ID86

Unisangil, Laboratorio de Electrónica, Carrera 7 No 14 – 34, San Gil, Santander, Colombia. Email: mmunoz@unisangil.edu. RECONOCIMIENTO DE MALEZAS POR MEDIO DE MATRICES DE COOCURRENCIA, DIMENSIÓN FRACTAL Y REDES NEURONALES ARTIFICIALES Milton J. Muñoz Neira, Professional Student IEEE Member Resumen—Categoría (4). El reconocimiento automático de malezas en épocas tempranas de un cultivo ha tomado fuerza en los últimos años, como consecuencia de la necesidad de regular el uso de herbicidas y sus efectos secundarios no deseados. En efecto, el poder clasificar de manera específica la maleza de un cultivo, posibilita una acción puntual, y no general, sobre dichas plantas, mitigando de esta forma los efectos de la aplicación de herbicidas sobre el medio ambiente y el agua. Diversos estudios han sido adelantados de cara al reconocimiento y clasificación de malezas entre cultivos, por medio del estudio de la forma de la hoja, la textura de la hoja y el color de la misma. De manera puntual, trabajos orientados a la extracción de patrones en hojas de maleza y de cultivo a partir del modelado activo de formas, coocurrencia del color, transformación wavelets, transformada de Fourier, dimensión fractal, entre otras metodologías, han sido elaborados, en asocio al entrenamiento de redes neuronales artificiales y el uso de conjuntos difusos, para el reconocimiento y clasificación de los mismos. El presente trabajo recoge dichas experiencias e implementa un método de clasificación automático de hojas de maleza asociadas al cultivo de maíz, por medio del uso combinado de matrices de coocurrencia y de la dimensión fractal. Cuatro grupos de malezas son estudiadas, en conjunto con uno de hojas de maíz de menos de un mes de gestación. Por cada grupo son objeto de análisis 20 imágenes, tomando 10 para el entrenamiento de una red neuronal artificial en configuración BP, y 10 para su validación posterior. El porcentaje de aciertos sobre errores es determinado con base en los falsos negativos y falsos positivos del sistema. El trabajo corresponde a la categoría 3 del XVI STSIVA. Palabras Claves—Control de malezas, Procesamiento de imágenes, Matriz de coocurrencia de color, Dimensión fractal Redes neuronales artificiales. INTRODUCCIÓN E L uso de herbicidas es común en el control de malezas. En Colombia por ejemplo, a 2007, la venta de herbicidas se calculaba en aproximadamente 2.000.000 de Kg, y la importación de los mismos, entre 2004 y 2007, registró un incremento del 21% [1]. Sin embargo, reducir los volúmenes de uso de herbicidas resulta fundamental, en atención a la necesidad de disminuir sus efectos perjudiciales sobre la salud y el medio ambiente, así como para abreviar los costos adicionales que su uso acarrea a la producción agrícola. En efecto, [2] refiere como el Roundup (herbicida de alto uso en Colombia, que contiene glifosato y POEA (surfactante polioxietileno amina), entre otros componentes), es capaz de alterar el equilibrio hormonal de los organismos que son expuestos al mismo, y como su uso se encuentra relacionado con casos de cáncer y nacimientos con malformaciones; [3] evidencia del mismo herbicida su toxicidad aguda y crónica (intoxicación y envenenamiento), así como sus efectos ambientales colaterales: afectación de la flora silvestre, larga persistencia en suelos, alta solubilidad en agua y presencia en alimentos. De igual manera, [4] relaciona como el Paraquat, otro herbicida de gran uso en el país, puede causar lesiones renales, hepáticas, miocárdicas y cerebrales. Tal situación merece especial atención, toda vez que el uso de herbicidas es común en productos propios de la canasta alimenticia básica como lo son maíz, arroz, café y banano. Diversos estudios muestran que la distribución de las malezas en los terrenos de cultivo no es uniforme, y que es posible aplicar herbicidas en menores porcentajes sin afectar el rendimiento de los cultivos ([5]), de modo que la aplicación de herbicida sería más eficiente si sólo se utilizase en las zonas afectadas, reduciendo de esta manera el desperdicio asociado a las aspersiones uniformes y los efectos nocivos de las mismas. Para lograr esto, el reconocimiento previo de las malezas es necesario. Diversas técnicas han sido estudiadas para el logro de este objetivo, algunas de las cuales son comentadas a continuación. métodos para reconocimiento de malezas Dentro de los métodos recurrentes para el reconocimiento de automático de malezas se encuentran: detección de color, modelado activo de formas y análisis de textura. Detección de Color La detección de color puede realizarse por medios ópticos y por medios de visión artificial. En el primer caso se busca detectar el color verde característico de las malezas, o, como en el caso de [6], la relación entre la luz reflejada y absorbida en las frecuencias de luz cercanas al rojo (RR, range red) y al infrarrojo (NIR, near infrared). Por la naturaleza del color, la relación NIR/RR, es mayor para las plantas verdes que para el suelo, de modo que el cálculo de dicho coeficiente, constituye un valor que puede diferenciar entre el suelo del cultivo y la maleza. De manera general, el uso de sensores ópticos individuales (con filtro en una sola frecuencia de paso) no permite diferenciar entre malezas y cultivos, ni entre distintas clases de malezas. Para lograr esta clasificación, [6], por ejemplo, usa una estructura de sensor conformada por seis foto receptores, cada una con un filtro pasa banda en una frecuencia específica, logrando, en condiciones de campo, una eficiencia del 86% en la diferenciación entre malezas y cultivos de trigo. La gran ventaja del uso de sensores ópticos, consiste en su relativa sencillez de implementación y en la velocidad de reconocimiento, lo cual posibilita un trabajo en tiempo real para la identificación de malezas y aplicación simultanea de herbicidas. De otra parte, por medios de visión artificial es posible implementar diversos y sencillos algoritmos para el análisis de color. Algunos ejemplos pueden encontrarse en [7], [8], [9] y [10]. Cálculos del exceso de verde a partir de matrices RGB (el cual puede determinarse, por ejemplo, de la suma de las diferencias G-B, y G-R), de la densidad de las malezas (por medio del cálculo del radio entre la diferencia de la suma de pixeles del área con maleza por columnas, ΣPc, y la suma de pixeles del área con maleza por fila, ΣPf, sobre el total de pixeles de la zona a analizar), o cálculos del máximo umbral del histograma en imágenes de la zona con malezas (previamente procesadas para determinar el exceso de verde y convertidas a escala de grises), son algunos de los métodos para determinar, por análisis de color, la presencia o no de malezas en el terreno, y la diferencia entre malezas de hoja ancha y malezas de hoja estrecha. Sin embargo, a pesar de la sencillez de los algoritmos para la identificación, el uso de procesamiento de imágenes para análisis de color, requiere un tiempo de procesamiento mayor que el implicado en el uso de sensores ópticos, lo cual podría ocasionar una respuesta no óptima en sistemas de aplicación de herbicida en tiempo real, y al igual que la detección de color por medio de sensores ópticos, el análisis de color por sí sólo no permite diferenciar entre malezas y cultivos o entre diversos tipos de malezas, excepto en el caso en que dicha técnica sea utilizada en combinación con otros métodos, como en [11]. Modelado Activo de Formas A diferencia de las técnicas de reconocimiento de malezas por detección de color, el reconocimiento por medio del modelado activo de formas (ASM, de active shape models), permite diferenciar entre cultivo y maleza, y entre diversas clases de malezas, al ser una técnica que permite describir cómo la forma de un determinado objeto (en este caso hojas de maleza o cultivo) puede variar con base en un conjunto de formas flexibles, previamente caracterizadas. La técnica, usada en una aplicación para localización de estructuras en imágenes médicas, se encuentra explicada en [12], y en [13] para un caso específico de clasificación de malezas. Su implementación requiere que cada forma a ser identificada sea representada por un conjunto de puntos; para el caso de las hojas de una planta, los puntos deberán ser localizados en los bordes de las mismas; [13] emplea, por ejemplo, 132 puntos para delimitar el contorno de una hoja característica. Cada conjunto de puntos es analizado por métodos estadísticos, con el fin de extraer el patrón característico de la variación de la forma de cada especie de maleza en particular. La identificación de cada maleza se realiza, por tanto, buscando la relación de su forma con cada patrón base, haciendo uso de escalamientos, rotaciones o translaciones, en procura de minimizar la suma de las distancias entre las formas a identificar y el patrón base. La eficiencia en laboratorio encontrada por [13] fue del 80%, para la identificación de 20 clases distintas de malezas. La limitante del modelado activo de formas podría encontrarse en la complejidad del algoritmo, de cara a una implementación en tiempo de real, y en la diversidad de formas a identificar en el terreno, si se tienen en cuenta los diversos momentos de maduración de las malezas y sus diversas deformaciones al mezclarse con otras plantas de la misma o distinta especie. Análisis de Texturas El análisis de textura, al igual que el método de identificación por modelado activo de formas, permite clasificar malezas de cultivos, así como diversas clases de las mismas. Su desarrollo requiere, de igual manera, de complejos algoritmos, pero tiene la ventaja de ser menos dependiente de las deformaciones de las hojas, al tiempo que tiene en cuenta, en su caracterización, la geometría implícita de las mismas. En efecto, las variaciones de color que permiten determinar la textura de las hojas, son producidas, en parte, por la geometría propia que estas tienen. Para la extracción de patrones a partir del análisis de la textura en hojas de maleza y de cultivo, diversas técnicas han sido empleadas, entre ellas: aplicación de la transformada Wavelets ([14], con una efectividad del 100% en la distinción de malezas de hojas anchas y gramíneas), Wavelets y Dimensión Fractal ([15], con una efectividad del 94.28% en la clasificación de malezas y cultivo), Wavelets y Análisis de Forma ([16]), Conjuntos Difusos y Dimensión Fractal ([17]), y Matrices de Coocurrencia ([18], con una efectividad de hasta el 97%, en la identificación de seis clases distintas de plantas), entre otros posibles métodos y trabajos. Una vez extraídos los patrones, la identificación y clasificación de los diversos tipos de maleza, o de la maleza y cultivo, puede lograrse tanto por métodos de análisis estadístico, como por el uso de redes neuronales artificiales y/o lógica difusa. De los diversos métodos planteados previamente para el reconocimiento de malezas, el presente trabajo se ha focalizado en el uso combinado de matrices de coocurrencia y la dimensión fractal, para la extracción de patrones característicos, técnicas que serán explicadas a continuación. extracción de patrones a partir de matrices de coocurrencia La obtención de patrones de textura de una imagen es ampliamente explicada en [19], un texto que se remonta a 1973, y su aplicación puntual a la identificación de plantas, puede encontrarse desde 1986, en el trabajo detallado en [20]. En general, el proceso conlleva los siguientes pasos: Pre procesamiento de las imágenes Este paso incluye el recorte de áreas de la imagen que no son objeto de análisis (para lo cual puede ser útil la identificación de bordes), la estandarización del tamaño de todas las imágenes, y la reducción del número de bit por pixel, afín de contar con matrices de coocurrencia manejables (como se verá, el tamaño de la matriz de coocurrencia depende del número de bit por pixel, de modo que una imagen a color de 24 bits, resultaría, por ejemplo, en una matriz de coocurrencia de 224x224 filas por columnas). Conversión al espacio HSI La conversión al espacio de color HSI consiste en una transformación no lineal del espacio de color RGB, previo al cálculo de la matriz de coocurrencia. Esta conversión obedece a la mayor relación del espacio HSI con la percepción visual natural. La transformación puede realizarse por medio del siguiente algoritmo (ver ecuaciones (1) a (3)), donde se parte de una matriz RGB normalizada, siendo Max y Min el valor máximo y mínimo de las tres componentes (R, G, B) para cada punto objeto de transformación: 0, if Max = Min if Max = B H = + 2, if Max = G (1) if Max = R I = (2) 0, if Max = Min S = if Max = B (3) , if Max = G Luego de la transformación, es necesario convertir los valores de las componentes H, S e I, a valores entre 0 y 63 (o la escala de color que se desee), dado que previamente a la transformación los valores RGB habían sido normalizados. Para las componentes S e I, este proceso consiste simplemente en multiplicar cada valor por 63. Para la componente H el proceso se constituye de dos partes: multiplicar cada elemento por 60, de modo que los valores de H se escalen de 0° a 360°, y, realizar una subdivisión de los 360° en 64 rangos; cada ángulo deberá ser evaluado para determinar en qué rango se encuentra (lo cual puede realizarse calculando la parte entera del cociente entre el grado y 5.625). Cálculo de Matrices de Coocurrencia La matriz de coocurrencia de una imagen I de n filas por m columnas, está definida por la ecuación (4), donde los intervalos Δx y Δy representan la posición de un pixel vecino al pixel de análisis, y pueden ser definidos por una distancia d y un ángulo θ, respecto a un pixel de referencia T, de acuerdo a la figura 1. 1, if I(p,q) = i and I(p+)= j 0, otherwise (4) d 45 Grados 135 Grados 0 Grados 0 Grados (Ángulos de orientación) 1 2 3 T 5º 4 6º 7º 87º 90 Grados Figura 1. Ubicación del pixel vecino para el cálculo de la CCM. De esta manera, por ejemplo, si tenemos una matriz 4x4, de dos bits, como la mostrada en la figura 2a, la matriz de coocurrencia resultante para un valor d igual a 1, un θ de 0° (tomando 180° también como 0°) sería la mostrada en la figura 2b, en la que el valor 4 en las coordenadas (1,1) de la matriz (b), significa que en la matriz (a), se encontraron cuatro casos en los que un pixel de valor cero tiene a 0° o a 180° un vecino a una distancia de 1 pixel, también con valor de 0. 0 0 1 1 0 0 1 1 0 2 2 2 2 2 3 3 (a) 4 2 1 0 2 4 0 0 1 0 2 1 0 0 1 2 (b) Figura 2. Ejemplo cálculo Matriz de coocurrencia. Para el cálculo de los patrones de entrenamiento de las imágenes de cada hoja de maleza y de cultivo, se calcula la matriz de coocurrencia normalizada p(i,j, d=1, θ=0°), para las componentes H, S e I, previamente escaladas a 6 bits, de modo que las matrices de coocurrencia a analizar estén compuestas por 64 filas y 64 columnas (26x26) Estimación de Parámetros Una vez obtenidas las matrices de coocurrencia para las componentes H, S e I de cada imagen, los parámetros son determinados a partir de las ecuaciones (5) a (20), resultando en total, 39 parámetros por cada imagen. Uniformity (2th Moment) (5) Mean Intensity (6) Variance (7) Correlation (8) Product Moment (9) Inverse Difference (10) Entropy (11) Sum Entropy (12) Difference Entropy (13) Information Correlation 1 (14) Information Correlation 2 (15) HX (16) HXY1 HXY2 Contrast (19) Modus (20) La aplicación del uso de parámetros extraídos a partir de matrices de coocurrencia, en diversos procesos, puede detallarse en [21], [22], [23] y [24]. extracción de patrones a partir de la dimensión fractal La dimensión fractal constituye una medida de la rugosidad que tiene cada hoja de maleza o de cultivo a analizar, y establece por tanto un modo de asociar la forma de la hoja al estudio de reconocimiento. La manera de encontrar la dimensión fractal de una imagen es como sigue: Se binariza la imagen a analizar (blanco la hoja, negro el fondo) Se selecciona un recuadro de p pixeles (pxp), y se fracciona la imagen de acuerdo al tamaño del recuadro seleccionado. Se cuenta cuantos recuadros p contienen color blanco, N(p). Se repite el proceso para diversos valores de p, en un rango determinado (por ejemplo, p desde 4, en pasos de 4, hasta 40). Se grafica el logaritmo de N (P) versus el logaritmo de 1/p, y se encuentra la regresión lineal de la gráfica, de modo que se encuentre una ecuación del tipo f(x) = mx + b. La dimensión fractal es igual a la pendiente m de la recta previamente encontrada. metodología propuesta para el reconocimiento Vista la manera de encontrar los patrones característicos en una imagen, a partir de la estimación de la matriz de coocurrencia (análisis de textura) y el cálculo de la dimensión fractal (rugosidad de la imagen), se expone a continuación la metodología para el desarrollo del experimento propuesto en el presente artículo. Los pasos a seguir son los siguientes: Selección de hojas de en un cultivo de maíz, de plantas con menos de un mes de gestación, y selección en el mismo cultivo de hojas de cuatro tipos distintos de malezas. El cultivo corresponde a un terreno semiplano con una altitud de 1750 m sobre el nivel del mar. Toma en laboratorio de 20 imágenes de cada tipo de hoja, por medio de una cámara digital SONY HANDICAM, HD (HDR-XR150) con una resolución máxima de 3.1 Mega Pixeles (2048 x 1536), filtro de 0.03 m, y distancia focal f entre 2.5X10-3 y 62.5x10-3 m. Selección de 10 imágenes para entrenamiento y 10 imágenes para prueba, de cada imagen a tratar. Pre procesamiento de las imágenes, conversión RGB a HSI y cálculo de la matriz de coocurrencia (d=1, θ=0°), para cada imagen. Extracción de 40 patrones por cada imagen: 39 de textura (13 por componente de color), y uno de la dimensión fractal. Agrupación de los patrones en subgrupos: Patrones componente H, mas dimensión fractal. Patrones componente S, mas dimensión fractal. Patrones componente I, mas dimensión fractal. Patrones seleccionados de las componentes H, S e I, por discriminación estadística, mas dimensión fractal. Implementación de una red neuronal en configuración BP, de tres capas, con 13 neuronas en la capa de entrada, número ajustable de neuronas en la capa intermedia y 5 neuronas en la capa de salida (una para la hoja de maíz y cuatro para cada hoja de maleza). Entrenamiento de la red neuronal con cada subgrupo de patrones. Estimación de falsos positivos y falsos negativos, por medio de la puesta en operación de la red neuronal artificial, con los subgrupos correspondientes a las imágenes de prueba. resultados esperados A la fecha, el presente trabajo se encuentra en fase de implementación, y se espera, al concluir el mismo, contar con algoritmos validados para el cálculo de patrones a partir de matrices de coocurrencia y determinación de la dimensión fractal, en hojas asociadas al maíz y cuatro malezas típicas. De igual manera, el estudio permitirá verificar la eficiencia en el reconocimiento de malezas y cultivos, del uso combinado de matrices de coocurrencia y la dimensión fractal. Deberá ser objeto de posteriores estudios, la comparación entre el uso de wavelets y matrices de coocurrencia, para la identificación de patrones en plantas, el uso combinado de técnicas de análisis de color, análisis de forma y análisis de textura, en similares casos, así como la eficiencia de los algoritmos programados en sistemas embebidos para trabajo en tiempo real. AGRADECIMIENTOS El autor expresa su agradecimiento a Unisangil, por su apoyo al desarrollo y presentación del presente trabajo. Referencias Ministerio de Ambiente, Viviente y Desarrollo Territorial de Colombia. (2011, May 04). Uso Aparente de Plaguicidas en Colombia Durante los Años 2004 – 2007 [Online]. Available: http://cep.unep.org/repcar/monitoreo-costero/colombia/informes-de-colombia/ C. Martínez, Facultad de Ciencias, UdelaR. (2011, May 04). Taller sobre: “Impactos toxicológicos y ecotoxicológicos asociados al uso del herbicida glifosato” [Online]. Available: http://uneamfagro.org/phocadownload/taller-glifosato_docs/Presentacion_MARTINEZ.pdf E. Nivia. (2011, May). Efectos Sobre la Salud y el Ambiente de Herbicidas que Contienen Glifosato. Ambiente Ecológico [Online]. Edición 87 (Abril Diciembre del 2003). Available: http://www.ambiente-ecologico.com/ediciones/2003/087_02.2003/087_Publicaciones_EcoPortal.php3 T. E. León, L. Rodríguez. (2011, May). Ciencia, Tecnología y Ambiente en la Agricultura Colombiana. Cuadernos Tierra y Justicia [Online]. Volume 4, pp. 25. Available: http://www.kus.uu.se/CF/Cuaderno_04.pdf A. Moltoni, L. Moltoni, Instituto de Ingeniería Rural, CIA, CNIA, INTA, Argentina. (2011, May 04). Pulverización Selectiva de Herbicidas: Implicancias Tecnológicas y Económicas de su Implantación en Argentina. [Online]. Available: http://www.inta.gov.ar/iir/info/documentos/pulverizacion/pulve_selec.pdf N. Wang, N. Zhang, D. Peterson and F. Dowell, “Design of an Optical Weed Sensor Using Plant Spectral Characteristics”, Biological Quality and Precision Agriculture II, Proceedings of SPIE, vol. 4203, 2000, pp. 63 - 72. A. M. Naeem, I. Ahmad, and M. Islam, “Weed Classification using Two Dimensional Weed Coverage Rate (2D-WCR) for Real-Time Selective Herbicide Applications”, World Academy of Science, Engineering and Technology, vol. 25, 2007, pp. 335 - 339. I. Ahmad, A. M. Naeem, M. Islam, and S. Nawaz, “Weed Classification using Histogram Maxima with Threshold for Selective Herbicide Applications”, World Academy of Science, Engineering and Technology, vol. 25, 2007, pp. 331 - 334. B.L. Steward and L. F. Tian, Department of Agricultural Engineering, University of Illinois at Urbana-Champaign, Urbana, IL 61801. (2011, April 08). Real-time machine vision weed-sensing. [Online]. Available: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.7.547 I. Ahmed, A. Adnan, M. Islam, and S. Gul, “Edge based Real-Time Weed Recognition System for Selective Herbicides”, Proceedings of the International MultiConference of Engineers and Computer Scientists, vol. I, 2008 K. H. Ghazali, M. M. Mustafa, A. Hussain, “Color Image Processing of Weed Classification: A comparison of two Feature Extraction Technique”, Proceedings of the International Conference on Electrical Engineering and Informatics, Institut Teknologi Bandung, Indonesia, 2007, pp. 607 - 610. T. F. Cootes, A. Hill, C. J. Tylor and J. Haslam, “The Use of Active Shape Models For Locating Structures in Medical Images”, Image and Vision Computing, vol. 12, no. 6, 1994, pp. 335-366. H. T. Sogaard, T. Heisel, “Weed Classification by Active Shape Models”, EurAgEng, Budapest, 2002. L. Tang, L. Tian, B. L. Steward, “Classification of broadleaf and grass weeds using Gabor wavelets and an artificial neural network”, American Society of Agricultural Engineers, Information & Electrical Technologies Division of ASAE, vol. 46, no. 4, 2003, pp. 1247-1254. L. Wu1, Y. Wen, X. Deng and H. Peng, “Identification of weed/corn using BP network based on wavelet features and fractal dimension”, Scientific Research and Essay, vol. 4, no. 11, 2009, pp. 1194-1200. H. Kebapci, B. Yanikoglu, and G. Unal, “Plant Image Retrieval Using Color, Shape and Texture Features”, The Computer Journal Advance Access, British Computer Society, 2010. M. Solahudin, I. W. Astika, K. B. Seminar and A. Buono, “Weeds and Plants Recognition using Fuzzy Clustering and Fractal Dimension Methods for Automatic Weed Control”, International Conference, The Quality Information for Competitive Agricultural Based Production System and Commerce, 2010, pp. 109-112. T. F. Burks, S.A. Shearer, J. R. Heath, K. D. Donohue, “Evaluation of Neural-network Classifiers for Weed Species Discrimination”, Biosystems Engineering, vol. 91, no. 3, 2005, pp. 293-304. R. M. Haralik, K. Shanmugam, and I. Dinstein, “Texture Features for Image Classification”, IEEE Transaction on Systems, Man and Cybernetics, vol. 3, no. 6, 1973, pp. 610-621. S. A. Shearer. (2011, May). Plant Identification Using Color Co-occurrence Matrices Derived from Digitized Images. Ohio State University [Online]. (1986). Available: http://etd.ohiolink.edu/view.cgi?acc_num=osu1203447059 D. G. Kim, T. F. Burks, A. W. Schumann, M. Z. X. Zhao, and J. Qin, “Detection of Citrus Greening Using Microscopic Imaging”, Agricultural Engineering International: the CIGR Ejournal, vol. XI, 2009. R. Pydipati, T. F. Burks, and W. S. Lee, “Statistical and neural network classifiers for citrus disease detection using machine vision”, American Society of Agricultural Engineers, Transactions of the ASAE, vol. 48, no. 5, 2005, pp. 2007-2014. B. Park, K. C. Lawrence, W. R. Windham, Y. R. Chen, and K. Chao, “Discriminant analysis of dual-wavelength spectral images for classifying poultry carcasses”, Computers and Electronics in Agriculture, vol. 33, 2002, pp. 219-231. D. Gwan Kim, T. F. Burks, J. Qin, and D. M. Bulanon, “Classification of grapefruit peel diseases using color texture feature analysis”, Int J Agric & Biol Eng, vol. 2, no. 3, 2009, pp. 41-50. Milton J. Muñoz, recibió su título de Ingeniero Electrónico de la Universidad Industrial de Santander, UIS, y actualmente culmina estudios de Especialización en Automatización Industrial en la Universidad Autónoma de Bucaramanga, UNAB. Desde el 2006 ha sido director del programa de Ingeniería Electrónica en UNISANGIL sede San Gil, donde ha liderado trabajos de investigación formativa en robótica. Sus temas de interés son: Control y Automatización, Inteligencia Artificial, Visión Artificial, Sistemas Caóticos y Tecnologías Emergentes. Milton J. Muñoz es Professional Student Member de la IEEE y de la Robotic & Automation Society. XVI SIMPOSIO DE TRATAMIENTO DE SEÑALES, IMÁGENES Y VISIÓN ARTIFICIAL – STSIVA 2011