RECONOCIMIENTO DE FRUTAS POR CONTORNO

UTILIZANDO REDES NEURONALES ARTIFICIALES

Renato. Cornejo Orosco
Universidad Ricardo Palma, Lima, Perú, corg24@hotmail.com

RESUMEN data will be used the train function for the

Este trabajo describe el proceso de training of the neural network with
extracción de patrones característicos de Backpropagation applying MATLAB.
imágenes, mediante la ayuda de Redes
Keywords: Hu moments; Red Neuronal
Neuronales Artificiales para la
Backpropagation; images
identificación de frutas.
La información de la Red Neuronal junto
con datos adicionales de las imágenes, INTRODUCCION
serán almacenados en una base de datos. En la actualidad los avances de la
Posteriormente al realizar una captura de tecnología han permitido nuevos métodos
imagen con la cámara del sistema en el cual innovadoras en el campo de la
se integrará la Red Neuronal, este procesará automatización, específicamente en la
la imagen y junto con los datos agricultura desarrollada dentro de procesos
almacenados siendo capaz de identificar de de distribución. Estos han sido
qué imagen se trata. generalmente diseñados para permitir el
Para la extracción de características se aumento de producción de cosechas, las
usarán los Hu moments que son momentos cuales se tienen que incrementar para
centrales normalizados invariantes a la mantener la demanda.
escala, rotación y traslación de las imágenes La función principal de la automatización
que conforman la base de datos. de la agricultura es la de tener las
Para el procesamiento de los datos condiciones más apropiadas para dar de
almacenados se utilizará la función train manera eficiente y generar una mayor
para el entrenamiento de la red neuronal producción de producción, ya sean
con Backpropagation aplicando MATLAB. comestibles como frutales y verduras o con
fines medicinales, o de ornato.
Palabras claves: Hu moments; Red
Neuronal Backpropagation ; imágenes Sin embargo, a cambio de la eficiencia se
terminan quitando los empleos a los
ABSTRACT trabajadores en aras de mejorar la eficiencia
This work describes the process of de la producción se disponen del factor
extraction of characteristic patterns of humano aumentando el desempleo.
images, with the help of Artificial Neural
Networks for the identification of fruits. Cabe hacer notar que las fallas pueden
The information of the Neural Network incrementarse fácilmente dentro de un
together with additional data of the images, sistema automatizado sin supervisión, con
will be stored in a database. Subsequent to el consecuente riesgo a perdidas en
performing an image capture with the producción. Además, las fallas en los
system camera in which the Neural elementos del sistema frecuentes por
Network will be integrated, it will process desgaste de los mismos componentes, por
the image and together with the stored data lo tanto, es necesario de operarios que
being able to identify which image is being supervisen al sistema realizar su trabajo.
processed. For the extraction of En este aspecto el uso de la automatización
characteristics the Hu moments are used de las tareas realizadas dentro de la
which are normalized central moments industria distribuidoras, utilizando un
invariant to the scale, rotation and sistema de reconocimiento, es una opción
translation of the images that make up the viable para aumentar la producción de
database. For the processing of the stored manera eficiente y cumplir con la creciente
demanda, y si no eliminar por lo menos II. Marco Teórico
disminuir un gran porcentaje las fallas de
producción para un mejor control de calidad 2.1. Descripción de Sistemas de
en la producción de manera continua. El reconocimiento de frutas
uso de esta tecnología traería grandes 2.1.1. Red neuronal BackPropagation:
beneficios al sector agrícola, ya que además La red neuronal artificial procesa datos, con
podríamos optimizar los procesos de la ejecución de instrucciones almacenadas
producción, con esto reduciríamos costos y en memoria.
mejoraríamos la calidad del producto.
La red neuronal está conformada por tres
capas que, de entrada, oculta y salida donde
se suministran las entradas y la información
se almacena en un conjunto de pesos, no en
un programa. Los pesos deben adaptarse
según un ciclo de aprendizaje cuando le
mostramos una serie datos de entrada y
salidas deseadas a la red. La red es
enfrentada a los patrones de datos
almacenados y los enlaces que realimentan
a la red van actualizando los pesos
Figura 1. Sistema indutrial de clasificación de frutas
permitiendo una resolución de objetivos de
manera óptima. Para su aplicación se
PRESENTACIÓN DEL PROBLEMA
Por el progreso continuo de la producción utilizará la función train para el
agrícola se genera para el operador humano entrenamiento de la red neuronal.
un mayor fatiga y imprecisión en su trabajo 2.1.2. Base de datos Es el conjunto de
y nos es viable el aumento de personal por datos con el cual la red neuronal trabaja está
la rentabilidad de la empresa ocasionando conformado por una serie de datos de
un decaimiento de la calidad en la diferentes elementos que cumplen con los
producción sin poder cumplir con la objetivos deseados para el sistema. La base
demanda. de datos se componen de entradas y salidas
DESCRIPCIÓN DE LA SOLUCIÓN deseadas obtenidas de los elementos que se
A lo largo de los últimos años hemos visto quieren procesar en la red neuronal.
el gran auge de la maquinaria agrícola que 2.1.3. Hu moments Para extraer las
ha tenido como finalidad principal la características necesarias de la base de
automatización de aquellas tareas que datos para permitan un procesamiento más
implican. En el caso de clasificación de los rápido de la red neuronal se aplicó una serie
frutos de la cosecha, la automatización evita de ecuaciones al programa basados en una
la exposición del producto a factores que técnica de momento invariante de
disminuyan su calidad como un mal manejo clasificación de objetos.
en su trato durante el proceso. Así mismo la
automatización permite disminuir los costes Aquí se muestran las ecuaciones del
de operación, ya que con técnicas más momento invariante en las que los
precisas se reduce el uso de los recursos. momentos son invariantes con respecto a la
escala, rotación y traslación, así. Las
siguientes ecuaciones son también
conocidos como ecuaciones Hu o también
momentos invariantes son un total de 7:

Figura 2. Sistema de limpiado para manzanas

Figura 3. Ecuación 1 y 2 de Hu
2.2. Estructura 2.2.2. Implementación
2.2.1. Estructura del Código Tratamiento de imagen
En primer lugar, se parte de unas imágenes El primer paso para conseguir nuestros
capturadas con una cámara conectada al objetivos es obtener las características que
Matlab de las cuales pasarán por un proceso nos permitan diferenciar entre las distintas
de filtrado para sacar el contorno de la clases de imágenes almacenadas, en nuestro
imagen para luego pasa por las ecuaciones caso utilizaremos una base de datos de 36
de Hu por medio del código implementado imágenes de 6 tipos frutas. Para la correcta
y estos serán almacenados en un fichero de obtención de las características de las
texto de las imágenes. Estas imágenes imágenes se realizarán diferentes
pueden ser de cualquier tipo que se operaciones sobre cada tipo de imagen.
pretenda estudiar, en nuestro caso Estas operaciones podrán ser distintas
utilizaremos las imágenes de Frutas y se dependiendo del tipo de imagen estudiado.
procede a su clasificación. Se utilizarán
Primero la imagen debe convertirse en un
Redes Neuronales para clasificar las
formato más apropiado para extraer las
imágenes. Esta Red Neuronal debe ser
características. Se consideró que en esta
entrenada con las salidas de las imágenes
primera aproximación, que lo más relevante
clasificadas de forma que se obtenga el
de las imágenes a tratar era su contorno, y
mínimo error posible. Una vez entrenada,
para hallar su contorno no es necesario
los datos ofrecidos por la red (pesos de tener en cuenta el color de las imágenes.
sus neuronas, bias, número de capas Por lo que es más conveniente convertir
ocultas, neuronas de entrada y de salida) la imagen a una escala de grises.
junto con información adicional de cada
imagen son almacenadas en una base de
datos.

Figura 5. Imagen en escala de grises

Figura 4. Esquema del sistema

Una vez obtenida la imagen en escala
Para poder realizar esta clasificación es de grises y después de filtrarla se
necesario crear un programa que entrene la procedió a hacer una binarización. La
red neuronal para reconocer las imágenes, binarización es un proceso que
este programa estará implementado en transforma una imagen que está en
Matlab, el cual leerá de un fichero las escala de grises a una imagen en dos
colores: blanco y negro. Esto es útil
características numéricas de las imágenes,
para el reconocimiento de las frutas por
la entrenará de forma supervisada hasta la la intensidad de pixeles
conseguir averiguar el tipo correspondiente
al que pertenece la imagen.
 los momentos de Hu son características
que cumplen dicha propiedad.

Momentos invariantes de Hu
Los momentos invariantes fueron
propuestos por primera vez por Hu. Estos
momentos pueden ser considerados como
un promedio ponderado de los píxeles de
una imagen. Hu computo sus invariantes
utilizando los momentos geométricos, los
cuales son variantes a la rotación y a la
escala las cuales hallan y son enviadas a
un archivo .TXT para la base de datos.

Figura 6. Imagen binarizada

Para luego pasar por un filtro para extraer

su contorno e decidió aplicar otro filtro
más, esta vez con la intención de detectar
bordes. A continuación se muestra cómo
se quedan las imágenes una vez aplicado
e filtro.
Figura 8. Base de datos del programa

RESULTADOS
Una vez extraídas las características de
las imágenes conocidas que tenemos
almacenadas en la Base de Datos.
La red neuronal Backpropagation. Entre
las ventajas que tienen este tipo de redes,
es que aprovecha la naturaleza paralela de
las redes neuronales para reducir el
tiempo requerido por un procesador
secuencial para determinar la
correspondencia entre unos patrones
dados. Una vez que se ha aplicado un
Figura 7. Imagen pasada por un filtro canny para bordes
patrón de entrada a la red como estímulo,
Extracción de características este se propaga desde la primera capa al
resto de capas de la red, hasta generar una
Finalmente, después de procesar salida. La señal de salida se compara con
adecuadamente la imagen se obtienen las la salida deseada y se calcula una señal de
características más significativas que error para cada una de las salidas. Cuando
permitan identificar independiente del se entrena la red, los pesos de la red
tamaño y la inclinación que tenga la neuronal se van ajustando para poder
imagen. Por esta razón es necesario producir esas salidas. Puesto que es una
encontrar características que sean red supervisada, cuando no se produce la
invariantes a la rotación y la escala es salida deseada, se propaga un error para ir
decir, que al rotar o escalar una imagen, el modificando los pesos y así conseguir
valor numérico de las características sea la salida deseada para esas entradas.
similar. Los momentos invariantes, como
  La desventaja de este tipo de
operación está en el tiempo que
toma entrenar la red mientras más
grande es la base de datos más le
toma el entrenamiento, más si se
procesan matrices.

 Teniendo en cuenta la dificultad

que entraña la identificación de
imágenes basadas en su
contenido, los resultados
ofrecidos en esta investigación
Figura 9.Uso del Toolbox de redes neuranles de Matlab han sido aceptables ya que es
capaz de identificar las imágenes
Para comprobar si se ha identificado la que se capturan en buenas
imagen. Es necesario comprobar que condiciones. Además, se
estos datos. Usando la función “Sim” de consiguió demostrar que la
Matlab, que permite simular que dados infraestructura creada era
unos datos de entrada se ofrece un valor adecuada para el propósito de la
de salida. investigación.

 el sistema funciona, pero es muy

mejorable ya que en muchas
ocasiones los momentos Hu no
son suficientes para una
clasificación adecuada

BIBLIOGRAFIA
Figura 10. Código de prueba de la red neuronal
 http://homepages.inf.ed.ac.uk/rbf/C
Vonline/LOCAL_COPIES/SHUTL
Dándonos una respuesta con un error de ER3/node8.html
con algunas frutas específicas como la  https://www.youtube.com/watch?v
mandarina tambien se tuvo problemas con =O-hCEXi3ymU
lo relacionado al contorno de las  http://eprints.ucm.es/23444/1/Proye
imágenes, a la falta de un espacio para ctoFinMasterPedroPablo.pdf
igualar las condiciones de cada imagen
usada generando fallos a la hora de
comparar e identificar las frutas pero se Biografías
logró el objetivo buscado con una buena
respuesta y poco tiempo de espera. Renato Cornejo
CONCLUSIONES Orosco, estudiante de
Ingeniería
 Para poder implementar una red Mecatrónica – URP
neuronal artificial con aprendizaje Perú, 7mo Ciclo.
supervisado se debe tener Código 201310515
consideración del número de datos Aficionado a las armas
ingresados, la cantidad de neuronas tecnológicas, interés a
en cada capa y el número de los nuevos polímeros
interacciones afectan la respuesta en descubrimiento e
deseada. interés en el campo de la tecnología
estereoscópica.
corg24@hotmail.com (+51) 948012585