Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 46
Prototipo para la detección y clasificación de productos alimenticios
mediante visión artificial en base al color
Prototype for the detection and classification of food products using artificial vision based
on color
Lucio Orlando Villarreal Ger1
1Instituto Superior Tecnológico Vicente Fierro, lvillarreal@institutovicentefierro.edu.ec,
Tulcán, Ecuador
Autor para correspondencia: lovgycea@gmail.com
Fecha de recepción: 2023.11.24 Fecha de aceptación: 2024.01.19
Fecha de publicación: 2024.02.20
RESUMEN
El presente trabajo muestra un prototipo que aplica la visión artificial como una herramienta
útil en los procesos de manufactura que requieren clasificar sus productos, ya sea por defectos,
cumplimiento de normas, por característica como peso, contorno, color, en general para el
control de la calidad de los productos. El proyecto tiene como objetivo desarrollar un prototipo
para la detección y clasificación de productos alimenticios mediante visión artificial tomando
como referencia el color. Para el desarrollo del proyecto, al ser de tipo experimental, se procede
a escoger los componentes para el diseño del prototipo, así como la característica del objeto que
se requiere controlar, en este caso, el color; la siguiente etapa es configurar un algoritmo que
permita que el prototipo detecte la característica elegida del objeto; para este propósito, el
lenguaje de programación utilizado es Python, que se rige bajo licencia de software libre y
cuenta entre otras librería, OpenCV, una biblioteca de visión por computador de código abierto
que tiene 500 funciones y alrededor de 2500 algoritmos; en la siguiente fase se integran los
componentes del prototipo: cámara web, fuente de iluminación, computador o mini controlador,
software de procesamiento de imágenes, pantalla de visualización. Se realiza pruebas en tiempo
real para validar el prototipo, resultando en un prototipo funcional de acuerdo al objetivo
planteado. Esto permite concluir que los sistemas de detección de defectos o de control de
calidad basados en visión artificial pueden adaptarse a los procesos de manufactura, mejorando
su productividad y competitividad.
Palabras clave: Algoritmo, Control de calidad, Prototipo, Visión artificial.
ABSTRACT
This work showcases a prototype that uses artificial vision to enhance manufacturing processes
that require the classification of products. This can include detecting defects, ensuring
compliance with standards, and categorizing products based on characteristics such as weight,
contour, and color. The project aims to develop a prototype for the detection and classification
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 47
of food products using artificial vision, where color serves as a reference point. To develop the
prototype, the components for the design are chosen, and the characteristics of the object to be
controlled are identified. In this case, the chosen characteristic is color. An algorithm is then
created to enable the prototype to detect the object's feature. For this purpose, the programming
language Python is used, which is governed by a free software license and has a library called
OpenCV. OpenCV is an open-source computer vision library that contains around 2,500
algorithms and 500 functions. In the next stage, the prototype components, including a web
camera, lighting source, computer or mini controller, image processing software, and display
screen, are integrated. Real-time tests are conducted to validate the prototype, resulting in a
functional prototype that meets the stated objective. This proves that artificial vision-based
quality control systems can be adapted to manufacturing processes, leading to improved
productivity and competitiveness.
Keywords: Algorithm; Quality control; Prototype; Computer vision.
INTRODUCCIÓN
En la actualidad las industrias que fabrican productos buscan estar a la vanguardia en el uso de
tecnologías que mejoren la calidad de sus procesos y de sus productos, reducir costos y
aumentar las utilidades, una de las soluciones tecnológicas que más evolución ha tenido en los
últimos años son los sistemas de visión artificial por computadora (Icaza, 2019); en el caso de
procesos industriales por ejemplo, éstos generalmente requieren la automatización de un
sistema de visión artificial, para verificar que los productos manufacturados, frutas, vegetales
cumplan con ciertos criterios de calidad previamente establecidos, evitando los defectos de
producción, impurezas no deseadas, mala apariencia de los productos (Barriga, 2006; De la
Fuente, 2012).
La inspección visual manual es un método comúnmente utilizado para detectar defectos en los
productos, pero puede ser costoso y lento. Además, puede haber errores humanos que afecten
la precisión de la inspección (Alpízar & Fernández, 2021). Por lo tanto, el control de calidad en
los procesos de producción, es un requisito indispensable sino básico en la actualidad, Como parte
de la inteligencia artificial, la visión artificial permite mejorar el control en la calidad de los
productos de una manera rápida y precisa, además de reducir costos, en comparación con la
inspección visual.
Mediante el presente trabajo se pretende desarrollar un prototipo para la detección y clasificación
de productos alimenticios mediante visión artificial tomando como referencia el color. Se eligió
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 48
como característica a detectar el color con fines didácticos, ya que cualquier característica
dependiendo del tipo de negocio puede ser configurada para ser detectada. Lo importante es la
selección de los componentes adecuados tanto hardware como software, de manera que puedan
integrarse en un solo sistema que funcione de manera coordinada con el sistema de producción y
cuyos resultados puedan obtenerse en tiempo real.
El potencial que tiene la visión artificial para su uso en diferentes ámbitos de la industria y el
comercio, está fundamentado en la experiencia que tienen las grandes industrias y cuyos
beneficios han sido evidentes en varios aspectos, entre los más relevantes podemos citar:
Mayor precisión y velocidad que la inspección visual manual; reducción de costos: pues la
detección automática de defectos ayuda a prevenir la producción de productos defectuosos, lo
que reduce los costos de retrabajo y los costos de garantía (Alpízar y Fernández, 2021); mejora
de la eficiencia: la visión artificial permite la inspección en tiempo real y la detección rápida de
defectos, lo que mejora la eficiencia del proceso de control de calidad y ayuda a reducir el
tiempo de inactividad (Alpízar y Fernández, 2021); flexibilidad: la visión artificial puede ser
configurada para detectar una amplia gama de defectos y puede ser adaptada a diferentes tipos
de productos y procesos de manufactura (Ayo y Moreno, 2021); mejora de la calidad del
producto: la implementación del control de calidad mediante visión artificial ayuda a garantizar
que los productos fabricados cumplan con las especificaciones de diseño y los requisitos de
calidad, lo que mejora la calidad del producto y la satisfacción del cliente (Olano, 2019).
Los conocimientos que se requiere para el diseño de un sistema de control de calidad basado en
visión artificial, caen en el ámbito de la informática y electrónica, disciplinas que son parte de la
malla curricular de la carrera de Tecnología Superior en Electricidad del Instituto Superior
Tecnológico Vicente Fierro.
Para el desarrollo de este proyecto se utilizó el lenguaje de programación Python 3.10.10 el cual
incorpora librerías diseñadas para este tipo de proyectos. Según Del Pianta (2020), Python es
uno de los lenguajes de programación más populares y versátiles en la actualidad, especialmente
para proyectos de inteligencia artificial y visión por computadora, cuenta con una gran cantidad
de bibliotecas de visión por computadora como OpenCV, Scikit-image, Pillow, entre otras, que
facilitan el procesamiento de imágenes y el reconocimiento de patrones. Estas bibliotecas
permiten la detección de colores, formas y objetos en las imágenes, lo que resulta útil en un
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 49
sistema de control de calidad basado en visión artificial.
Asimismo, Python se puede integrar fácilmente con otros lenguajes de programación y
herramientas, lo que lo hace ideal para proyectos que requieren la colaboración de diferentes
equipos y tecnologías (Ayo y Moreno, 2021), en el presente trabajo, la integración con el
microprocesador Arduino, no requirió de mayor complejidad.
El prototipo diseñado, permite tener una clara comprensión del potencial de uso de la visión
artificial, en las pequeñas y medianas empresas que existen en la zona de influencia del IST
Vicente Fierro, a costos relativamente asequibles, esto debido a que en la actualidad existe una
gran variedad de aplicaciones de licencia libre que permiten integrarse con cualquier sistema de
producción o de control de procesos, de acuerdo a las necesidades del negocio.
Al diseñar un sistema de visión artificial, resulta imprescindible la realización de pruebas a fin
de calibrar los instrumentos y componentes, bajar la incertidumbre en la detección de defectos,
para garantizar el control de calidad de los productos.
El objetivo general del presente trabajo fue desarrollar un prototipo para la detección y
clasificación de productos alimenticios mediante visión artificial tomando como referencia el
color. Entre los objetivos específicos que se establecieron están: configurar el algoritmo de
detección de característica del producto, integrar los componentes del sistema de visión artificial
para la detección de características del producto y verificar la eficacia del prototipo de visión
artificial mediante la realización de pruebas.
METODOLOGÍA Y MATERIALES
Para llevar a cabo este proyecto de tipo experimental, las siguientes fases fueron necesarias:
Fase 1: elección de los componentes del sistema y del software
Según Mendoza y Salazar (2019), Para diseñar un sistema de control de calidad en un proceso de
manufactura mediante visión artificial básico, se pueden utilizar los siguientes componentes:
cámara, sistema de iluminación, computadora o microcontrolador, software de procesamiento de
imágenes, pantalla de visualización. Se describe a continuación las variables que deben
considerarse para la elección de cada uno de los componentes del sistema:
Cámara: para capturar imágenes de los productos durante el proceso de fabricación, algunas de
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 50
las características que deben considerarse al elegir una cámara para este propósito son: resolución:
la resolución de la cámara debe ser suficientemente, alta para capturar imágenes de alta calidad y
permitir la detección de defectos. Velocidad de captura: la cámara debe ser capaz de capturar
imágenes con la suficiente frecuencia para permitir el control en tiempo real del proceso de
manufactura. Sensibilidad a la luz: la sensibilidad a la luz de la cámara debe ser adecuada para la
iluminación disponible en el entorno de trabajo. Tamaño y formato de la cámara: el tamaño y
formato de la cámara deben ser compatibles con las necesidades específicas de la aplicación o el
software utilizado. Algunos tipos comunes de cámaras utilizadas para el control de calidad en
proceso de manufactura mediante visión artificial incluyen cámaras CCD (dispositivo de carga
acoplada) y cámaras CMOS (sensor de imagen complementario de metal-óxido-semiconductor).
Las cámaras de alta velocidad y las cámaras infrarrojas también pueden ser utilizadas en algunas
aplicaciones específicas (Del Pianta, 2020).
Iluminación: para mejorar la calidad y claridad de las imágenes capturadas por la cámara; una
iluminación adecuada puede mejorar la capacidad de la cámara para detectar y clasificar los
objetos según su calidad, ya que puede resaltar las características importantes de los objetos y
permitir una mejor diferenciación entre los objetos buenos y defectuosos (Del Pianta, 2020).
Existen diferentes tipos de iluminación, como la iluminación de luz difusa, la iluminación de luz
directa, la iluminación de luz polarizada y la iluminación de luz infrarroja. Cada tipo de
iluminación tiene sus propias ventajas y desventajas, y debe ser seleccionado de acuerdo con las
necesidades específicas de la aplicación y las características de los objetos a inspeccionar (Del
Pianta, 2020). En general, es proporcionar una iluminación uniforme y controlada, que permita
obtener imágenes de alta calidad y precisión para la inspección y clasificación de objetos en la
línea de producción. Computadora o microcontrolador: para procesar las imágenes capturadas y
llevar a cabo los algoritmos de visión artificial necesarios para detectar defectos y clasificar los
productos., la elección del tipo de computadora o microcontrolador depende del alcance y
complejidad de la aplicación de control de calidad: para aplicaciones de visión artificial más
sencillas, como el control de calidad de piezas pequeñas y la clasificación de productos según su
forma o color, se pueden utilizar microcontroladores de bajo costo como el Arduino o el
Raspberry Pi, que son fáciles de programar y pueden realizar tareas de procesamiento de
imágenes en tiempo real (Del Pianta, 2020). Para aplicaciones más complejas que involucran un
mayor procesamiento de imágenes y análisis de datos, se pueden utilizar computadoras con una
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 51
mayor capacidad de procesamiento y memoria, como las PC industriales o las computadoras
embebidas. Estas computadoras son capaces de manejar grandes cantidades de datos en tiempo
real y realizar análisis de imágenes más complejos. Es importante seleccionar el tipo de hardware
adecuado para garantizar un rendimiento óptimo y una precisión en la inspección y clasificación
de los objetos (Mendoza y Salazar, 2019).
Software: Para procesar las imágenes y llevar a cabo las operaciones de segmentación, detección
de bordes y clasificación, el software que permite enlazar y ejecutar la programación del sistema,
debe considerar lo siguiente: procesamiento de imágenes: se utiliza para capturar imágenes de los
productos en el proceso de fabricación y procesarlas para detectar defectos o variaciones. Análisis
de imagen: se utiliza para analizar y medir características específicas de los productos, como
dimensiones, forma, color, textura y patrones. Reconocimiento de patrones: se utiliza para
detectar patrones y anomalías en las imágenes de los productos y en los datos de producción.
Aprendizaje automático: se utiliza para entrenar a los sistemas de visión artificial en la detección
de defectos y en la toma de decisiones basadas en los datos de producción (Del Pianta, 2020). En
general, la combinación de estos diferentes tipos de software permite el control de calidad en el
proceso de manufactura, de manera más eficiente y precisa y por lo tanto la satisfacción del
cliente. Hay algunos softwares de visión artificial gratuitos que se pueden utilizar, aunque su
funcionalidad y capacidades pueden ser más limitadas que las de las soluciones comerciales.
Algunos ejemplos son: OpenCV: es una biblioteca de código abierto que se utiliza para el
procesamiento de imágenes y la visión artificial en una amplia variedad de aplicaciones (De la
Torre, 2022). Si bien no está diseñada específicamente para el control de calidad en la
manufactura, se puede utilizar para desarrollar algoritmos de detección de defectos y análisis de
imágenes (Ayo y Moreno, 2021). ImageJ: es un programa gratuito y de código abierto para el
procesamiento y análisis de imágenes, que se utiliza en una amplia variedad de aplicaciones de
investigación científica y médica. También se puede utilizar para el análisis de imágenes en el
control de calidad en la manufactura (Del Pianta, 2020). VVVV: es una herramienta de
programación visual gratuita y de código abierto que se utiliza para el desarrollo de aplicaciones
de visión artificial y multimedia. Puede ser utilizado para desarrollar sistemas de control de
calidad en la manufactura mediante la integración de cámaras y algoritmos de procesamiento de
imágenes (Del Pianta, 2020). Processing: es un software de programación gráfica utilizado para
el desarrollo de aplicaciones creativas, educativas y científicas. Processing se puede utilizar con
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 52
Arduino para desarrollar soluciones de visión artificial para el control de calidad (Ayo y Moreno,
2021).
Pantalla de visualización: para mostrar los resultados del proceso de inspección y control de
calidad. La pantalla de visualización en el proceso de inspección y control de calidad es un
componente importante que se utiliza para mostrar los resultados del proceso de inspección y
control de calidad. Es una pantalla de visualización en tiempo real que muestra las imágenes
capturadas por el sistema de visión artificial y los resultados de análisis de imágenes, permitiendo
a los operadores y técnicos ver los resultados del proceso de inspección de manera clara y fácil
de interpretar (Del Pianta, 2020), la pantalla de visualización puede mostrar una variedad de
información, incluyendo imágenes en tiempo real de los productos en proceso de fabricación, los
resultados de análisis de imágenes, los datos de calidad y cualquier otro tipo de información
relevante para el control de calidad en el proceso de manufactura (Mendoza y Salazar, 2019). La
pantalla de visualización puede ser una parte importante de un sistema de visión artificial más
amplio, que puede incluir hardware de captura de imágenes, software de procesamiento de
imágenes y algoritmos de análisis de imágenes. En general, una pantalla de visualización efectiva
debe ser fácil de usar, precisa y clara, permitiendo a los operadores y técnicos tomar decisiones
informadas sobre el proceso de fabricación y el control de calidad (Ayo y Moreno, 2021).
Fase 2: Desarrollo del código de programación mediante PYTHON
Código de programación en Python
import cv2
import serial
# Configurar la conexión con el Arduino
arduino = serial.Serial('COM4', 9600)
# Configurar la cámara web
cap = cv2.VideoCapture(1)
# Definir los rangos de color que se van a detectar (en este caso, verde)
lower_green = (36, 25, 25)
upper_green = (70, 255, 255)
while True:
# Capturar un fotograma de la cámara
ret, frame = cap.read()
# Redimensionar el fotograma para que sea más fácil de procesar
frame = cv2.resize(frame, (640, 480))
# Convertir el fotograma a espacio de color HSV
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
# Aplicar un filtro para detectar los colores en el rango especificado
mask = cv2.inRange(hsv, lower_green, upper_green)
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 53
# Calcular el área del objeto detectado
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE,
cv2.CHAIN_APPROX_SIMPLE)
# Si se detecta un objeto con un área mayor que 1000 píxeles, encender la luz verde del
Arduino
# Si no se detecta ningún objeto o se detecta un objeto que no es de color verde, encender la
luz roja del Arduino
is_green = False
for cnt in contours:
area = cv2.contourArea(cnt)
if area > 1000:
is_green = True
if is_green:
arduino.write(b'1')
else:
arduino.write(b'2')
# Mostrar el fotograma con el resultado del filtro
cv2.imshow('frame_proyecto calidad ISTV', mask)
cv2.imshow("camara usb_proyecto calidad ISTV",frame)
# Salir del bucle si se presiona la tecla 'q'
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# Liberar la cámara y cerrar la ventana
cap.release()
cv2.destroyAllWindows()
Fase 3: Desarrollo del código de programación en Arduino e integración con Python
Código de programación en ARDUINO
// Definir los pines de la luz azul y la luz roja
int blueLed = 9;
int redLed = 10;
void setup() {
// Configurar los pines como salidas
pinMode(blueLed, OUTPUT);
pinMode(redLed, OUTPUT);
// Configurar la comunicación serial a 9600 baudios
Serial.begin(9600);
}
void loop() {
// Leer los comandos desde la comunicación serial
if (Serial.available() > 0) {
int command = Serial.read();
// Encender la luz azul si el comando es '1'
if (command == '1') {
digitalWrite(blueLed, HIGH);
digitalWrite(redLed, LOW);
}
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 54
// Encender la luz roja si el comando es '2'
else if (command == '2') {
digitalWrite(blueLed, LOW);
digitalWrite(redLed, HIGH);
}
}
Fase 4: Desarrollo de un prototipo basado en visión artificial y microcontroladores.
Una vez que se completa la programación del sistema, se procedió a desarrollar el prototipo de
visión artificial utilizando los componentes descritos, una cámara USB 2mpx, un
microprocesador Arduino, una protoboard, un computador y para las pruebas: manzanas de
diferentes colores. El objetivo era que el software de visión artificial capturara la imagen, la
analizara y enviara una señal al microprocesador para ejecutar un proceso, en este caso, encender
dos diodos emisores de luz de color rojo y verde.
Cuando se detecta una manzana de color verde, el sistema de visión artificial, basado en
programación Python y la librería Open_cv, envía una señal al microprocesador a través del
puerto serial con una velocidad de transmisión de 9600 baudios para encender el diodo verde. En
caso contrario, si no hay objeto o la manzana es de otro color, se enciende el diodo de color rojo.
Además, se proporciona una señal de visión en la CPU para el operador, tanto en fotograma como
en la imagen real.
Se procedió a implementar un circuito básico de control mediante, el microcontrolador Arduino,
el mismo que ejecuta el proceso de control, en este caso encendido de dos salidas. El proceso es
totalmente automático y se puede salir del aplicativo utilizando la letra "q" del teclado. Este
prototipo puede ser útil para la evaluación de una amplia variedad de alimentos, desde frutas y
verduras hasta carnes y productos lácteos. Además, su diseño modular permite su adaptación a
diferentes necesidades y requisitos específicos de cada tipo de alimento. En resumen, un prototipo
de control de calidad basado en visión artificial y microcontroladores puede ser una herramienta
valiosa para garantizar la calidad y la seguridad de los alimentos. Su capacidad para detectar
automáticamente el color del alimento y tomar decisiones en tiempo real puede ahorrar tiempo y
reducir el riesgo de error humano en el proceso de control de calidad.
Materiales
Los materiales usados se presentan en la siguiente tabla:
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 55
Tabla 1. Componentes del sistema.
Nombre del componente
Código
Microprocesador
CPU CORE I5 ENVIDIA 8MB 11GN
ATmega 328P
CPU –I5
Cámara CMOS 1080p
CAM WEB -USB
LUCES LED
FUENTE DE VOLTAJE 2AMP
LED 5V RGB
F-2AMP-ENFORC
Módulo relé de 5 voltios
SRD-05VDC-SL-C
Tabla 2. Materiales utilizados en el proyecto.
Cantidad
Material (dispositivo)
1
Tarjeta arduino uno
1
1
1
1
Módulo relé SRD-05VDC-SL-C
Cámara WEB-USB 2MPX
Tcrt5000
Fuente de voltaje 2 AMP
CPU core I5 para ejecución de software
1
Cable UTP
1
Cinta aislante
RESULTADOS Y DISCUSIÓN
Al ser un trabajo de tipo experimental, los resultados obtenidos podemos dividirlos en tres partes,
esto debido a que en una primera fase se procede a la instalación del programa Python y al diseño
del algoritmo correspondiente en este programa, se realizan las corridas correspondientes, hasta
tener el código de programación de acuerdo a lo requerido. La ejecución de este código puede
observarse en la figura No.1. En una segunda fase se desarrolla el código de programación en
Arduino y su integración con Python, una vez realizadas las corridas correspondientes, y los
ajustes necesarios, se tiene la ejecución de este código como puede observarse en la figura No.2.
En una tercera fase se integran los diferentes componentes tanto hardware como software y se
realizan las pruebas correspondientes cuyos resultados se detallan en la tabla No.1
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 56
Figura 1. Programa ejecutado en Python
Figura 2. Programa ejecutado en Arduino.
Tabla 3. Pruebas realizadas al prototipo desarrollado.
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 57
No.
Descripción
Resultado
Observación
1
Funcionalidad
programa Python
Se ejecuta a satisfacción
Python 3.10.10
2
Instalación librerías
Pyserial y Open CV
Instaladas
Las librerías permiten
realizar la integración del
sistema con los periféricos.
3
Establecer
comunicación entre
Python y Arduino
Se realiza el RUN en Python
y se establece comunicación
a 9600 baudios.
Puerto configurado COM4
4
Establecer
comunicación con la
cámara WEB
El sistema se comunica con
la cámara WEB
La cámara WEB utilizada
para la visión artificial
5
Ejecución del sistema
total
El programa reconoce los
alimentos de color verde en
este caso manzanas
Se configuró para que el
sistema reconozca alimentos
de color verde
6
Ejecución del sistema
total.
El programa reconoce otros
alimentos de otros colores
Cuando los alimentos
detectados son de otro color,
se enciende una luz roja.
Se escogió como característica a detectar del producto (manzana), el color, si es verde el sistema
enciende una luz verde, caso contrario una luz roja; al tener un resultado positivo con esta
característica, se puede inferir que se puede configurar el sistema para cualquier otra característica
o defecto que se desee controlar. Los componentes del sistema de visión artificial, deben tener
ciertas características que permitan integrarse entre sí y con otros sistemas, en el presente trabajo,
se eligió el programa Python y Open CV que son software de licencia libre y como
microcontrolador el Arduino, que ofrecen gran versatilidad a la hora de configurar un sistema.
Los resultados obtenidos con el prototipo, permiten visualizar un gran campo de aplicación de la
visión artificial en las pequeñas y medianas empresas, que requieran optimizar su producción o
mejorar la calidad de sus productos, tal como se demuestra en el trabajo de tesis realizado por
Ramos J, sistema de visión artificial para el conteo y medición de alevinos de trucha “arco iris”
para la dirección subregional de la producción Andahuaylas.
Es necesario mencionar que, para tener el prototipo operativo, fueron necesarias varias pruebas
tanto a nivel de programación como a nivel de hardware, hasta que la configuración final
produzca los resultados deseados, estos es la detección de la característica del objeto de estudio,
esto es concordante con los resultados obtenidos por Icaza W, en su trabajo Desarrollo de un
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 58
sistema de visión artificial con LabVIEW, que permita detectar imperfecciones en las latas de
atún.
Se conoce que a nivel industrial el control de calidad de los productos es un proceso clave, que
permite la detección temprana de defectos en los productos, los resultados del presente trabajo
demuestran que es posible la aplicación de la visión artificial a pequeña y mediana escala y a
costos relativamente bajos en comparación con los de las grandes industrias. Los costos reducidos
se deben en gran parte a que existen software de licencia libre que pueden utilizarse en las
pequeñas industrias o negocios, esto puede corroborarse con los resultados obtenidos por Rosas-
Echevarría, C.W.; Solís-Bonifacio, H.; Cerna-Cueva, A.F. (2019). Sistema eficiente y de bajo
costo para la selección de granos de café: una aplicación de la visión artificial: “con respecto a
los costos, también resultan muy bajos en comparación con los ojos electrónicos, ya que los
equipos son de bajo costo y el software es de código libre (OpenCV). El presente sistema es
flexible para control de calidad con parámetros estandarizados, ya que el sistema recibe los
valores estándar que deseemos para la posterior selección”.
Figura 3. Sistema planteado como solución
CONCLUSIONES
El prototipo desarrollado cumple con el objetivo planteado, esto es la detección de una
característica de un producto, en este caso el color, demostrando así que los sistemas de control
de calidad que involucran visión artificial, para la detección de defectos o alguna característica
de un producto, son precisos y eficaces.
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 59
Se configura el algoritmo de detección del color en el programa Python, y librería Opencv de
acuerdo a lo planificado. La selección y configuración del algoritmo en función de las
características del producto es la clave en el desarrollo de un sistema automatizado de visión
artificial, para garantizar la detección de defectos o característica del producto.
La integración de los componentes una vez desarrollados los algoritmos en Python y en el
Arduino, cumple con el objetivo planteado, demostrando que el sistema de visión artificial
funciona, este puede integrarse al proceso de fabricación, para la detección automática de defectos
o características de los productos, esta integración puede hacerse también a otros sistemas de
control de procesos para garantizar la calidad de los productos.
La optimización del sistema de visión artificial es crucial para una detección precisa de defectos,
esto se lo realiza ajustando ya sea la configuración del sistema, así como la elección de los
componentes más adecuados, en cuanto a iluminación o cámaras, por ejemplo.
La realización de pruebas con un prototipo de un sistema de visión artificial es necesario antes de
implementar en un proceso de fabricación y/o producción, a fin de ajustar las variables requeridas
dentro del rango deseado, asimismo para determinar costos.
Figura 4. Prototipo completo funcionando, control de calidad basado en el parámetro color (verde).
Prototipo funcionando de acuerdo a los objetivos planteados. Al pasar la manzana verde por la
cámara web, una luz indicadora de color verde se enciende.
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 60
Figura 5. Prototipo completo funcionando: con producto de diferente color.
Prototipo con todos los elementos funcionando, en el presente estudio la acción del controlador
es la emisión de una señal luminosa, pero puede configurarse para que se realice otras acciones
como, por ejemplo: activación de brazos robóticos, apertura de puertas para productos de desecho,
activación de alarmas sonoras, etc.
REFERENCIAS
Alpízar, J., & Fernández, M. (2021). Caracterización morfológica de un lecho de recubrimiento
de tabletas farmacéuticas mediante un algoritmo de visión artificial. Tecnología en
Marcha, 34(3), 51-60. doi: https://doi.org/10.18845/tm.v34i3.5032
Ayo, W., & Moreno, H. (2021). Desarrollo de un sistema de inspección automático de PCB’S
mediante visión artificial. [tesis de pregrado, Universidad Politécnica Salesiana].
Obtenido de https://dspace.ups.edu.ec/bitstream/123456789/20029/1/UPS%20-
%20TTS345.pdf
Del Pianta, L. (2020). Diseño e implementación de un sistema de control de calidad mediante
visión por computador. [tesis de pregrado, Universidad Politécnica de Valencia].
Obtenido de https://riunet.upv.es/bitstream/handle/10251/149784/Pianta%20-
%20Dise%C3%B1o%20e%20implementaci%C3%B3n%20de%20un%20sistema%20
de%20control%20de%20calidad%20mediante%20vision%20por%20computador.pdf?
sequence=1
López, F. (2019). Clasificación de imágenes usando redesneuronales convolucionales. [tesis de
maestría, Universidad Autónoma Metropolitana Azcapotzalco]. Obtenido de
http://hdl.handle.net/11191/6123
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 61
Mendoza, D., & Salazar, J. (2019). Sistema de clasificación y control de calidad en un proceso
de producción industrial usando visión artificial. [tesis de maestría, Universidad Técnica
de Ambato]. Obtenido de https://repositorio.uta.edu.ec/jspui/handle/123456789/29175
Merino, Y. (2021). Visión artificial para el control de calidad de un retrovisor. [tesis de
pregrado, Universidad Central de Catalunya]. Obtenido de
http://hdl.handle.net/10854/7003
Olano, W. (2019). Clasificación no destructiva de frutas utilizando inteligencia artificial:
Revisión Bibliográfica. [tesis de pregrado, Universidad señor de Sipán]. Obtenido de
https://repositorio.uss.edu.pe/bitstream/handle/20.500.12802/6215/Olano%20Chavez
%20Wilfredo%20Cristobal.pdf?sequence=1&isAllowed=y
Sedeño, J. (2021). Implementación de un prototipo con sistema de visión artificial para el
procesamiento de imágenes que permita mejorar la productividad en el proceso de corte
por plasma. [Tesis de pregrado, Escuela Superior Politécnica de Chimborazo]. Obtenido
de http://dspace.espoch.edu.ec/handle/123456789/15856.
De La Torre, S. (2022). Sistema de clasificación de huevos mediante un algoritmo de visión
artificial. [Tesis de pregrado, Universidad Técnica del Norte]. Obtenido del
repositorio.utn.edu.ec
López, R. & Icaza, W. (2019). Desarrollo de un sistema de visión artificial con Labview, que
permita detectar imperfecciones en las latas de atún. [Tesis de pregrado, Universidad
Estatal de Milagro]. Obtenido de:
http://repositorio.unemi.edu.ec/xmlui/handle/123456789/4921
Ana Gonzáles Marcos…[et al.] (2006). Técnicas y algoritmos básicos de visión artificial.
[Material didáctico. Ingenierías. Universidad de la Rioja]. Obtenido de:
https://investigacion.unirioja.es/documentos/5c13b22ac8914b6ed3778a6a
Ramos, J. (2018). Sistema de visión artificial para el conteo y medición de alevinos de trucha
“arco iris” para la dirección subregional de la producción Andahuaylas. [Tesis de
pregrado, Universidad Nacional José María Arguedas]. Obtenido de:
https://hdl.handle.net/20.500.14168/431
Rosas-Echevarría, C.W.; Solís-Bonifacio, H.; Cerna-Cueva, A.F. (2019). Sistema eficiente y
de bajo costo para la selección de granos de café: una aplicación de la visión artificial.
Scientia Agropecuaria 10(3): 347 – 351. Obtenido de:
http://dx.doi.org/10.17268/sci.agropecu.2019.03.04
Revista Conectividad
Febrero 2024 ISSN:2806-5875
pp. 46-62 Correo: revista@ister.edu.ec
Volumen 5, Número 2
Revista Semestral del Instituto Tecnológico Universitario Rumiñahui 62
.…
