Professional Documents
Culture Documents
CURSO
PROFESOR
INTEGRANTES
JESUS SULCA QUINTO ---------------------------------- 1311840
JOSÉ LUIS CALDAS PASTRANA---------------------- 0920766
RIMAC COLQUI GUSTAVO-------------------------------1330485
RIVERA ESPEJO ERIC-------------------------------------1411854
Sistema de reconocimiento de frutas
RESUMEN
1. Introducción
En la actualidad, el uso de las nuevas tecnologías está llegando cada vez a diferentes
aspectos de la vida cotidiana, buscando facilitarnos los actos que realizamos
diariamente, creando sistemas dirigidos a realizar dichas tareas, tareas que pueden
ser, salir de compras, sellar el paro, ver el periódico, etc.
Podemos decir que la principal función de las TIC es ofrecer servicios que
reduzcan el esfuerzo físico-psicológico necesario para realizar dicho acto, servicio u
otra actividad.
Existen empresas como Amazon Fresh y Shopping Express que nos ofrecen un
servicio de entrega de alimentos a domicilio en un tiempo récord, también se
desarrolló un sistema llamado Dash Button, que simplemente es un botón que, al
ser pulsado, ordena de manera automática la compra de los artículos vinculados.
Llegados a este punto, viendo la facilidad con la cual podemos realizar dichos actos,
nos planteamos la idea de un sistema de reconocimiento que pudiera reconocer,
interpretar y clasificar diferentes tipos de alimentos. Esto es un tema bastante amplio
y ambicioso en el que se tendría que abordar desde diferentes aspectos (software,
hardware, convenios con diferentes empresas).
Por ello en este proyecto se aborda uno de los temas que podrían, en un futuro, y
añadiendo un desarrollo mucho más exhaustivo y dedicado, sería el reconocimiento
de frutas.
Por lo tanto, este trabajo desarrolla uno de los primeros pasos que tendrían que darse
para la implantación de este tipo de sistemas, ofreciendo tanto un software que
permita reconocer diferentes tipos de fruta, como un artículo de información, para
que posibles personas futuras, con la misma ambición, partan de una base.
2. Planteamiento teórico
En este apartado encontrará todo el planteamiento teórico usado a la hora de
realizar este proyecto. Se realizará una explicación teórica de todos los métodos
y operaciones usadas ofreciendo una justificación coherente sobre las mismas.
2.1. Segmentación
Sabemos que al trabajar con el modelo RGB podíamos intentar quedarnos con
alguna de las capas de forma generalizada para poder binarizar la imagen de la
forma más óptima posible.
2.1.1 Binarización
Para binarizar la imagen usaremos el método Otsu, este método usa la técnica
de la umbralización, que se emplea cuando tenemos una clara diferencia entre
el objeto y el fondo.
Este método se rige por los principios de similitud entre píxeles pertenecientes
a un objeto y a sus diferencias respecto al resto.
La escena a la que nos enfrentamos es ideal para este método, pues tenemos
un fondo uniforme y el objeto claramente diferenciado, ya que elegimos la capa
azul para nuestras distintas imágenes, al aplicar el umbral, la imagen en escala
de grises quedará binarizada etiquetando con ‘1’ los píxeles correspondientes
al objeto y con ‘0’ aquellos que son del fondo
Debemos remarcar las ventajas de usar el método de Otsu, una de ellas y
puede que la más interesante planteando el desarrollo futuro de este proyecto,
es la capacidad de respuesta que encontramos ante imágenes más cercanas
a situaciones reales (imágenes mal iluminadas, ruidosas, con histogramas
planos, etc.), este método precisa de automatismo ya que no necesita
supervisión alguna.
Es importante negar nuestra imagen binarizada, pues el método regionprops utiliza los
píxeles ‘on’ como el objeto y los ‘off’ como el fondo.
Es necesaria una buena elección de las propiedades que definen a la imagen, a estas
las llamaremos descriptores de la imagen. Regionprops se encarga de calcular las
propiedades de cada región dentro de una imagen, en nuestro caso al solo existir una
región por imagen, solo identificará una región, pero este método identifica tantas
regiones como existan en la imagen. Devuelve una matriz de estructura, un elemento
por región, cuyos nombres de los campos son las propiedades pedidas al método.
2.2 Descriptores
Llegados a este punto es necesario definir los descriptores que vamos a usar,
los que hemos considerado más importantes para realizar la calificación de las
frutas son:
- Área.
- Perímetro.
- Redondez.
- Excentricidad.
- Media de las capas RGB.
Perímetro: Para este caso nos devolverá un escalar que especifica la distancia
alrededor del límite de la región. Regionprops obtiene el perímetro calculando
la distancia entre cada par contiguo de píxeles alrededor del borde de la región.
Redondez: Esta propiedad no la podemos encontrar en regionprops, por lo
que debemos definirla adecuadamente. La intención es que esta propiedad nos
devuelve un valor entre 0 y 1, de tal forma que cuanto más cercano a uno sea
nuestro valor, más nivel de redondez tendrá nuestro objeto.
La fórmula que define esta propiedad es
la siguiente:
Media capas RGB: Este descriptor nos facilitara la tarea de orientar al sistema
acerca del color que predomina en la imagen. Para obtener este descriptor se
procedió a realizar la media del bounding box de cada una de las capas RGB,
esto nos dio las medias de las columnas que al aplicar de nuevo la función
mean ya nos dio un valor único para cada una de las capas RGB.
2.3. Reconocimiento
Llegados a este punto, hemos conseguido extraer de cada imagen una serie
de datos (descriptores) que nos podrán ayudar en el proceso de calificación.
2.3.1. KNN
[Figura 1]
[Figura 2]
[Figura 3]
[Figura 4]
[Figura 6]
[Figura 7]
[Figura 8]
5. Manual de Usuario
https://es.mathworks.com/products/matlab.html
En esta página podremos encontrar tanto una versión de prueba como la versión
de pago ya que Matlab se trata de un sistema que para usarlo deberemos pagar
la licencia.
Una vez ya tenemos Matlab instalado en el equipo, tenemos dos posibilidades
para ejecutar el programa:
● Barra de herramientas:
● Paleta de componentes:
20
El proceso de tratamiento de las imágenes que se desarrolla sigue una serie de
pasos muy importantes para obtener los resultados deseados. El primer
objetivo es obtener una imagen segmentada la cual deberíamos binarizar, para
ello tomamos la capa más influenciable (AZUL) para distinguir el contorno de la
fruta todo por la imagen tener el fondo blanco, binarizarmos la capa y llegados
a este punto tenemos una imagen que trabaja con 0 y 1.
Sabemos que deberíamos trabajar con un tamaño de imagen igual para todas,
pues si no la información obtenida de estas vendría escalada por sus tamaños,
para quitarnos esta barrera normalizamos la imagen, ahora podíamos obtener
sus descriptores, en este aspecto remarcar que el uso de un tamaño
proporcional a
450x600 da mejores resultados que por ejemplo otras normalizaciones probadas
en la parte experimental
[550x500 o 450x450 600x450].
Esperemos que estas investigaciones puedan ayudar o servir tanto para tema
escolar, como para su
posible desarrollo futuro en busca de mejoras. Las cuales pueden ser
muchísimas, tales como encontrar un método más efectivo de reconocimiento,
realizar el reconocimiento para una variedad más amplia de frutas, insertar este
reconocimiento en aparatos electrónicos con el fin de convertirlos en lo que
ahora se llaman “aparatos inteligentes”.
Dicho todo esto, agradecer una vez más todas las aportaciones recibidas por
terceros y el trabajo de las personas implicadas en el proyecto, nuestro
equipo tiene el placer de presentaros un sistema de reconocimiento de frut
21
8. Bibliografía y Web
grafía
● Woo Chaw Seng y Seyed Hadi Mirisaee. A new method for fruits
recognition system. Electrical
Engineering and Informatics, 2009. ICEEI '09.
International Conference on.
22
23