Aplicación de una Red Neuronal Artificial para determinar el Nivel de Frescura de un Pescado mediante Procesamiento de Imagen

1

Aplicación de una Red Neuronal Artificial para determinar el Nivel de Frescura de un Pescado mediante Procesamiento de Imagen R. Jamet, M. Pereira, J. Rabanal, A. Yáñez, Departamento de Ingeniería Eléctrica, Universidad de Antofagasta.

Resumen– Este artículo describe el diseño de un sistema computarizado capaz de determinar el nivel de frescura de un pescado. La estimación visual de dicho estado es realizada diariamente por expertos, que con su experiencia logran obtener un aprendizaje importante para detectar el estado del espécimen. Este proceso ha sido automatizado por medio de la aplicación de una red neuronal artificial que estima el nivel de frescura del pescado. El sistema satisface los requisitos impuestos por la industria pesquera para la determinación de patrones numéricos de comportamiento (criterios impuestos por la FAO en el documento técnico de pesca 348 [3]). Palabras Clave– Neural network applications, networks, image analysis, digital image processing, fish.

neural

I. INTRODUCCIÓN

E

l actual escenario mundial de la industria pesquera, caracterizado por: el estancamiento de la oferta de productos pesqueros tradicionales en el mercado internacional, la tendencia creciente de la demanda mundial, el crecimiento de las producciones de cultivo y el mejoramiento general de los precios internacionales de productos pesqueros, han hecho posible que la posición y condiciones de la oferta de la industria pesquera chilena, resulte atractiva frente al comercio pesquero mundial. Esta condición de estabilidad en las perspectivas de demanda de materias primas en la actividad pesquera chilena, tendrá que ser reforzada con la introducción de alta tecnología, con capacidad de lograr una gran diversidad de productos final, altamente competitiva, que ha de orientar sus esfuerzos hacia la generación de productos con mayor valor agregado y con capacidad para responder a las altas exigencias sanitarias impuestas por los mercados de destino. Es indispensable reforzar los procedimientos de tratamiento y conservación del pescado desde el momento de la captura hasta llegar al consumidor, dada su facilidad de alteración, debida a su estructura y elevado contenido de agua. Los factores causantes de estas alteraciones en los pescados son la acción enzimática y bacteriana y la oxidación, que descomponen los prótidos y lípidos del músculo. El reconocimiento del estado de frescura del pescado puede efectuarse acabadamente mediante técnicas de laboratorio. Sin embargo, un diagnóstico no menos certero se obtiene

examinando la piel, branquias, ojos, etc. en busca de características visuales que delaten el estado a determinar, tales como brillo y coloración. Considerando los parámetros antes mencionados es posible concluir que la detección de estos por medio del procesamiento digital de imágenes es posible, siendo el objetivo de este trabajo la obtención de la frescura del pescado mediante la aplicación de una red neural artificial sobre una imagen capturada y procesada, a través del entorno Matlab1. Las distintas condiciones y situaciones mencionadas anteriormente son abordadas en detalle en el presente estudio, en el cual, se analizan las alteraciones del pescado y su reconocimiento (cuantificación de los parámetros a analizar), Adquisición de Imágenes, Tratamiento de Imágenes en Matlab, Redes Neuronales con Matlab, Entrenamiento de la red neuronal, Discusión de Resultados y finalmente, el estudio concluye con los resultados obtenidos de la aplicación de la red neural a la determinación de la frescura del pescado.

II. ESTIMACIÓN DE CALIDAD DE UN PESCADO SEGÚN SU APARIENCIA En el área comercial de la industria pesquera, es muy importante determinar con certeza la calidad de los productos que se están vendiendo. Uno de estos productos es el pescado (llamándolo por su nombre genérico independiente del tipo de pescado, ya que el tratamiento es similar para la mayoría de los tipos). Generalmente el término "calidad" se refiere a la apariencia estética y frescura, o al grado de deterioro que ha sufrido el pescado. También puede involucrar aspectos de seguridad como: ausencia de bacterias peligrosas, parásitos o compuestos químicos. Es importante recordar que "calidad" implica algo diferente para cada persona y es un término que debe ser definido en asociación con un único tipo de producto. Por ejemplo, generalmente se piensa que la mejor calidad se encuentra en el pescado que se consume dentro de las primeras horas post mortem. Sin embargo, el pescado muy fresco que se encuentra en rigor mortis es difícil de filetear y desollar, y generalmente no resulta apropiado para ahumar. Así, para el procesador, el pescado de tiempo ligeramente mayor que ha pasado a través del proceso de rigor es más deseable.

Antofagasta, Chile. 2008.

Los métodos para la evaluación de la calidad del pescado fresco pueden ser convenientemente divididos en dos categorías: sensorial e instrumental. Dado que el consumidor es el último juez de la calidad, la mayoría de los métodos químicos o instrumentales deben ser correlacionados con la evaluación sensorial antes de ser empleados en el laboratorio. Sin embargo, los métodos sensoriales deben ser realizados científicamente; bajo condiciones cuidadosamente controladas para que los efectos del ambiente y prejuicios personales, entre otros, puedan ser reducidos [3]. Entre los métodos sensoriales se encuentra la estimación visual, la cual es calificada como indica la siguiente tabla. TABLA 1 – ESQUEMA PARA LA EVALUACIÓN DE LA CALIDAD EMPLEADO PARA IDENTIFICAR EL ÍNDICE DE CALIDAD. Brillo de la piel.

Coloración de la piel en la columna.

Manchas de sangre en el sector de las branquias.

3 Brillante resplandeciente.

3 No coloreada.

3 Ninguna.

2 Brillante.

2 Ligeramente rosa.

2 Pequeños, 1030%.

1 Casi opaca.

1 Rosa.

1 Grandes, 3050%.

0 Opaca.

0 Rojo.

0 Muy Grandes, 50-100%.

III. ADQUISICIÓN DE IMÁGENES A. Iluminación La iluminación se divide en dos categorías principales: difusa y especular. En la iluminación difusa, la luz que alcanza a un objeto se dispersa por igual en todas las direcciones, de forma que la luz reflejada no depende en absoluto de la posición del espectador. Por ejemplo, cuando el sol baña un terreno de juego, la luz llega a todas partes. La iluminación especular es distinta porque depende de la posición del espectador, la dirección de la luz y la orientación del triángulo en el que se refleja. Por ejemplo, el haz de luz de una linterna repercute de forma distinta cuando se refleja en una moneda y en una brizna de hierba. La iluminación especular reproduce las propiedades reflectantes de un objeto y permite crear efectos como reflejos y resplandores [6]. B. Pruebas de Adquisición. Las pruebas realizadas se basan en un prototipo como el que se muestra en la Figura 1, en donde se estudia el comportamiento de deterioro de un pejerrey.

FUENTE DE LUZ

DIFUSOR EJE FOCAL DE LA CAMARA

Figura 1 – Configuración de la caja e iluminación para adquisición de imágenes.

Como se observa en la Figura 1, el prototipo consta de una caja totalmente cerrada, con dos orificios en la parte superior, el primero en el centro de la caja por donde es introducida la iluminación a través de un difusor, el segundo orificio se utiliza para obtener las imágenes a través de una cámara manual, la caja se dispuso de tal manera de obtener luz difusa al interior, ya que de esta manera se obtiene mayor información respecto de la superficie del objeto (pescado). La adquisición de imágenes por medio de una cámara está asociada con diferentes parámetros (magnificación, longitud focal, profundidad de campo, etc.). En este caso los parámetros utilizados para la obtención de las imágenes fueron f-stop 2,8, tiempo exposición 1/10, Zoom de 3x y enfoque manual, que fueron constantes para la obtención de todas las imágenes. C. Acondicionamiento Una vez obtenido un espectro de imágenes, se seleccionan 16 de ellas para crear un conjunto de muestras a estudiar (patrones), consecutivas en el tiempo, es decir, mientras mayor es el número de la muestra menos fresco se encuentra el pescado, por lo cual la número 1 es más fresca que la 8. Luego, fue subdividida la matriz que contiene cada imagen creando sub-ventanas, en donde cada una de ellas corresponde al sector a examinar. Por ejemplo, para examinar sólo el área de la cola fue utilizada una ventana de un tamaño tal que con esta se crease una matriz que sólo contuviese la sección correspondiente a la cola (la ventana no varió su tamaño en ningún momento, para la misma sección). Luego de generar las matrices con las secciones cola, columna y el sector de las branquias, fue aplicado un filtro paso bajo con el objetivo de mantener el color predominante en cada una de estos sectores. Ahora existen subconjuntos de imágenes los cuales serán utilizados para obtener los parámetros de entrada de la red neuronal artificial (RNA).

IV. CUANTIFICACIÓN DE LOS PARÁMETROS Se observaron los histogramas de cada una de las secciones tratadas (cola, columna y el sector de las branquias) para cada una de las capas (R, G y B), y debido a su comportamiento en Antofagasta, Chile. 2008.

3 el tiempo se lograron apreciar tendencias que claramente podrían ser utilizadas para generar un vector de entrada a la RNA. Si se utiliza el histograma más representativo para cada plano de cada sección, entonces son ingresados (a la red neuronal) al menos 115.992 datos por cada uno (para una subventana de 354x324 pixeles), por lo cual se tiene un total de al menos 1.032.264 datos, y con la idea de acotar los datos de entrada de la RNA se opta por utilizar una medida estadística que fuese representativa de cada uno de los histogramas. Dado lo anterior, se obtienen las curtosis e índices de simetría para cada histograma de cada sección de cada una de las imágenes muestreadas en el tiempo (recuerde que a medida que incrementa la posición de la muestra, menor es el grado de frescura), como se observa en la Figura 2 y Figura 3, respectivamente.

40 35 30 25

B

20

G

15

R

10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(a)

30 25 20

600

15

500

10

400

5

B G

B

300

G 200

R

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(b)

R

100

30

0

25 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(a)

20

350

15

300

10

B G

250

R

5

200

B

150

G

100

R

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(c)

Figura 3 – Gráficos de simetrías obtenidos. (a) Simetría Cola. (b) Simetría Columna. (c) Simetría Branquias.

50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Posteriormente, se observa que es posible utilizar sólo los valores correspondientes a la curtosis de la cola, curtosis de la columna y simetría del sector de las branquias, todos estos en su plano azul; el resto de los vectores pueden ser descartados debido a que no presentan tendencias claras en el tiempo o bien varían de forma similar a las ya escogidas.

(b)

300 250 200 B

150

G 100

R

50 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

(c)

Figura 2 – Gráficos de curtosis obtenidos. (a) Curtosis Cola. (b) Curtosis Columna. (c) Curtosis Branquias.

V. RED NEURONAL La neurona artificial, célula o autómata, es un elemento que posee un estado interno, llamado nivel de activación, y recibe señales que le permiten, en su caso, cambiar de estado. Si se denomina S al conjunto de estados posibles de la neurona, S podría ser, por ejemplo, S = {0,1}, siendo 0 el estado inactivo y 1 el activo. S también puede tomar un mayor número de valores, S= {0, 1, 2, 3, •••, n} para representar, por

Antofagasta, Chile. 2008.

ejemplo, una imagen con n+1 niveles de gris, o incluso un intervalo continuo de valores, por ejemplo S= [0,1]. Las neuronas poseen una función que les permiten cambiar de nivel de activación a partir de las señales que reciben; a dicha función se le denomina función de transición de estado o función de activación. Las señales que recibe cada neurona pueden provenir del exterior o de las neuronas a las cuales está conectada. El nivel de activación de una célula depende de las entradas recibidas y de los valores sinápticos, pero no de anteriores valores de estado de activación [1]. Se probaron 3 redes neuronales artificiales, dos con 3 neuronas de entrada, 3 en la capa oculta y una en la salida; y una red con 4 neuronas de entrada, 4 en la capa oculta y una neurona de salida, todas con funciones de transferencia entre sus capas denotadas por el logaritmo sigmoidal. La salida objetivo es presentada en la Figura 4, equivalente para las tres redes, donde un nivel 3 corresponde al estado bueno, 2 para casi bueno, 1 para medio malo y un nivel 0 indica que el pescado se encuentra en mal estado.

Figura 5 – Resultado obtenido con la primera RNA (estado versus muestra).

3,5 Nivel de Frescura

3 2,5 2 1,5

Figura 6 – Resultado obtenido con la segunda RNA (estado versus muestra).

1 0,5 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Figura 4 – Resultado esperado que debe entregar la red.

A las dos primeras redes fueron ingresados los datos de curtosis de las tres secciones estudiadas (en su plano azul), realizando un entrenamiento con 600 iteraciones para la primera red y 1100 iteraciones para la segunda. A la tercera RNA se le dieron como entradas los mismos datos que a las dos primeras más la inclusión de la simetría del sector de las branquias, realizando un entrenamiento de 1600 iteraciones.

VI. DISCUSIÓN DE RESULTADOS Luego de obtenidas las tres redes neuronales artificiales ya especificadas, fue ingresado el espectro completo de muestras en cada una de ellas para obtener la respuesta de las RNA ante el conjunto completo de imágenes. Como es posible apreciar en los gráficos de los resultados obtenidos (véase Figura 5, Figura 6 y Figura 7), es evidente que las variaciones en la luminosidad de las imágenes producen salidas inesperadas.

Figura 7 – Resultado obtenido con la tercera RNA (estado versus muestra).

A partir de los resultados obtenidos, es la tercera red la cual satisfizo casi a cabalidad lo propuesto, considerando el tiempo y las condiciones de trabajo que pudieron ser brindadas durante el estudio.

VII. RECOMENDACIONES 

Debido a la influencia de los parámetros de la cámara al obtener la imagen en modo automático, se recomienda manipular una cámara con modo manual y regular los parámetros de tal forma que siempre sean constantes (apertura, enfoque, etc.).  Si bien se implementa un dispositivo para poder mantener los parámetros de iluminación y contraste con el entorno

Antofagasta, Chile. 2008.

5 fijos, no fue el óptimo, ya que, a pesar de las medidas tomadas sufría de variación. Por lo cual para posteriores investigaciones se debe tener la precaución de mantener constantes los parámetros tanto de iluminación como de posición y contraste con el fondo del objeto a estudiar. Además, se invita a trabajar en un lugar bien ventilado y se recomienda utilizar mascarillas, ya que el olor expelido debido al deterioro del pescado es totalmente desagradable y puede generar molestias durante su exposición.  Aumentar la cantidad de muestreos, acortando los tiempos de adquisición de las imágenes, esto logra un mejor seguimiento del proceso de descomposición.  Generar un algoritmo capaz de detectar automáticamente las zonas en las que se enfoca el estudio (Cola, columna y sector de las branquias).  Probar una red neuronal con una capa de salida de cuatro neuronas, cuya función de transferencia sea un escalón unitario, de tal forma que cada salida sea activada con un estado del pescado, es decir, sólo una salida para cada nivel es activada al estar en bueno, casi bueno, medio malo y mal estado.

5. Para las componentes de color que mostraron tendencias, se constató que las mayores probabilidades en sus histogramas se concentraron en un cierto rango de niveles, cuya amplitud y posición están directamente correlacionados con el estado de frescura del pescado, haciendo posible vincular dicha tendencia a la variación de dos parámetros estadísticos: curtosis e índice de simetría.

BIBLIOGRAFÍA [1]

Issasi Viñuela, P., & Galván León, I. (2003). Redes de Neuronas Artificiales Un Enfoque Práctico. Madrid: Pearson Prentice Hall. Jain, A., Mao, J., & Mohiuddin, K. (1996). Artificial neural networks: a tutorial. Neural Networks, IEEE Transactions on , 29 (3), 31 - 44. Laboratorio Tecnológico Ministerio de Pesca Dinamarca. (1999). El pescado fresco: su calidad y cambios en su calidad. H.H. Huss. Learn Artificial Neural Networks. (2007). Backpropagation Neural Network. Retrieved 2008, from Artificial Neural Networks: http://www.learnartificialneuralnetworks.com/backpropagation.html Learn Artificial Neural Networks. (2007). Perceptron & Adaline Neural Network. Retrieved 2008, from Artificial Neural Networks: http://www.learnartificialneuralnetworks.com/perceptronadaline.html NVIDIA Corporation. (n.d.). Motores de transformación e iluminación de segunda generación. Retrieved 2008, from T&L de segunda generación: http://www.nvidia.es/object/IO_20020107_6675.html Parlos, A., Chong, K., & Atiya, A. (1994). Application of the recurrent multilayer perceptron in modeling complex process dynamics. Neural Networks, IEEE Transactions on , 5 (2), 255 - 266. Tattersall, G., Foster, S., & Johnston, R. (1991). Single-layer lookup perceptrons. Radar and Signal Processing, IEE Proceedings F , 138 (1), 46 - 54. Wai, R.-J., & Lee, J.-D. (2008). Adaptive Fuzzy-Neural-Network Control for Maglev Transportation System. Neural Networks, IEEE Transactions on , 19 (1), 54 - 70.

[2] [3] [4]

[5]

[6]

VIII. CONCLUSIONES

[7]

Una vez realizado el proceso de adquisición de imágenes, procesado digital, entrenamiento de la red neuronal artificial y posterior validación de resultados con sus respectivas discusiones, es posible establecer lo siguiente.

[8]

[9]

1. Las técnicas de iluminación para adquisición de imágenes, así como los parámetros de enfoque y de la lente, incidieron directa y fuertemente sobre el resultado de las muestras obtenidas. 2. Los lineamientos teóricos y prácticos en cuanto al reconocimiento de la frescura del pescado visualmente, a través del discernimiento humano, no son en su totalidad los mismos que deben trabajarse en un procesamiento digital. Esto, ya que de acuerdo a los resultados obtenidos, el cerebro humano es capaz de captar, procesar e interpretar características visuales que para una máquina de cómputo le resulta complejo de procesar (por el tiempo de ejecución requerido) o de interpretar (por la poca claridad respecto de una función o parámetro que se vincule a una cierta característica). Lo anterior, también se da de forma inversa, es decir, las máquinas de cómputo pudieron identificar y procesar características visuales, que para la percepción de un humano no son siquiera pensables. 3. Se identifica una nueva característica no declarada para la identificación de frescura del pescado (tipo pejerrey), la pigmentación de su cola. 4. Al segmentarse por región y dividirse la imagen de cada una de las muestras, en sus componentes rojo, verde y azul, se logra obtener para al menos una de esas componentes mediante sus histogramas, una tendencia con respecto al tiempo desde su estado óptimo de frescura hasta el más pobre.

1

© 1994-2008 The MathWorks, Inc, todos los derechos reservados.

Antofagasta, Chile. 2008.