En este artículo explicaremos como se reconoce los mangos exportables ba-
sándonos únicamente en su forma. El proceso consiste en que, primeramente
se selecciona un grupo de mangos exportables que cumplen con las exigencias
de calidad, luego, mediante una cámara digital se captura la imagen de cada
mango y mediante un software deprocesamiento de imágenes, cada mango será
asociado a una imagen que contenga solamente la gura del borde del mango.
Con dichas imágenes se procede con elentrenamiento de redes neuronales hasta
encontrar una que sea capaz de reconocer acertadamente todos los elementos
de la muestra. Luego, se procede con las pruebas de reconocimiento utilizando
nuevos mangos que pueden poseero no un tamaño ideal. Si la red neuronal
entrenada reconoce adecuadamente el tamaño de dicho mango,podremos decir
que hemos cumplido con nuestro objetivo.
Palabras Clave: Visión Articial, Redes Neuronales, Reconocimiento de Pa-
trones, Reconocimiento de Mangos de Calidad.
This article willtake as quality reference the ideal form of mangoes. The pro-
cess is that, rst we select a group of mangoes export that meet the quality re-
quirements, then using a digital camera captures the image of each mango and
by a image processing software, each mango is associated with a image contai-
ning only the gure of the edge of the mango mentioned. With these images, we
proceed with the training of neural networks to nd one that is able to recognize
correctly all elements of the sample. Then we proced with the recognition tests
PAIDEIA XXI
Vol. 4, Nº 5, Lima, agosto 2014, pp. 38-45
Resumen
Abstract
VISIÓN ARTIFICIAL PARA RECONOCIMIENTO
DE MANGOS EXPORTABLES UTILIZANDO REDES
NEURONALES
Hugo Froilán Vega Huerta
Visión Articial para Reconocimiento de Mangos exportables Utilizando Redes Neuronales
39
PAIDEIA XXI
using others mangoes that can have or not an ideal form. If the neural network
trained recognizes adequately the form of the mango, we can say we have achie-
ved our goal.
Key Words: Articial Vision, Articial Neural Networks, Pattern Recognition,
Mangoes Quality Recognition.
1. INTRODUCCIÓN
La visión articial cada día tiene
más aplicaciones, y muchas veces se
ha logrado que sea más precisa y rápi-
da que la visión humana.
En el proceso de selección de man-
gos de calidad, la forma que tiene el
mango es considerada como muy im-
portante. Actualmente, uno de los cri-
terios de selección para establecer la
calidad de los mangos de exportación
es la forma de dicha fruta. Este pro-
ceso es realizado manualmente por
un grupo de personas especializadas,
pero, a pesar de que lo realizan con
mucho cuidado, siempre existen már-
genes de errores considerables, lo que
afecta importantemente en el negocio.
En este artículo, mostramos un
procedimiento en el cual, una compu-
tadora captura mediante una cámara
digital la imagen de un mango y, luego
de un procesamiento previo basado en
redes neuronales, se puede conocer si
es un mango con una forma ideal de
calidad o no lo es.
2. SELECCIÓN DE MANGOS EX-
PORTABLES
Solamente trabajaremos con dos tipos
de mangos: Haden y Ataulfo. Consul-
tando con personas expertas, seleccio-
namos tres unidades de mangos con
calidad de exportación por cada tipo
de mango.
Figura 1. Mangos de calidad elegidos
3. VISIÓN ARTIFICIAL PARA RECO-
NOCIMIENTO DE UN MANGO
La visión natural consiste en la ca-
pacidad de un ser vivo en captar una
imagen a través del sentido de la vista
e interpretar dicha imagen mediante
un proceso mental (Spalton, Hitchings
& Hunter, 2006).
La visión articial propuesta con-
siste en que una computadora me-
diante una cámara digital sea capaz
de capturar la imagen de un mango y,
mediante un procesamiento de imáge-
nes, logre interpretarlo.
a. Se captura la imagen un mango
mediante una cámara digital.
b. Se asigna una matriz con cuadrí-
culas lo sucientemente pequeñas,
para que contenga la imagen del
mango. Para nuestro caso trabaja-
mos con una matriz de dimensión
50 x 50 (Hilera, 1995).
c. Mediante un programa de procesa-
miento de imágenes, se obtiene el
Hugo Froilán Vega Huerta
40
PAIDEIA XXI
borde del mango el cual luego se
representa usando las celdas de la
matriz.
d. Se genera la matriz con datos bina-
rios reemplazando las celdas vacías
con 0s y las sombreadas con 1s.
Figura 2. Proceso para la digitaliza-
ción de la imagen de un mango
e. Luego se convierte la matriz binaria
de 50 x 50 a un vector lineal bina-
rio de 2500.
Figura 3. Conversión de la matriz
binaria en un vector lineal
4. RECONOCIMIENTO DE MANGOS
DE CALIDAD USANDO REDES NEU-
RONALES
4.1. Dependencia Funcional entre
los Datos de Entrada y Salida en una
Red Neuronal
Para trabajar en el reconocimien-
to de patrones con redes neuronales,
debemos preocuparnos primeramente
de establecer el número de neuronas
en la capa de entrada y el número de
neuronas en la capa de salida. Por lo
tanto, los datos de entrada estarán
vinculados con las neuronas de entra-
da y los datos de salida con las neuro-
nas de salida (Norgaard, 2000).
Figura 4. Dependencia Funcional
de los Datos de Entrada y Salida
Estableciéndose entre ellos una de-
pendencia funcional que la podemos
llamar F, donde
DATOS DE SALIDA = F (DATOS DE ENTRADA)
[Y1, Y2, …. Ym] = F ( [X1, X2, …. Xn] )
Como nuestro objetivo es demos-
trar que una red neuronal puede ser
entrenada para reconocer los mangos
de calidad, en el presente proyecto so-
lamente trabajaremos con los mangos
tipo Haden. Por lo tanto, la dependen-
cia funcional de nuestra red neuronal
será la siguiente:
Figura 5. Dependencia funcional de los
datos de entrada y salida (resumido)
4.2. Arquitectura de la Red Neuronal
para el Reconocimiento de Mangos
Ahora estableceremos la arquitec-
tura de la red neuronal. Es claro que
el vector de entrada X, que almacena
la imagen de un mango, consta de
2500 valores binarios (0s y 1s) y que
el vector de salida Y solo consta de un
valor binario.
Visión Articial para Reconocimiento de Mangos exportables Utilizando Redes Neuronales
41
PAIDEIA XXI
Por lo tanto, la red neuronal debe
tener 2500 neuronas de entrada y una
neurona de salida; las capas ocultas y
el número de neuronas en ellas serán
establecidas en el mismo proceso de
entrenamiento (Fausett, 1993).
Figura 6. Arquitectura de la RN
para el reconocimiento de mangos
4.3. Generar la Base de Conocimien-
to para el Entrenamiento de la Red
Neuronal
La base de conocimientos está con-
formada por la información que posee
el experto humano; en este caso, esta-
rá conformada por la muestra de los
mangos y su respectiva identicación
de que si es exportable o no lo es.
Figura 7. Información real sobre los
mangos
Esta información debe ser almace-
nada en la computadora para usarlo
en el entrenamiento de la red neuro-
nal (Bryan, 2008) (Christopher, 2007).
Utilizando el concepto de visión ar-
ticial para el reconocimiento de man-
gos y siguiendo los pasos especica-
dos en el numeral 3, transformamos
cada imagen en un vector binario de
tamaño 2500.
Figura 8. Generación de datos de
entrada a partir de las imágenes de
los mangos
Ya que a cada mango se le asignan
2500 valores binarios, por cuestiones
de espacio, solamente mostraremos
10 valores para cada uno de ellos, que
corresponden a los valores de las cel-
das resaltadas en rojo. Dichos valores
son mostrados en la siguiente tabla.
Por lo tanto, la base de conocimien-
tos, para el entrenamiento de nuestra
res neuronal, será la siguiente.
Figura 9. Base de conocimiento
generada a partir de las Imágenes
de los mangos
Los datos de este cuadro se guar-
dan luego en un archivo tipo texto,
digamos MUESTRAENT.TXT. Este ar-
Hugo Froilán Vega Huerta
42
PAIDEIA XXI
chivo será usado con el software de
entrenamiento.
De ese modo, ahora ya tenemos
nuestra base de conocimiento que
contiene la información sobre los mo-
delos ideales de los mangos HADEN de
exportación.
4.4. Entrenamiento de la Red Neu-
ronal
A continuación, mostraremos paso a
paso el procedimiento de entrenamien-
to de una red neuronal; para ello utili-
zaremos nuestra base de conocimiento
almacenada en MUESTRAENT.TXT y el
software NEURONTRAINPATTERN.M,
el cual ha sido creado en base al al-
goritmo (Teodoridis & Koutroumbas,
2006).
a. Primer Entrenamiento
En el entorno del MATLAB, ejecuta-
mos el programa NEURONTRAINPAT-
TERN. M e ingresamos los parámetros
requeridos.
Después del proceso, el software
nos proporciona la imagen mostrada,
donde se puede apreciar el seguimien-
to del proceso de aprendizaje de la
RNA.
Archivo con data: MUESTRAENT.TXT → Base de
entrenamiento
Sinapsis: Nueva [0] Se leerán desde un archivo [1]: 0
Introducir neuronas en capa intermedia: 100
Introducir ratio de aprendizaje: 0.05
Introducir el valor máximo del error (%): 10
Introducir el máximo etapas de aprendizaje: 200
Archivo para resultado del entrenamiento: ENTRENA-
MIENTO1.TXT
Figura 10. Ingreso de parámetros y
Curva de un aprendizaje inadecuado
El gráco muestra que el proceso de
entrenamiento no ha sido satisfactorio,
ya que se deseaba alcanzar un margen
de error del 10 % en un total máximo de
200 iteraciones, pero luego de las 200
iteraciones solo ha llegado al 60.03%
del margen de error. Así mismo, se
puede apreciar que aproximadamente
en iteración 123 llegó al 40% de mar-
gen error, aunque con un aprendizaje
bastante irregular. En las iteraciones
subsiguientes, en lugar de seguir dis-
minuyendo dicho margen de error, em-
pezó a crecer, también de modo irregu-
lar; por lo tanto, este entrenamiento se
considera como no exitoso.
b. Entrenamiento Óptimo
De manera similar, realizamos un
total de 33 pruebas de entrenamiento,
buscando obtener el entrenamiento
más óptimo, cambiando los paráme-
tros de entrada del programa, hasta
que en el entrenamiento número 21,
con los parámetros que a continua-
ción mostramos, llegamos a un óptimo
entrenamiento.
Visión Articial para Reconocimiento de Mangos exportables Utilizando Redes Neuronales
43
PAIDEIA XXI
Con estos nuevos parámetros, al -
nalizar el proceso de entrenamiento, el
software nos proporciona la siguiente
imagen, donde se puede apreciar una
adecuada evolución del proceso de
aprendizaje de la RNA:
Archivo con data: MUESTRAENT.TXT → Base de
entrenamiento
Sinapsis: Nueva [0] Se leerán desde un archivo [1]: 0
Introducir neuronas en capa intermedia: 400
Introducir ratio de aprendizaje: 0.02
Introducir el valor máximo del error (%): 5
Introducir el máximo etapas de aprendizaje: 200
Archivo para resultado del entrenamiento: ENTRENA-
MIENTO-OK.TXT
Figura 11. Ingreso de parámetros
óptimos de entrenamiento y Curva
de un aprendizaje óptimo
Como se puede apreciar, esta vez
hemos alcanzado el 4.96 % de margen
de error en tan solo 78 iteraciones.
Ahora tenemos una RNA bien entrena-
da para el reconocimiento de calidad
de los mangos Haden exportables.
Debemos tener presente que el en-
trenamiento concluye guardando en
un archivo tipo texto todos los pesos
sinápticos de la red neuronal, como
podemos apreciarlo en la última línea
del proceso de entrenamiento óptimo;
lo hemos guardado en el archivo EN-
TRENAMIENTO-OK.TXT. Este archi-
vo será utilizado cuando se realice el
PROCESO DE RECONOCIMIENTO de
un mango de calidad.
4.5. Reconocimiento Mangos con Ca-
lidad de Exportación
Recordemos que nuestros mangos
tipo Haden para el entrenamiento, tal
como lo presentamos en el numeral 2,
fueron los siguientes:
Figura 12. Imágenes de mangos para
el entrenamiento de la red neuronal
Ahora, utilizaremos la red neuro-
nal entrenada para realizar el proce-
so de reconocimiento de mangos con
calidad de exportación; para ello, to-
maremos una nueva muestra con un
mango con calidad de exportación y
dos mangos que no cumplen con di-
chas características.
Figura 13. Imágenes de mangos para
ser reconocidos por la red neuronal
Como se desea que la red neuro-
nal determine si los mangos, son o no
de calidad exportable, inicialmente di-
remos que esta característica es des-
conocida y que, precisamente, la red
neuronal se encargará de establecerla.
Hugo Froilán Vega Huerta
44
PAIDEIA XXI
Figura 14. Imágenes de mangos
para el proceso de reconocimiento
Con esta información, de manera
similar al proceso de entrenamiento,
usando el proceso de visión articial,
generamos los datos de entrada para
cada mango.
Figura 15. Datos binarios de los mangos
a ser reconocidos por la red neuronal
Debemos tener presente que los valo-
res correspondientes a la variable de sa-
lida serán cero, debido a que los mangos
respectivos son de calidad desconocida.
Dichos datos binarios que repre-
sentan a los mangos a ser reconocidos,
lo guardamos en un archivo tipo texto
MUESTRAREC.TXT y, luego, procede-
mos a usar el NUROTRAINPATTREN.M
para reconocer la característica de ca-
lidad de dichos mangos.
a. Proceso de Reconocimiento Uti-
lizando la Red Neuronal Entrenada.
En el entorno del MATLAB, ejecuta-
mos el programa NEURONTRAINPAT-
TERN. M e ingresamos los parámetros
requeridos.
El proceso de reconocimiento es
muy similar al entrenamiento. Prime-
ro, en el entorno MATLAB, ejecutamos
el programa NEURONTRAINPATTERN
e ingresamos los parámetros requeri-
dos, según se muestra a continuación.
Archivo con data: MUESTRAREC.TXT → Base de
Reconocimiento
Archivo de entrenamiento: ENTRENAMIENTOOK.TXT
Archivo de salida:
SALIDA.TXT
Figura 16. Proceso de reconoci-
miento de patrones
Al nalizar el proceso de reconoci-
miento, se genera un archivo de sali-
da, en este caso lo llamamos SALIDA.
TXT, el cual al abrirlo nos muestra la
siguiente información.
0.341
0.469
0.813
Figura 17. Información de salida de
la red neuronal
b. Interpretación de los Datos de
Salida
Los valores tomados del archivo de
salida pasados al Excel se aprecian de
la siguiente manera:
Figura 18. Datos de salida y con va-
lores reales y valores redondeados
Apreciando los valores, podemos
mencionar que:
• Y=0.341 quiere decir que el pri-
mer mango tiene solamente el
34.1 % de las exigencias de ca-
lidad para un mango de expor-
tación. En otras palabras, la red
Visión Articial para Reconocimiento de Mangos exportables Utilizando Redes Neuronales
45
PAIDEIA XXI
neuronal lo reconoce como un
mango defectuoso o no exporta-
ble
• Y=0.469 quiere decir que el se-
gundo mango tiene solamente el
46.9 % de las exigencias de ca-
lidad para un mango de expor-
tación. En otras palabras, la red
neuronal lo reconoce como un
mango defectuoso o no exporta-
ble.
• Y=0.813 quiere decir que el ter-
cer mango tiene un 81.3 % de
las exigencias de calidad para
un mango de exportación. En
otras palabras, la red neuronal
lo reconoce como un mango ex-
portable.
• Así mismo, apreciando los va-
lores redondeados, podemos
armar que el 1 signica que el
mango respectivo ha sido reco-
nocido por nuestra la red neuro-
nal como un mango exportable
y el 0 signica el mango ha sido
reconocido como no exportable.
5. CONCLUSIONES
En el presente artículo, hemos pre-
sentado un modelo simple de visión
articial, el cual puede ser aplicado a
otros campos, tales como la medicina,
biología u otros.
Este resultado no pudo haber sido
posible sin un software que nos per-
mita el procesamiento de imágenes, el
mismo que nos ha permitido obtener
los bordes de las imágenes de cada
mango.
REFERENCIAS BIBLIOGRÁFICAS
Spalton, J. Hitchings, Roger A, Hunter, Paul (2006). “Atlas de oftalmología
clínica”, Elsevier España
Hilera, J. R. (1995). “Redes Neuronales Articiales. Fundamentos Modelos y
Aplicaciones”, RA-MA.
Norgaard, M. (2000). “Neural Networks for Modelling and Control of Dynamic
Systems”, Spinger-Verlag L. Limited (2000).
Fausett, Laurene (1993). “Fundamentals of Neural Networks: Architectures,
Algorithms And Applications”, Prentice Hall.
Ripley, Brian D. (2008). “Pattern Recognition and Neural Networks”, Cam-
brige University Press.
Bishop, Christopher M. (2007). “Pattern Recognition and Machine Learning”,
Springer.
Theodoridis, Sergios, Koutroumbas, Konstantinos (2006). “Pattern Recogni-
tion”, Academic Press.
