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 200 g (aproximadamente 5.000 granos) puede tardar de 30 a 40 minutos, resulta en un proceso lento y propenso a errores.

Figura 1: Ejemplos de componentes captadas por una cámara CCD muestran la gran variabilidad de los objetos de tamaño, forma y color.

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.

Figura 2: 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 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.

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 semillas.

Figura 3: Prototipo de diseño conceptual de un sistema autónomo, diseñado por Design:lab-Weimar.

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.