la sombra S1 mide 82,162mm.
h
S1 = (X1 + a+ d)(( )− 1) (4.6)
h− Y 1
Caṕıtulo 4. Diseño del hardware y software 40
T
X1
(X1,Y1) α
Y1
α
S1
Figura 4.17: Sombra proyectada en paralela opuesta
T
h
X2
(X2,Y2) β
β Y2
S2 d
Figura 4.18: Sombra proyectada en paralela
De forma análoga para la Figura 4.18, podemos estimar la sombra proyectada S2 utili-
zando la Ecuación 4.7, los valores d, X2,Y 2 son 4mm, 50mm y 95mm respectivamente,
la sombra S2 tiene un valor de 46,216mm.
h
S2 = (X2 + d)(( )− 1) (4.7)
h− Y 2
Usando esta idea, se decidió utilizar 06 luminarias LED de 40lm de tal forma que la
imagen sea correctamente iluminada. La simetŕıa garantiza que la Chirimoya no tenga
puntos sin ser iluminados, si se tiene en cuenta el efecto de la luz opuesta, el efecto de
Caṕıtulo 4. Diseño del hardware y software 41
la sombra es atenuada lo suficiente como para descartar errores considerables durante
la medición.
4.2.4. Selección de los sensores
Son necesarios 06 sensores dispuestos a lo largo del Transportador de chirimoyas dis-
puestas como se muestra en la Figura 4.19, de tal manera que:
S1,S2 : Sensores encargados de enviar la señal de Trigger de la cámara.
S3 : Sensor ubicado a 10cm de la base de las chirimoyas, cuya función es la de
detectar chirimoyas con alturas mayores a la del sensor.
S4: Habilita interrupción para sensores S5,S6
S5,S6: Sensores encargados de enviar una señal para que los actuadores neumáti-
cos se activen.
NACIONAL
S3
S1 S2 S4 S5 S6
l D
V
Figura 4.19: Disposición de los sensores
Como el ancho de la zona de captura tiene un ancho de 300mm, requerimos un sensor
óptico tipo barrera, capaz de detectar presencia en distancias menores a 200mm, por
tal motivo seleccionamos el sensor OPTEX ZT-L3000N, capaz de detectar de 30mm a
30m, sus especificaciones técnicas se encuentran detalladas en el Cuadro 4.14.
d
INTERNACIONAL
Caṕıtulo 4. Diseño del hardware y software 42
Cuadro 4.14: Especificaciones OPTEX ZT-L3000N
OPTEX ZT-L3000N
Tipo de Cable NPN
Voltaje DC 10-30
Consumo de corriente 30mA max.
Distancia de detección 30mm -30 m
Tamaño del haz de luz 30 mm/30m
Tiempo de respuesta 0.25ms
Histéresis -
Temp. de trabajo -10oC +70oC
Humedad 35% 85%
Vibración 10 - 55 Hz ancho 1.5mm
Golpe 500 m/sˆ2
Grado de proteción IP 67
Emisor Láser
Clase de láser Clase 1
Salida de indicación LED
Ajuste de sensibilidad 1 vuelta
Conexión 2 m cable
4.2.5. Programación del procesador
La plataforma elegida para la programación del procesador fue Python 2.7 con ayuda
de la libreŕıa OpenCV, Numpy, Pyfly2, Serial, time y datetime, el diagrama de flujo
utilizado se muestra en la Figura 4.21, mientras que los algoritmos utilizados en los
diferentes niveles de procesamiento se encuentran detallados en el Cuadro 4.15.
Fue necesario realizar un ajuste en el contraste empleando una función lineal para poder
segmentar con facilidad la imagen utilizando un umbral de 0 a 120, el resultado de la
imagen después de realizar los procesos de apertura y cierre (con una matriz de 5x5) es
una imagen más simplificada y menos detallada que la original. Los valores de umbral
y de apertura y cierre fueron determinados experimentalmente hasta lograr el mejor
resultado.
La operación de circularidad o también llamado coeficiente isoperimétrico, esta determi-
nado por la Ecuación 4.8, da como resultado un valor numérico, siendo 1 la circularidad
de un circulo, permitirá determinar que tan circular es la imagen medida, esto para im-
pedir que el sistema realice mediciones a imágenes que no parezcan pertenecer a una
chirimoya.
Caṕıtulo 4. Diseño del hardware y software 43
4× π ×Area
Ar = (4.8)
Perimetro2
El Algoritmo de Medición se explica en la Figura 4.20, consiste en determinar el centro
geométrico CG de la chirimoya umbralizada , a continuación se ubica geométricamente
el punto A al punto B siendo este el más alejado del centro geométrico CG, finalmente
se ubica geométricamente el punto B más alejado del punto A. De esta manera el vector
Trazo2, garantiza obtener siempre la máxima longitud en la imagen capturada. Una
vez conocida la distancia máxima, se compara con un patrón establecido para luego
poder clasificar las chirimoyas.
En la Figura 4.21, se puede observar el Diagrama de Flujo de la programación del
Procesador, mas el código se encuentra en el Apéndice ?? del presente documento.
Figura 4.20: Algoritmo de medición
4.2.6. Selección del procesador
Para definir un procesador, debemos asegurar que el tiempo de procesamiento sea
mı́nimo, para este fin, se empleó un método experimental el cual consiste en probar
el código diseñado, en un computador con los requerimientos mostrados en la Figu-
ra 4.22 y contrastar el tiempo que tarda en realizarse el procesamiento de imágenes
Caṕıtulo 4. Diseño del hardware y software 44
Cuadro 4.15: Algoritmos empleados en el procesamiento de imágenes
Preprocesamiento
Ajuste de Contraste
Segmentación
Umbralización
Cierre & Apertura
Código cadena
Extracción de Caracteŕısticas
Centroide
Circularidad
Algoritmo de Medición
Clasificación
Comparación
(tprocesamiento) frente al tiempo máximo el cual una chirimoya tarda en pasar la zo-
na de captura (1,015s), es decir, tprocesamiento < 1,015s como se puede confirmar en
la Figura 4.23.
4.2.7. Selección del controlador
Se requiere un Controlador Logico Programable (PLC) que cuente con al menos 18
Entradas y 8 Salidas digitales, las cuales son detalladas en el Cuadro 4.16, además
el controlador debe poseer una interfaz de comunicación USB 2.0. En el mercado se
pudo encontrar el controlador M-DUINO PLC Arduino 42 I/Os Analog/Digital [46]
mostrado en la Figura 4.25, una propuesta industrial que apuesta por la tecnoloǵıa
Open Source empleando plataformas Arduino.
Para determinar el instante adecuado para realizar la captura de imagen se vio por
conveniente emplear un algoritmo de estimación de tiempo de captura aprovechando la
condición de velocidad constante como se muestra en la Ecuación 4.9, para lo cual se
considera de la Figura 4.24.
D
t3 = (4.9)
l
t2−t1
Donde l es la distancia desde la primera columna de sensores S1, S3 hasta el sensor S2,
la variable D es la distancia necesaria desde el sensor S2 hasta el centro de la zona de
captura.
Caṕıtulo 4. Diseño del hardware y software 45
INICIO 2
Declarar I/O: Leer imagen
flea3U3,arduino
-Auto Contraste
Declarar Constantes - Umbralización
y Variables - Opening
-Closing
- Chain Code
-Centroide
Conectar Cámara -Circularity
IF
NO
Circularity ~
 Chirimoya
IF NO No se encontró 
Camara cámara
Algoritmo de 
Medición para 
Se encontró determinar dMax
cámara
Determinar 
AreaMax
FIN While 1
Dibujar un cuadro: 
- Alrededor de la 
Chirimoya 
IF umbralizada
Trigger - Alrededor de 
Dmax de la 
Chirimoya
Adquirir 
- Imagen 
Imagen
Umbralizada
- Imagen 
Bordes
Guardar imagen
IF NO
dMax > 12 cm
Captura 
realizada
Respuesta 
Exportacion
Python
2
Nacional 1
Figura 4.21: Diagrama de flujo del procesador
Figura 4.22: Especificaciones del procesador
Caṕıtulo 4. Diseño del hardware y software 46
Figura 4.23: Tiempo requerido para realizar el procesamiento
t2
t1 NACIONAL
t3
S3
S1 S2 S4 S5 S6
l D
V
Figura 4.24: Diagrama de flujo del procesador
Figura 4.25: M-DUINO PLC Arduino 42 I/Os Analog/Digital [46].
d
INTERNACIONAL
Caṕıtulo 4. Diseño del hardware y software 47
Cuadro 4.16: Cantidad de entradas y salidas del controlador
I/O DEFINICIÓN CANTIDAD
I Sensor Trigger 2
I Sensor altura 1
I Sensor Actuadores 1
I Sensor Actuador Pistón 1 1
I Sensor Actuador Pistón 2 1
I Sensor Pistón 1 Retraido 1
I Sensor Pistón 1 Extendido 1
I Sensor Pistón 2 Retraido 1
I Sensor Pistón 2 Extendido 1
I Switch AUTO/SEMI 2
I Botón Start 2
I Botón Stop 2
I Botón Emergencia 1
I Botón Motor1 1
I Botón Motor2 1
I Botón Pistón1 1
I Botón Pistón2 1
O Motor 1 ON 1
O Motor 2 ON 1
O Solenoide 2
O Baliza ON/OFF 1
O Baliza AUTO/SEMI 1
O Baliza Emergencia 1
4.2.8. Programación del controlador
La programación del Controlador fue realizado empleando el lenguaje propio Arduino
con ayuda de la libreŕıa Timer.h, basado en el lenguaje de alto nivel Processing el
cual es similar a C++. En la Figura 4.26, se puede observar el Diagrama de Flujo de
la programación del Controlador, mas el código se encuentra en el Apéndice ?? del
presente documento.
4.3. Proyecto definitivo
Este es el último paso en la metodoloǵıa de diseño, esta sección implica entregar al
cliente las partes, métodos, diseños y cálculos desarrollados con la metodoloǵıa y mos-
trados en el transcurso del presente caṕıtulo. Las pruebas y resultados obtenidos se
detallan en el Caṕıtulo 5, los códigos de los programas se muestran en el Apéndice ??,
los planos mecánicos y de borneras se encontrara en el Apéndice ?? y las cotizaciones
se indican en el Apéndice ??.
Caṕıtulo 4. Diseño del hardware y software 48
INICIO
Declarar I/O
Declarar
Constantes y Variables
Iniciar las 
variables
Leer estados de los 
sensores y motor
Declarar estados
iniciales
NO IF
Pulsador encendido
SI
NO While
True
SI
Leer estado de los sensores
Calcular velocidad
Switch
Estados
AUTO SEMI EMERGENCIA
Activar Motor Leer entradas Parar Motor
delay
SWITCH
SWITCH Tipo de Emergencia
Señal a Trigger
Respuesta 
Lámpara Lámpara
Python Mover motor Mover pistón
intermitente encendida 
delay
nacional
Respuesta Python
Contador internacional
Activar pistones
Contador nacional
Fin
Figura 4.26: Diagrama de flujo del controlador
Caṕıtulo 5
Pruebas y resultados
5.1. Banco de pruebas
Para validar los algoritmos desarrollados durante este trabajo de investigación, se vio
por conveniente elaborar un Banco de pruebas a escala real. El diseño del banco de
pruebas dio como resultado las Figuras 5.1a y 5.1b. Este modelo consta principalmente
de una Zona de captura y una Cinta transportadora, la cual transporta las chirimoyas
desde la Zona de alimentación hacia la Zona de descarga a una velocidad de 0,33m/s.
El banco fue concebido para cumplir los requerimientos mı́nimos explicados en el
Caṕıtulo 4; Tanto la zona de captura como la estructura de la cinta transportadora
mostrado en la Figura 5.2a, están manufacturados en su mayoŕıa con planchas de MDF
de 3mm contraplacadas; el motor utilizado para las pruebas se sujetó a presión en una
base diseñada a medida y el acople entre el motor y el árbol encargado de transmitir
enerǵıa rotacional fue construido empleando manufactura aditiva.
La estructura de la Zona de Captura, contempla un arreglo de perfiles de aluminio en L,
mostrado en la Figura 5.3a que sirve de soporte interno, además de servir como soporte
para la cámara y luminarias seleccionadas en el Caṕıtulo 4.
En la Figura 5.3c se puede observar el resultado de la iluminación Frontal Oblicua
y Direccional en anillo, la cual esta mostrada en la Figura 5.3b,06 luminarias LED
iluminan la zona de captura para atenuar sombras no deseadas durante la captura la
iluminación brindada cumple con los requerimientos estimados en el Caṕıtulo 4;
49
Caṕıtulo 5. Pruebas y resultados 50
Zona de 
captura
Zona de descarga 
de chirimoyas
(a) Vista isométrica 1
Estructura de la cinta 
transportadora
Soporte del 
motor
Zona de 
alimentación 
de chirimoyas
(b) Vista isométrica 2
Figura 5.1: Vistas isométricas del banco de pruebas
Caṕıtulo 5. Pruebas y resultados 51
(a) Detalle de la estructura de la cinta transportadora
(b) Detalle del soporte del motor
Figura 5.2: Cinta transportadora
Está controlado por un PLC ”M-DUINO PLC Arduino 42 I/Os Analog/Digital”[46]
y un Computador es el encargado de realizar el procesamiento de imágenes las cuales son
capturadas por una cámara de alta velocidad ”Flea3 FL3-U3-13S2M-CS 1/3”monochrome
USB 3.0 Camera, también es capaz realizar capturas de Chirimoyas en movimiento las
cuales son movilizadas a 30cm/s a través de una cinta transportadora mostrada en la
Figura 5.2a,
04 barreras infrarrojas led emisor - receptor de 5mm, dispuestos a lo largo del banco
de prueba, simulan los sensores finales y brindan información sobre la ubicación de la
Caṕıtulo 5. Pruebas y resultados 52
(a) Detalle de la estructura (b) Detalle del soporte de la
de aluminio iluminación (c) Pruebas de iluminación
Figura 5.3: Zona de captura
Figura 5.4: Banco de pruebas implementado
Caṕıtulo 5. Pruebas y resultados 53
chirimoya para enviar la señal de captura de imagen, 04 leds brinda información visual
sobre el estado de los sensores (verde para el trigger, ambar para indicar procesamiento
de imagen y rojo para una chirimoya demasiado grande).
5.2. Calibración
Para estimar la precisión del equipo se utilizó la plantilla con ćırculos color negro de
diversos diámetros conocidos similares a los mostrados en la Figura 5.5 las cuales se
vieron después del procesamiento de la forma ilustrada en la 5.6. Después de realizar
10 mediciones para cada uno de los 06 ćırculos empleados, se registraron las áreas y
diámetros que se obtuvieron tras el procesamiento de imágenes indicados en los cuadros
del Anexo ??, dando como resultado una desviación estándar máxima (SD) de 0,35mm
para los diámetros y 43,54mm2 para las áreas. Empleando el método de regresión lineal
por mı́nimos cuadrados en los Cuadros 5.1 y 5.1, se obtuvieron para cada caso los valores
de a y b para formar las funciones indicadas en las Ecuaciones 5.2 y 5.2 de la forma de
la Ecuación 5.1; Las gráficas de las Figuras 5.7 y 5.8, corresponden a las ecuaciones 5.2
y 5.2 con un coeficiente de correlación R2 de 0,99 para ambos casos.
Figura 5.5: Plantilla de calibración
Cuadro 5.1: Regresión lineal : Diámetro
D [mm] D [px]
100 527.10
105 554.40
110 579.80
115 606.00
120 631.40
125 655.60
a= -2.6909
b= 0.1945
Caṕıtulo 5. Pruebas y resultados 54
Figura 5.6: Circulo de calibración post-procesamiento
y = ax+ b (5.1)
yD = 0,1945x− 2,6909 (5.2)
Figura 5.7: Regresión lineal: Diámetro
yA = 0,0369x− 165,8000 (5.3)
Caṕıtulo 5. Pruebas y resultados 55
Cuadro 5.2: Regresión lineal : Área
A [mm2] D [px2]
7853.98 216543.15
8659.01 239209.30
9503.32 262591.60
10386.89 286240.80
11309.73 311135.25
12271.85 336254.45
a= -165.8000
b= 0.0369
Figura 5.8: Regresión lineal: Área
5.3. Método empleado
Durante el desarrollo de esta investigación se realizaron capturas de chirimoyas del eco-
tipo aurora; para garantizar el ecotipo estudiado, dichas chirimoyas fueron adquiridas
de sus distribuidores autorizados en la ciudad de Lima, todas las chirimoyas cuentan
con Marca Colectiva Callahuanca y fueron medidas y pesadas de la forma indicada en
la Figura 5.10. Los algoritmos empleados se pusieron a prueba tanto inicialmente en
imágenes estáticas y posteriormente en movimiento. La Figura 5.9, muestra gráficamen-
te el procedimiento empleado para demostrar matemáticamente que es posible emplear
en las pruebas tanto imágenes estáticas como en movimiento. El ángulo δθ formado
por un haz de luz, a una velocidad constante de 2,998 × 108 m/s, que impacta con la
Caṕıtulo 5. Pruebas y resultados 56
chirimoya y regresa al lente está determinado por la Ecuación 5.4 y tiene un valor de
6,306× 10−8 deg lo cual es prácticamente despreciable.
δt
δe =  0.33m/s x δt
Figura 5.9: Diferencia de una captura en movimiento frente a una estática
0,33× ( 0,28
2,998 108
)
×
δθ = atan( ) (5.4)
0,28
(a) Pesado de las chirimoyas
(b) Medicion de las chirimoyas
Figura 5.10: Chirimoya de muestra
280mm
C
Caṕıtulo 5. Pruebas y resultados 57
Las mediciones se realizaron empleando el modo indicado en la Figura 5.11, se mandaron
directamente al mercado Nacional aquellas chirimoyas que tuvieron una altura mayor
al de la caja de exportación (10cm) y se midió el diámetro máximo de las chirimoyas
restantes en un plano perpendicular al de la altura, aquellas que no superan los 12cm
de diámetro, corresponden al mercado de Exportación.
Figura 5.11: Dimensiones acorde al método empleado
Durante la elaboración de esta investigación, se vislumbró como solución a la rápida
oxidación de las chirimoyas congelar algunas muestras a −16oC, sin embargo se reco-
mienda no emplear este método ya que el roćıo solidificado presente en el epitelio de la
fruta, puede causar ruido en la segmentación, tal como se ve con claridad en la Figura
5.12, para mayor entendimiento, en la Figura 5.14a se puede observar una chirimoya
capturada en el banco de pruebas y su correspondiente segmentación en la 5.14b. El
prototipo desarrollado para realizar las pruebas empleó una cinta transportadora en
vez de las bandejas que se emplearán en el prototipo final, una asincrońıa en la cinta
ocasionó que la captura no se realice bajo la zona cŕıtica de captura, produciendo som-
bras mas pronunciadas y ocasionando aśı errores en la segmentación como la mostrada
en la Figura 5.13.
5.4. Pruebas realizadas
La población de chirimoyas de categoŕıas Primera y Extra, con las que se realizaron
las pruebas fueron 91, las caracteŕısticas tales como el peso, las dimensiones tanto
reales como obtenidas por software y el resultado de la clasificación manual y obtenida
mediante el procesamiento de imágenes de cada chirimoya estudiada se muestra en el
Cuadro 5.3.
Caṕıtulo 5. Pruebas y resultados 58
Figura 5.12: Error de criogenización
Figura 5.13: Error de asincrońıa de faja
(a) Chirimoya Capturada (b) Chirimoya Procesada
Figura 5.14: Chirimoya preservada
Caṕıtulo 5. Pruebas y resultados 59
Como se explicó en el Caṕıtulo 4, la medida obtenida depende de la altura presente
desde el lente de la cámara hasta la zona de interés; las medidas son precisas mientras
la altura sea conocida y constante, una referencia gráfica se puede encontrar en la
Figura 5.15. Sin embargo, como se aprecia en la Figura 5.16, las chirimoyas son frutos
irregulares y no se puede predecir a que altura se encuentra el diámetro máximo de
cada muestra.
D.real = 120mm
Figura 5.15: Variaciones según la altura
D.real
Figura 5.16: Variación de altura de una chirimoya
Para solucionar esta variación, se realizó una regresión cuadrática con aquellas muestras
que no superan los 10cm de altura, para esto se consideraron las medidas reales y las
medidas obtenidas en pixeles, el resultado se muestra en la Figura 5.17; tras este análisis
δh h
δh
C C
Caṕıtulo 5. Pruebas y resultados 60
se obtuvo la función de orden 2 indicada en la Ecuación 5.5 la cual posee una correlación
R2 de 0.93; tras incorporar la función a las mediciones, se obtuvo un error de permisible
de 2,18mm durante las pruebas.
Figura 5.17: Chirimoyas menores a 10cm
D.obt[mm] = f(px) = −0,0040179455×px2+1,8359340999×px−42,6957734568 (5.5)
La Marca Colectiva - Chirimoya Callahuanca [33], en sus Requerimientos en cuanto
a la selección, indica que la tolerancia máxima de defectos en su clasificación no debe
superar un 5% de los frutos muestreados en base al peso, lo que significa que para
una población de 91 chirimoyas como máximo 5 chirimoyas pueden tener errores de
selección; tras efectuar las pruebas, ninguna chirimoya fue clasificada incorrectamente,
dando como resultado un 100% de efectividad.
En la Figura 5.18 se muestra las imágenes resultantes después de cada etapa del pro-
cesamiento de imágenes. En la Figura 5.18a se observa la imagen recién capturada, a
continuación se recorta el área de interés como se observa en la Figura 5.18b, también
es necesario ajustar el contraste para facilitar el procesamiento, dando como resultado
la Figura 5.18c, a continuación se procede con la umbralización de la imagen, cuyo re-
sultado se muestra en la Figura 5.18d, es frecuente la presencia de ruido en la imagen,
por tal motivo en la Figura 5.18e se aprecia la chirimoya después del proceso de cierre
Caṕıtulo 5. Pruebas y resultados 61
y apertura, en la Figura 5.18f se puede observar la chirimoya después de reconocer los
contornos de la imagen y en la Figura 5.18g se aprecia la figura post-procesamiento,
con un cuadro enmarcando la chirimoya y una linea dibujada que representa la máxima
distancia determinada.
(a) Chirimoya capturada (b) Chirimoya recortada
(c) Chirimoya ecualizada (d) Chirimoya umbralizada (e) Chirimoya suavizada
(f) Contornos resaltados (g) Chirimoya procesada
Figura 5.18: Procesamiento de la chirimoya
En la Figura 5.19, se presente el resultado en la linea de comandos en la cual se indica
el área y la distancia máxima en el fruto, asimismo determina si la chirimoya pertenece
al mercado nacional o internacional.
Caṕıtulo 5. Pruebas y resultados 62
Figura 5.19: Resultado del procesamiento
5.4.1. Costos
Para los costos del proyecto se tomaron en cuenta todos los componentes necesarios para
el dominio de control y de la visión, existen algunos componentes que no se encuentran
en el mercado nacional, los montos se pueden apreciar en el Cuadro 5.4 y las cotizaciones
del dispositivo de adquisición y el controlador lógico programable se pueden encontrar
en el Apéndice ??; la suma del valor los componentes con un porcentaje del 20%
adicional para imprevistos es de 21876.84 Nuevos Soles.
Caṕıtulo 5. Pruebas y resultados 63
Cuadro 5.3: Resultados obtenidos
No Peso [gr] Altura [mm] D.real [mm] D.obt [mm] e [mm] Resultado Manual Resultado Software Aciertos
1 766 96 118.0 117.0 1.05 exportación exportación 1
2 586 92 120.4 120.0 0.39 exportación exportación 1
3 562 98 115.0 115.2 0.18 exportación exportación 1
4 785 87 133.0 134.2 1.20 nacional nacional 1
5 688 91 120.0 122.0 2.00 exportación exportación 1
6 644 88 114.0 114.0 0.03 exportación exportación 1
7 682 99 118.0 120.9 2.91 exportación exportación 1
8 704 98 121.0 121.9 0.85 exportación exportación 1
9 756 119 120.0 129.0 9.04 nacional nacional 1
10 890 100 130.0 132.4 2.36 nacional nacional 1
11 550 106 105.0 112.6 7.56 nacional nacional 1
12 597 112 100.0 108.0 8.02 nacional nacional 1
13 630 102 110.0 112.8 2.75 nacional nacional 1
14 583 101 117.0 120.6 3.55 nacional nacional 1
15 725 98 127.0 128.9 1.94 nacional nacional 1
16 901 96 138.0 139.2 1.20 nacional nacional 1
17 672 103 120.0 122.9 2.90 nacional nacional 1
18 420 98 114.0 115.4 1.40 exportación exportación 1
19 634 105 120.0 123.3 3.26 nacional nacional 1
20 541 102 112.0 113.4 1.41 exportación exportación 1
21 583 94 124.0 123.1 0.95 nacional nacional 1
22 562 102 112.0 114.6 2.55 nacional nacional 1
23 915 97 132.0 132.4 0.35 nacional nacional 1
24 796 86 133.0 132.4 0.57 nacional nacional 1
25 735 98 128.0 128.9 0.86 nacional nacional 1
26 849 118 122.0 130.0 7.99 nacional nacional 1
27 849 118 127.0 123.7 3.26 nacional nacional 1
28 847 106 122.5 125.5 2.95 nacional nacional 1
29 847 111 122.0 123.1 1.07 nacional nacional 1
30 727 98 126.5 126.1 0.38 nacional nacional 1
31 727 107 125.0 126.7 1.71 nacional nacional 1
32 580 97 116.0 115.4 0.65 exportación exportación 1
33 580 87 115.0 112.8 2.21 exportación exportación 1
34 631 105 110.0 110.4 0.43 nacional nacional 1
35 631 104 106.0 109.6 3.59 nacional nacional 1
36 677 99 114.0 113.9 0.14 exportación exportación 1
37 677 97 116.0 118.5 2.53 exportación exportación 1
38 825 112 124.0 125.1 1.13 nacional nacional 1
39 825 110 125.0 123.2 1.78 nacional nacional 1
40 614 105 104.0 106.9 2.94 nacional nacional 1
41 614 102 105.0 106.9 1.92 nacional nacional 1
42 626 86 118.0 118.3 0.26 exportación exportación 1
43 626 87 119.0 116.4 2.62 exportación exportación 1
44 775 95 125.0 123.7 1.32 nacional nacional 1
45 775 95 127.0 125.4 1.58 nacional nacional 1
46 598 97 109.0 108.6 0.40 exportación exportación 1
47 598 100 103.0 107.6 4.58 exportación exportación 1
48 787 104 118.0 120.0 2.03 nacional nacional 1
49 787 106 120.0 119.9 0.15 nacional nacional 1
50 947 117 128.0 128.6 0.56 nacional nacional 1
51 947 117 125.0 126.6 1.58 nacional nacional 1
52 845 108 127.0 126.4 0.56 nacional nacional 1
53 848 105 131.0 131.0 0.03 nacional nacional 1
54 956 124 122.0 128.7 6.73 nacional nacional 1
55 956 110 129.0 131.4 2.42 nacional nacional 1
56 988 119 127.0 129.4 2.37 nacional nacional 1
57 988 120 129.0 132.6 3.56 nacional nacional 1
58 678 108 111.0 110.7 0.34 nacional nacional 1
59 678 105 109.0 113.6 4.59 nacional nacional 1
60 738 94 129.0 129.9 0.92 nacional nacional 1
61 738 91 127.0 124.9 2.06 nacional nacional 1
62 650 107 116.0 118.6 2.63 nacional nacional 1
63 650 104 120.0 120.2 0.15 nacional nacional 1
64 499 86 107.0 107.7 0.69 exportación exportación 1
65 499 86 111.0 112.3 1.34 exportación exportación 1
66 657 105 116.5 117.3 0.84 nacional nacional 1
67 657 95 118.0 121.2 3.19 exportación exportación 1
68 902 116 128.0 128.2 0.22 nacional nacional 1
69 902 117 128.0 128.4 0.35 nacional nacional 1
70 514 90 104.0 100.6 3.38 exportación exportación 1
71 514 90 100.0 103.0 3.01 exportación exportación 1
72 527 96 102.0 106.3 4.31 exportación exportación 1
73 527 98 100.0 102.3 2.32 exportación exportación 1
74 608 99 107.0 107.3 0.31 exportación exportación 1
75 608 100 108.0 107.3 0.75 exportación exportación 1
Caṕıtulo 5. Pruebas y resultados 64
No Peso [gr] Altura [mm] D.real [mm] D.obt [mm] e [mm] Resultado Manual Resultado Software Aciertos
76 705 106 123.0 120.0 2.99 nacional nacional 1
77 705 96 119.0 121.2 2.18 exportación exportación 1
78 609 98 111.0 109.5 1.50 exportación exportación 1
79 609 101 109.0 108.9 0.14 nacional nacional 1
80 505 93 106.0 104.8 1.20 exportación exportación 1
81 505 98 102.0 103.3 1.26 exportación exportación 1
82 582 95 115.0 109.7 5.29 exportación exportación 1
83 582 97 110.0 107.6 2.38 exportación exportación 1
84 612 95 117.0 117.8 0.75 exportación exportación 1
85 612 100 116.0 117.5 1.45 exportación exportación 1
86 629 100 116.0 116.1 0.06 exportación exportación 1
87 629 98 117.0 114.6 2.44 exportación exportación 1
88 577 98 103.0 109.6 6.62 exportación exportación 1
89 577 109 111.0 112.2 1.18 nacional nacional 1
90 942 112 123.0 132.5 9.45 nacional nacional 1
91 942 115 126.0 129.7 3.74 nacional nacional 1
Peso Prom. = 695.84 e Prom. = 2.18 Total de aciertos = 91
Eficiencia = 100%
Cuadro 5.4: Costos del proyecto
P. Unitario Sub Total
Cantidad Descripción
(PEN) (PEN)
1328x1048 Mono USB3.0
01 Flea3Flea3 FL3-U3-13S2M-CS 1/3” 4331.00 4331.00
Monochrome USB 3.0 Camera
Varifocal CS mount lens
01 109.00 109.00
3.5-8mm F1.2 CCTV
8 pins, 4.5m GPIO Cable,
01 212.00 212.00
Hirose HR25 Circular Connector
SUPERSPEED USB 3.0 Male-
01 35.00 35.0
USB 3 Micro B Male Cable
M-DUINO PLC Arduino 42,
01 1451.00 1451.00
I/Os Analog/Digital
Placa conexión
01 100.00 100.00
RS485/RS232 / I2C
06 OPTEX ZT-L3000N 585.20 3511.20
PC SHELL 4LED
06 5050 SMD MODULE (3636) 5.00 30.00
SQL–PCG50-04(3636)
Toshiba C45 Intel Core I5
01 1800 1800
2.6Ghz Usb 3.0
08 Pulsador 24VDC p/tablero 3.50 28.00
01 Switch 2 estados 24VDC p/tablero 3.50 3.50
01 Baliza 24VDC (GN) 140.00 140.00
01 Baliza 24VDC (OG) 140.00 140.00
01 Baliza 24VDC (RD) 140.00 140.00
- Costos de Ingenieria 8000.00 8000.00
Total (+20%) 24036.84
Caṕıtulo 6
Conclusiones y recomendaciones
6.1. Conclusiones
1. Se diseñó un sistema de clasificación de chirimoyas, empleando la métodologia
de diseño VDI-2221, capaz de medir sin contacto chirimoyas del ecotipo Aurora
desplazadas a 0,33m/s, provenientes de la comunidad de Callahuanca - Perú.
2. Fue posible clasificar exitosamente 91 de 91 Chirimoyas frescas de Categoŕıas
Extra y Primera estudiadas con un 100% de efectividad siendo este valor ideal
para los requerimientos en cuanto a la selección de la Marca Colectiva Chirimoya
Callahuanca.
3. Se calculó una precisión de medición de 0,35mm y un error permisible de 2,18mm
durante la mediciones de la distancia entre los puntos mas extremos de la imagen
procesada, cumpliendo aśı los requerimientos establecidos.
4. Se efectuó los cálculos relacionados al acondicionamiento de la imagen, seleccio-
nando 06 luminarias LED de luz blanca de 60lm cada una, también se ubicaron
las luminarias sobre la zona de captura en una formación en anillo para garantizar
una correcta iluminación alrededor de la chirimoya.
5. Se modeló la chirimoya como una elipse para poder analizar geométricamente las
dimensiones de las sombras proyectadas, la sombra mayor tiene una dimensión de
42,2mm, sin embargo no produce errores en la medición debido a la iluminación
que proviene del lado opuesto del punto de iluminación tomado como referencia.
65
Caṕıtulo 6. Conclusiones y recomendaciones 66
6. La circularidad o coeficiente isoperimetrico de las chirimoyas obtenido durante el
procesamiento de imágenes se encuentra entre 0,79 y 0,87.
7. Se seleccionó y programó controlador lógico programable basado en plataforma
Arduino para controlar un banco de pruebas para validar los algoritmos realizados.
8. Se construyó un banco de pruebas empleando en su mayoria MDF para validar los
algoritmos desarrollados, este módulo cuenta con una zona de captura y una cinta
transportadora que desplaza los frutos a 0,33m/s, sensores infrarrojos ubicados a
lo largo de la faja simulan los sensores utilizados en el prototipo final.
9. Se seleccionaron 06 sensores fotoreflexivos para realizar el disparo de la cámara
en el instante correcto, además de brindar información de las chirimoyas cuya
altura supere los 10cm e indicar si una chirimoya se encuentra en posición para
ser clasificada.
10. Se empleó un computador de escritorio utilizando el lenguaje de alto nivel Pyt-
hon y la libreria OpenCV, para implementar el algoritmo de procesamiento de
imágenes.
6.2. Recomendaciones
1. Debido la facilidad de oxidación de la Chirimoya, se preservaron algunas muestras
a −16oC por periodos no mayores a 14 d́ıas, sin embargo se recomienda emplear
chirimoyas de no mas de 2 dias postcosecha.
2. Se aconseja no utilizar lentes varifocales ya que las variaciones en la longitud focal
incurren en errores de medición.
3. Es recomendado que no se realicen pruebas con la maquina si la iluminancia es
menor a 800× lx.
4. Como una futura investigación se sugiere implementar código a una plataforma
embebida de bajo consumo que cumpla los requerimientos de procesamiento.
Bibliograf́ıa
[1] A. Velásquez. El 60% de chirimoya puede utilizarse para hacer productos con valor
agregado, estima sierra exportadora. Technical report, Sierra Exportadora, mayo
2014. URL http://is.gd/zlunag.
[2] SIICEX. Partidas arancelarias de producto, exportadas en los últimos años.
Technical report, Sistema integrado de informacion de Comercio Exterior, 2014.
URL http://www.siicex.gob.pe/siicex/portal5ES.asp?_page_=172.17100&
_portletid_=sfichaproductoinit&scriptdo=cc_fp_init&pproducto=69&
pnomproducto=Chirimoya.
[3] Descubre Callahuanca el paraiso de la chirimoya. Callahuanca, 2014. URL http://
www.demitierraunproducto.gob.pe/callahuanca.html. Reporte promocional.
[4] I. Reyna. Callahuanca con sabor a chirimoya, 2013. URL http://www.
rumbosdelperu.com/callahuanca-con-sabor-a-chirimoya-V968.html. Re-
porte promocional.
[5] J. Leonario, E.; Leon. Detección y clasificación de defectos en frutas mediante el
procesamiento digital de imágenes. Revista Colombiana de Fisica, 2003.
[6] E. Sobrado. Sistema de visión artificial para el reconocimiento y manipulación de
objetos utilizando un brazo robot. Master’s thesis, 2003.
[7] J. Porras. Sistema de clasificación basado en visión artificial. Master’s thesis, 2008.
[8] H.; Morales A. Sanchez. Sistema de visión artificial para la inspección, selección y
control de calidad de fresas. Master’s thesis, 2009.
[9] A Salazar. Identificación de objetos en movimiento mediante visión artificial y
transmisión de datos a un brazo robótico. Master’s thesis, 2001.
[10] D. Grimaldo. Control de plaga. NEO Suplemento de innovación, tecnoloǵıa e
investigación del semanario Puntoedu., Abril 2015.
67
Bibliograf́ıa 68
[11] C. Diaz. Factibilidad de la medición del volumen de heridas de leishmaniasis
cutánea haciendo uso de un ecógrafo. Master’s thesis, 2011.
[12] J. Sato. Microscopio automatizado: conteo de bacilos de tuberculosis. Master’s
thesis, 2013.
[13] V. Sanchez. Diseño de un sistema de identificación y clasificación por visión arti-
ficial. Master’s thesis, 2013.
[14] G. Guerrero, E.; Benavides. Automated System for Classifying Hass Avo-
cados Based on Image Processing Techniques. Communications and Compu-
ting (COLCOM), 2014 IEEE Colombian Conference on, (3):1 – 6, 2014. doi:
10.1109/ColComCon.2014.6860414.
[15] S.N. Deepa, P; Geethalakshmi. Improved watershed segmentation for Apple fruit
grading. Proceedings of 2011 International Conference on Process Automation,
Control and Computing, PACC 2011, 2011. doi: 10.1109/PACC.2011.5979003.
[16] K. Naglea, M.; Intani. Non-destructive mango quality assessment using image
processing: Inexpensive innovation for the fruit handling industry. Conference on
International Research on Food Security, National Resource, septiembre 2012.
[17] B.; Koley C. Nandi, C.S.; Tudu. An automated machine vision based system for
fruit sorting and grading. Proceedings of the International Conference on Sensing
Technology, ICST, pages 195–200, 2012. ISSN 21568065. doi: 10.1109/ICSensT.
2012.6461669.
[18] C.S. Nandi. Machine Vision Based Automatic Fruit Grading System using Fuzzy
Algorithm. Control, Instrumentation, Energy and Communication (CIEC), pages
26–30, 2014.
[19] R. Gastelum, A.; Borquez. Tomato quality evaluation with image processing: A
review. African Journal of Agricultural Research, Julio 2011.
[20] J. Canny. A computational approach to edge detection, 1989. Patente.
[21] M Weyrich, M. ;Scharf. Quality assessment of row crop plants by using a ma-
chine vision system. IECON 2013 - 39th Annual Conference of the IEEE In-
dustrial Electronics Society, pages 2466–2471, 2013. doi: 10.1109/IECON.2013.
6699518. URL http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?
arnumber=6699518.
Bibliograf́ıa 69
[22] S.N. Deepa, P.; Geethalakshmi. A Comparative Analysis of Watershed and Color
based segmentation for Fruit Grading. International Journal of Soft Computing
and Engineering (IJSCE), (3):11–15, 2012.
[23] S.; Soleymani F. Razmjooya, N; Mousavib. A real-time mathematical computer
method for potato inspection using machine vision. Computers and mathematics
with Applications.
[24] C.V. Maheshwari. Quality assessment of oryza sativa ssp indica (rice) using com-
puter vision. Journal of innovative Research in Computer and Communication
Engineering, June 2013.
[25] M.; Utomo G.P.; Grezelda L.; Soesanti I.; Mochammad A. Afrisal, H.; Faris. Porta-
ble Smart Sorting and Grading Machine for Fruits Using Computer Vision. Com-
puter, Control, Informatics and Its Applications (IC3INA), pages 71–75, 2013.
[26] Feng,G; Qixin C. Study on color image processing based intelligent fruit sorting
system. Fifth World Congress on Intelligent Control and Automation (IEEE Cat.
No.04EX788), 6:4802–4805, 2004. doi: 10.1109/WCICA.2004.1343622. URL http:
//ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=1343622.
[27] J; Sabareesaan K.J.; George J Janardhana, S.; Jaya. Computer aided inspec-
tion system for food products using machine vision — A review. 2013 In-
ternational Conference on Current Trends in Engineering and Technology (IC-
CTET), pages 29–33, 2013. doi: 10.1109/ICCTET.2013.6675906. URL http:
//ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6675906.
[28] V.G.; Hareesh K.S Narendra. Quality inspection and grading of agricultural and
food products by computer vision - a review. International Journal of Computer
Applications, Mayo 2010.
[29] S. Farrad, N.; Terry. Performance analysis and optimization of shape recognition
and classification optimization of shape recognition and classification using ann.
Robot. Comput. Integ. Manuf., 2002.
[30] J. Pajares, G.; Cruz. Ejercicios resueltos de Visión por Computador. Alfaomega,
2008.
[31] F. Bianconi. Vision en color y reconocimiento de patrones, 2011. Cátedra de curso.
[32] E. Etcheverry. Iluminación para las aplicaciones de visión artificial.
Technical report, Universidad Nacional de Quilmes, Agosto 2005. URL
Bibliograf́ıa 70
http://iaci.unq.edu.ar/materias/vision/archivos/apuntes/Tipos%20de%
20Iluminaci%C3%B3n.pdf.
[33] INDECOPI. Marca colectiva chirimoya callahuanca - reglamento de uso - resolu-
ción no004214-2013/dsd-indecopi, 2013.
[34] El comercio. Todo un récord: presentarán chirimoya de 5 kilos en hua-
rochiŕı. 2010. URL http://elcomercio.pe/gastronomia/peruana/
todo-record-presentaran-chirimoya-kilos-huarochiri-noticia-485021?
ref=flujo_tags_134519&ft=nota_9&e=imagen.
[35] B. Barriga. Metodos de Diseño en Ingenieria Mecatrónica. Pontificia Universidad
Católica del Peru, 2011.
[36] VDI. Vdi-richtlinie: Vdi 2221 methodik zum entwickleln un konstruieren technis-
cher systeme und produkte. Technical report, The Association of German En-
gineers, 2005. URL http://www.vdi.de/richtlinie/vdi_2221-methodik_zum_
entwickeln_und_konstruieren_technischer_systeme_und_produkte/.
[37] F. Zwicky. Endecken, Erfinden, Forschen im Morfologischen Weltwild. Droemer
Knaur, 1971.
[38] R. Sapag, N.; Sapag. Preparación y evaluación de proyectos. Mc graw Hill, 2008.
[39] M. Böhme. Apuntes de clase del curso diseño e integración del sistema mecatrónico,
2011.
[40] PointGrey. Pointgrey innovation. Technical report, 2015. URL http://www.
ptgrey.com/.
[41] NI. Ni vision. Technical report, National Instruments, 2013.
[42] Vision Doctor. Industrielle bildverarbeitung gelöst. Technical report, Vi-
sion Doctor, 2015. URL http://www.vision-doctor.de/kameraberechnungen/
belichtungszeit-berechnen.html.
[43] BAuA. Beleuchtung asr a3.4. Technical report, Bundesanstalt für Arbeitsschutz
und Arbeitsmedizin, 2011.
[44] TU-Ilmenau. Technische optik und lichttechnik. Technical report, Technische
Universität Ilmenau, 2011.
[45] C.; Hermoza C.; Calderón, A.; Méndez. Máquina selectora de granos de sacha
inchi. 2013.
Bibliograf́ıa 71
[46] Industrial Shields. M-duino plc arduino 42 i/os analog/digital. Technical
report, Industrial Shields, 2014. URL http://www.industrialshields.com/
m-duino-plc-arduino-42-i-os-analog-digital.