Los dátiles son parte importante de la dieta mediterránea. Están disponibles en diversas variedades, pero la más conocida es la Madjoul. Los dátiles crecen predominantemente en el oriente medio, donde son procesados y consumidos.

Como en todas las frutas, existen algunas características, como el tamaño, peso, color, y daños en el exterior o en el interior de la misma, que determinan la calidad del producto y el precio. Junto con el tamaño y el peso, el color y la superficie juegan un papel importante. No es inusual que la piel se separe de la fruta, dependiendo de la humedad combinada con el contenido de azúcar, lo que hace que se formen ampollas en la superficie de los dátiles. Estas ampollas tienen un efecto no sólo en el sabor, sino también en la estética, razones que contribuyen en la disminución de su valor.

Dos empresas Israelís, Com-N-Sense y Lugo Engineering, han desarrollado en conjunto un sistema automatizado de inspección y selección individual de dátiles utilizando un sistema de visión artificial.

Primer desafío previo a la inspección: alimentar el sistema.

“Los dátiles no son fáciles de trabajar” comenta Lirian Shahar, director de Com-N-Sense. “En comparación con  otros frutos, son pequeños, y aun así tienen significantes diferencias de tamaño entre ellos. Además, son pegajosos y después de recogidos, a menudo se quedan pegados entre sí.” Antes de ser inspeccionados deben entrar en el sistema de una forma manejable.

Para separar los dátiles que se quedan pegados entre sí, Com-N-Sense y Lugo han desarrollado un proceso innovador. Los frutos son colocados en un alimentador vibratorio con ranuras en formato de “V”. La vibración separa los dátiles pegados y se alinean entre sí en los surcos.

Tras separarlos, son enviados a cuatro cintas transportadoras paralelas donde cada una es capaz de inspeccionar 6 dátiles por segundo, llegando a un total de 24 dátiles por segundo con el sistema completo.

Un sistema de visión captura 1440 piezas por minuto

Cada cinta pasa a través de la estación de inspección, formada por un sensor de trigger, una cámara industrial y una iluminación. Cuatro cámaras Prosilica GC1290C de Allied Vision Technologies están posicionadas sobre cada una de las cuatro cintas transportadoras. Cada cámara está conectada a una iluminación LED tipo dome de 10cm de diámetro. Tanto la cámara como la iluminación son activadas a través de un sensor por donde pasan los frutos.

La cámara Prosilica GC1290C tiene una interfaz GigE Vision y es especialmente compacta y robusta. La cámara está equipada con un sensor color de alta sensibilidad de Sony (ICX445) y es capaz de hacer hasta 32 imágenes por segundo a máxima resolución (1280×960 píxeles)

Las imágenes capturadas de los dátiles, son enviadas a un ordenador, donde se analiza el formato, cantidad y tamaño de las ampollas. Tras este análisis, los dátiles se clasifican en distintos contenedores utilizando un sistema de aire comprimido.

Nivel de humedad

El nivel de humedad también puede ser medido. Durante la inspección visual cada dátil es también pesado. El software, utilizando la imagen de la captura determina el volumen y lo compara con el peso, determinando así el nivel de humedad de cada fruto.

La mayoría de frutas, tales como manzanas, naranjas o tomates, no están estandarizados: cada uno es diferente del otro en la forma, madurez, aspecto visual, peso, manchas o marcas, etc. Cuanto más exacta sea la inspección de estas características, mejor será la manera de comercializarlas. Desde el mercado gourmet a la industria de transformación, las exigencias de calidad son diferentes y por tanto también los precios. Por esta razón, la clasificación es tan importante, ya que garantiza que las frutas y verduras no se vendan por debajo de su valor para el cliente equivocado.

Durante muchos años, Allied Vision Technologies ha estado trabajando en todo el mundo con los principales proveedores de equipos de clasificación de productos. Cada pieza individual se mide y se analiza en este tipo de sistemas y luego se clasifica en la categoría correspondiente. Con las cámaras digitales de alto rendimiento y software de imágenes, muchas de las características pueden ser inspeccionados en una fracción de segundo – el tamaño, forma, color, presencia de ramas y hojas, marcas, manchas,  etc – y se asignan a la categoría correspondiente. El uso de espejos posicionados correctamente permite que una sola cámara pueda capturar una imagen 360˚ de una manzana, proporcionando la inspección integral. Con las cámaras de infrarrojos, incluso detalles que no son visibles a simple vista se pueden detectar, como el contenido de agua o concentración de la fruta, proporcionando información sobre el grado de madurez y hasta golpes invisibles a una cámara convencional.

INFAIMON acaba de lanzar un nuevo catálogo de novedades en sistemas de análisis de imagen para entornos de laboratorio e investigación en el que se presentan las últimas novedades.

Además de los productos, en este nuevo catálogo se han incluido ejemplos de APLICACIONES CIENTÍFICAS de reflectologia IR en el Guernica de Picasso, estudio de explotaciones agrícolas mediante imagen hiperespectral, cámaras de alta resolución en UAV y Visión Hiperespectral para la industria de tuberculos.

Descarguese aquí el PDF

Aprovechar todo el potencial de las nuevas tecnologías para mejorar la calidad, productividad y competitividad de los vinos valencianos. Este es el objetivo de un proyecto llevado a cabo por investigadores del Grupo de Mecanización y Tecnología Agraria de la Universitat Politècnica de València.

Bajo la dirección del profesor Francisco Rovira, los investigadores de la Universidad Politecnica de Valencia (UPV) han desarrollado un sistema dotado con sensores GPS y tecnologías de visión artificial que permite crear mapas para cuantificar variaciones en el vigor vegetativo de las viñas. A través de estos mapas se puede conseguir información clave acerca del estado del viñedo al existir una correlación entre el vigor y variables como el grado de maduración, rendimiento productivo, necesidades hídricas, uniformidad de la cosecha, etc. Además, en un futuro, esta innovación podría ayudar también a la detección precoz de infestaciones por enfermedades y plagas.

Los investigadores de la UPV han instalado este sistema en un tractor agrícola robotizado, con el que vienen trabajando desde el año 2006 y que incluía ya distintas tecnologías aplicadas como un sistema de posicionamiento global, una cámara estereoscópica para percepción local en 3D, y sensores de medida de ángulo para ambas ruedas directrices.

Con este proyecto, se ha incorporado al tractor una cámara de visión artificial JAI CM-140GE,  centrada en el infrarrojo cercano y equipado con diferentes lentes para el muestreo intensivo y extensivo de las parcelas, así como ordenadores mejor adaptados a las condiciones de trabajo en campo. Además, los investigadores de la UPV han desarrollado el software y algoritmo que confiere “inteligencia artificial” al tractor. Según apunta Rovira, con estos nuevos equipos pretenden mejorar la percepción sensorial del tractor, para incrementar la productividad de las explotaciones y la eficiencia en su manejo.

“El hecho de que el sector vinícola sea altamente competitivo y genere productos con gran valor añadido lo convierte en el candidato perfecto para la transferencia de las nuevas tecnologías recientemente investigadas en el ámbito agrario. Otro punto a favor de esta incorporación son las dificultades encontradas a la hora de conseguir un vino de calidad, como por ejemplo el crecimiento desigual de las viñas, la falta de uniformidad en producción y madurez, o la gestión de los recursos hídricos. Las nuevas tecnologías robóticas y agrícolas aportan precisión y proveen al productor de potentes herramientas para afrontar tales retos. Así, nuestro objetivo es dotar a un vehículo robotizado de un complejo nivel de percepción sensorial que permita mejorar la eficiencia en el manejo y gestión de las explotaciones vinícolas”, explica Francisco Rovira.

Los investigadores de la UPV han evaluado la tecnología desarrollada en la zona vinícola de Utiel-Requena, en concreto en parcelas de Bodegas Finca Ardal, y Turís (Valencia)

Cómo se generan los mapas de las viñas

Para la generación de los mapas de vigor, el tractor toma imágenes con la cámara sensible al infrarrojo, resaltando la vegetación y ayudando al algoritmo a separarla del resto para su cuantificación. “De esta manera se estima la cantidad de vegetación a la vez que se le asigna una referencia geográfica. Al tener referencias globales podemos llevar nuestras medidas de vegetación a un mapa que el agricultor puede utilizar para su planificación y como herramienta predictiva de las futuras labores”, explica Verónica Sáiz, investigadora del Grupo de Mecanización y Tecnología Agraria de la UPV.

Después de la cosecha, un sistema de visión de alta velocidad determina la calidad y el precio del trigo.

Después de cosechar el trigo, se  almacena antes de  llevarlo a los molinos de harina. Para determinar el precio del trigo, se analizan algunas muestras  para medir sus propiedades de cocción, así como la presencia de substancias tóxicas u hongos y se comparan con la variedad  estándar.

Actualmente existen diversos métodos para medir las características del trigo, tales como el nivel de gluten y su humedad, características que influyen directamente en la cocción. Estos procedimientos sirven también para determinar la presencia de substancias toxicas producidas por la presencia de hongos. Sin embargo, el método estándar de análisis de los componentes de una muestra de trigo se realiza por especialistas de laboratorio que clasifican el trigo en diferentes clases.

Para lograr esta clasificación, primero se tamiza la muestra  para separar las partículas demasiado pequeñas y grandes, para posteriormente  realizar el análisis del sobrante. Dado que el análisis de una muestra de 200g (aproximadamente 5.000 granos) puede tardar de 30 a 40 minutos, resulta en un proceso lento y propenso a errores.

Inspección automatizada

Para superar ese desafío, los ingenieros de la Facultad de Ingeniería Industrial de la Universidad Técnica de Ilmenau han desarrollado un sistema de visión artificial que analiza automáticamente  mientras se extiende de manera significativa el tamaño de la muestra y la obtención de resultados más rápidos e más fiables.

Esto se lleva a cabo, analizando  el trigo  en un primero tamizado que determina la cantidad de granos gordos, enteros, y otros materiales externos como semillas de otras plantas y piedras (conocidas como Besatz). Finalmente por el criterio “aceptado/rechazado”, se determina automáticamente su precio.

Contando el número de objetos pertenecientes a diferentes clases como granos perfectos, rotos, arrugados, semillas de otras plantas y paja, y combinando estos datos y separando en categorías como granos perfectos, granos defectuosos y rocas el problema es menos complejo de resolver y se puede reducir el margen de error.

El Análisis de imágenes se realiza mediante algoritmos que utilizan diferentes colores, texturas y características de formas, como parámetros de entrada. Ejemplos de componentes captadas por una cámara CCD muestran la gran variabilidad de los objetos de tamaño, forma y color (ver fig. 1). Dado que la variedad es tan grande, se necesita una muestra  de datos  de un gran número de objetos representativos por clase y se debe utilizar un potente clasificador de objetos con gran capacidad de generalización.

Para analizar rápidamente las muestras de trigo, se colocan las muestras en un depósito, que las lleva mediante  una cinta transportadora hasta la unidad de separación, antes de ser analizadas por el sistema de visión. Los granos caen desde la cinta, donde son capturadas imágenes  utilizando una cámara lineal 3CCD CV-L107CL color del fabricante JAI, con interfaz CameraLink y una óptica macro Carl Zeiss. Para iluminar el trigo que cae delante del campo de visión de la cámara, se utilizan  tres iluminaciones  LED lineales (fig.2)

Adicionalmente una segunda cámara lineal de 3CCD se utiliza en la posición opuesta a la primera cámara, para verificar el lado opuesto de la muestra de trigo. Después de capturado y clasificado, las clases especificas se subdividen  con un seleccionador neumático para el pesaje. De este modo todo el manejo y separación del trigo es automático.

Clasificación por imagen

Una vez capturadas las imágenes, se transfieren a un  PC donde se clasifican las muestras. En primer lugar se realiza una segmentación de imagen para separar  los objetos del fondo. Posteriormente, se utiliza una herramienta de extracción para determinar algunas características particulares de cada objeto.

Combinando las características de color, forma y textura se obtiene un vector de 198 características para cada objeto. Tanto la segmentación de imágenes, como la extracción de características se consiguen  utilizando el software de visión Halcon de MVTec.

Una vez extraídas las características, la clasificación de la imagen se utiliza para determinar las características de cada objeto en la muestra de trigo. Para entrenar correctamente el clasificador utilizado para analizar las muestras de trigo,  se necesita  un gran número de muestras examinadas manualmente de objetos preclasificado. Para ello, el German Grain Mills y el Instituto Max Rubner colaboraron en el análisis de muestras de los cultivos viejos y nuevos, y generaron una base de datos de objetos preclasificados.

Usando una máquina de soporte vectorial (SVM),  se obtuvo una tasa de reconocimiento total de 94% y tasas de reconocimiento individuales, que van desde 69% a 99% para  23 clases de objetos de diferentes variedades de cereales, como el trigo y el centeno, sin defectos; granos de trigo con diferentes impurezas, como el trigo partido y trigo germinado; y las impurezas diversas, como semillas de malas hierbas, piedras y otros contaminantes. Las tasas de reconocimiento que van desde 81% a 99% se lograron mediante la agregación de las 23 subclases en las correspondientes clases de trigo  sin defectos, el centeno, los granos defectuosos, y otras clases de Besatz como el trigo roto, trigo arrugado, y otras semilla.

Puesto que la velocidad de procesado del sistema es 50 g por minuto, el proceso analítico automático proporciona extensos resultados después de un corto período de tiempo; la composición de una muestra de granos analizado se puede mostrar gráficamente. Adicionalmente, se pueden determinar  el peso de la muestra total, el peso del trigo sin defectos, y las estadísticas numéricas y gráficas de la muestra analizada, almacenando los resultados obtenidos en una base de datos.

Después de que el proyecto inicial se completó con éxito un prototipo de diseño conceptual de un sistema autónomo (fig. 3) fue desarrollada por Design:lab-Weimar.
fuente: Peter Brückner, Katharina Anding, Martin Dambon, and Daniel Garten

El software de visión artificial ha evolucionado mucho en los últimos años y las últimas herramientas de visión 3D han abierto puertas para nuevas técnicas que hasta ahora no eran posibles.

La industria alimentaria y la de bebidas se han vuelto extremadamente competitivas y los consumidores esperan un alto estándar de calidad y presentación de los productos. El consumidor que compra un paquete de galletas, espera todas tengan el mismo tamaño, peso y calidad. El principal objetivo del fabricante es optimizar la fabricación y garantizar la calidad tanto del producto como del embalaje.

Uno de los líderes europeos en fabricación de galletas, solicitó a Machine Vision Technology Ltd. (Leamington Spa, UK) un sistema para automatizar el control de peso y tamaño de las galletas en el proceso de producción.

En la línea de producción, 30 filas de galletas cocidas pasan en continuo movimiento por el sistema de inspección. Cada minuto se inspeccionan 120 columnas de 30 galletas cada una, llegando a 3600 galletas por minuto.

Dos galletas son combinadas con un relleno resultando en un “sándwich” de galletas al final del proceso. El objetivo es que todas las galletas rellenas tengan el mismo tamaño y peso. Las galletas constan de dos partes, rellenas de un fondant de chocolate en el medio. El fabricante necesita medir cada lado de las galletas y verificar la cantidad de relleno que tiene que llevar para que el sándwich esté correcto. El relleno es muy caro comparado con las galletas, por eso es tan importante controlar el tamaño de las galletas para optimizar el coste.

El sistema está compuesto por tres cámaras conectadas con el software de visión artificial HALCON de MVTec, que hace el análisis de las medidas, tanto de la anchura como de la longitud, verificando si es correcto el tamaño. Una cuarta cámara montada en un sistema de triangulación láser hace la reconstrucción 3D para obtener medidas muy precisas en relación al peso.

El grupo Optima Consumer (Schwäbisch Hall, Alemania) es líder en la fabricación de sistemas de llenado de cápsulas de café y suministra a los mayores fabricantes del mundo. Para el líder italiano de tuesta de café, Optima entregó una estación de envase que incorpora un sistema de visión artificial desarrollado por Seidenader Automation (Markt Schwaben, Alemania). En el sistema de llenado de cápsulas, dos cámaras uEye GigE y cuatro uEye USB de IDS Imaging (Oberslum, Alemania) se utilizan para analizar las cápsulas antes del llenado y comprobar el sellado después del llenado. (fig.1).

Para evitar pérdidas, las cápsulas plásticas vacías son inspeccionadas, antes del llenado, para verificar deformidades y desgastes. Cualquier cápsula vacía dañada en el transporte tiene que ser detectada y separada de la línea de producción. Para ello, el sistema utiliza dos cámaras IDS UI-5220-M VGA con interfaz GigE que monitorean las cápsulas en la cinta de transporte.

Las dos cámaras son capaces de inspeccionar hasta 500 cápsulas por minuto. Seidenader Automation eligió los modelos con interfaz GigE, por la gran distancia entre el área de inspección y el PC industrial.

En menos de una décima de segundo, el software de visión artificial HALCON de MVTEC detecta las cápsulas con defecto y las retira de la cinta transportadora a través de accionadores neumáticos.

Unos soportes de metal especialmente diseñados llevan las cápsulas en columnas de ocho unidades hacia la estación de llenado, donde dependiendo del tipo de café, se puede llegar a echar  hasta 10g de polvo en las capsulas. La cantidad de café es pesado y prensado dentro de las cápsulas. Una vez se han llenado las cápsulas, se sellan para mantener el aroma del café. Para garantizar que el sellado es correcto, el sistema inspecciona si la membrana está correctamente posicionada, mediante cuatro cámaras IDS UI-1540RE-M USB monocromo, equipadas con cables atornillados y protectores de lentes (fig.2), que garantizan los estándares IP65/IP67 de protección, para que el polvo del café no entre en contacto con la cámara.

Cada cámara UI-1540RE-M inspecciona dos cápsulas simultáneamente. En apenas un segundo la imagen es capturada y procesada utilizando las librerías de visión artificial Halcon de MVTec. El resultado es la inspección de una línea de ocho cápsulas en apenas 600ms. Las cápsulas con algún tipo de defecto en el sellado se separan inmediatamente.

Aplicación de Pick and Place procesada por el software Halcon de MVTec.

Investigadores liderados por el profesor Giovunna Sansoni del laboratorio de optoelectrónica en el departamento de ingeniería de la Universidad de Brescia (Brescia, Italia) han desarrollado un robot camarero guiado por visión, capaz de servir diferentes variedades de cerveza. Encargado por Denso Europe (Weesp, Holanda) el sistema está hecho para demostrar como utilizar conjuntamente la visión artificial y los sistemas robotizados.

Los brazos del robot son dos robots industriales Denso VP-624ZG montados en un pseudo tórax donde se aloja el sistema de control. (fig.1)

El brazo izquierdo del robot lleva una pinza neumática capaz de agarrar  la cerveza y servirla  en los vasos.

La mesa delante del robot posee una cinta transportadora que puede girar 180°. Cuando el cliente pone el vaso vacío en la mesa, el robot “bartender” camarero detecta su presencia y gira la mesa para acceder al vaso, para posteriormente llenarlo y girar nuevamente la mesa para devolver el vaso lleno al cliente.

Para capturar imágenes de las botellas y los vasos, el sistema de visión utiliza dos cámaras CMOS uEye 1540-M 1280×1024 píxeles USB de IDS Imaging (Obersulm, Alemania). Una de las cámaras esta montada encima del sistema y la otra en la extremidad del brazo derecho del robot.

Las dos cámaras se conectan a un PC industrial a través del software Halcon de MVTEC (Munich, Alemania), que controla la rotación de la mesa, la elección, la apertura y servicio de la bebida a través del sistema robótico.

Después de la calibración del sistema, se captura una imagen de la mesa con la cámara superior. El sistema hace un reconocimiento del número de vasos, detectando los que deben llenarse. La cámara posicionada en el brazo derecho del robot, identifica los tipos de botellas en la estantería (fig.2) por comparación con su base de datos. Una vez identificada el tipo de cerveza, se retira la botella,  se abre y se sirve la bebida en los vasos.

A pesar del éxito del sistema es improbable que llegue a sustituir a un ser humano. El sistema fue desarrollado para demostrar la eficiencia de un sistema guiado por visión artificial.

Aplicación de Pick and Place procesada por software Halcon de MVTec.