Moisture Meter for Grasses with Digital

Processing of Thermographic images

Medidor de Humedad para Gramneas con
Procesamiento Digital de Imgenes
Termogrficas.

Ronier Francisco Conde Jimnez, ngel Ubaldo Masaco Pinta, Juan Carlos Torres Salinas
ronierconde@gmail.com angel14star@hotmail.es juank170691@yahoo.com
Ingeniera en Electrnica y Telecomunicaciones, Universidad Nacional de Loja.
Loja, Ecuador.

Summary -. The present study is based on the determination of
moisture through the digital processing of thermographic images,
using a thermal imaging camera to obtain the image of the sample
to be processed with MatLab to determine the curve moisture
characteristic vs. average of pixels a specific grass (yellow corn).

Keywords -. Pixel, humidity, average

Resumen.- El presente estudio se basa en la determinacin de la
humedad a travs del procesamiento digital de imgenes
termogrficas, utilizando una cmara trmica para obtener la
imagen de la muestra la que ser procesada con MatLab para
determinar la curva caracterstica humedad vs media de pixeles de
una gramnea especfica (maz amarillo).

Palabras clave.- Pixel, humedad, media


I. INTRODUCCIN.

a humedad es un factor fundamental en el
almacenamiento, comercializacin, y cultiv de
gramneas. Existen varios mtodos para realizar las
mediciones, estos pueden ser directos o indirectos.

Los mtodos directos son los ms precisos y complicados
de realizar se caracterizan por destruir la muestra, los mtodos
indirectos son ms vulnerables al error y rpidos de realizar,
no daan la muestra. Estos mtodos son de costo elevado y
tienen limitaciones en el rango de medida, un medidor
universal de humedad est en el rango de 8%-21% de
humedad segn la Organizacin de las Naciones Unidas para
la Agricultura y la Alimentacin, FAO (Food and Agriculture
Organization por sus siglas en Ingls).

Para realizar una expansin del rango de medicin a bajo
costo y fiable se puede utilizar procesamiento digital de
imgenes termogrficas, este puede ser un proceso rpido y
fiable. Adems ofrece otras ventajas: determinacin del
tamao, color y temperatura de las muestras, factores que son
importantes en las gramneas.

Existe una gran variedad de gramneas, sus caractersticas
son diferentes por lo que su humedad en iguales condiciones
como: temperatura, presin atmosfrica y altura sobre el nivel
del mar es diferente, al realizar un estudio de humedad de
gramneas se trata por separado a cada una. Se puede
generalizar un mtodo de tratamiento digital de imgenes el
cual nos permita encontrar la curva caracterstica humedad vs
media de pixeles de cada una de las gramneas.

Por qu medir humedad?

La humedad es uno de los factores ms importantes que
afectan a las gramneas. Gramneas secas y sanas puede ser
almacenada apropiadamente por muchos aos, en tanto, que
gramneas hmedas se pueden deteriorar en tan solo unos
cuantos das.

Es bien conocido que el tiempo de almacenamiento de
gramneas disminuye a medida que el contenido de humedad
aumenta. As como que el contenido de humedad ha tenido un
efecto determnate en el predominio y en la actividad de
insectos y hongos durante el almacenamiento.



L
II. DESARROLLO

El desarrollo del proyecto se divide en tres etapas generales
como se muestra en la figura.1. De acuerdo con el periodo del
desarrollo del proyecto (marzo-julio) y nuestra ubicacin
geogrfica el elemento de estudio elegido para este proyecto
es la gramnea de maz amarillo. Esta gramnea se cultiva en
las zonas agrcolas de la provincia de Loja.





Figura.1 Etapas generales del proyecto.
Realizado: Los autores

En la figura.2 se presenta el diagrama de flujo que es
utilizado para el procesamiento digital de imgenes
termogrficas de las muestras de gramneas.

Figura.2 Diagrama de flujo del procesamiento de la imagen.
Realizado: los autores


Adquisicin de muestras

Las muestras de la gramnea se adquirieron a travs del
Ministerio de Industrias y Productividad (MIPRO), las mismas
que fueron recolectadas en las diferentes zonas productoras de
gramnea de provincia de Loja.

El nmero de muestras adquiridas es de 50, con las
siguientes caractersticas:

Peso promedio de la muestra: 1000g

Rango de humedad de la muestra: 12%-25%

Temperatura de la muestras: 19C-22C

Figura.3 Muestras de gramnea
Realizado: Los autores

Procesamiento de muestras

El procesamiento de las muestras se subdivide de manera
general como se muestra en la figura.4.

Figura.4 Bloque de procesamiento de muestras.
Realizado: Los autores

A. Captura de imagen

La imagen de la muestra de gramnea se la obtiene a travs
de una cmara trmica modelo PCE-TC2 propiedad de la
UNL. Los factores que influyen en la obtencin de la imagen
son:
Distancia entre la muestra y la cmara, distancia
mnima permitida 50cm.
Tiempo de estabilizacin, 1minuto.
Temperatura ambiente.
Movimiento de la cmara
Captura de
imagen
Transformacin
de imagen
Proceso
estadstico
Procesamiento
digital la imagen
Adquisicin
de muestras
Procesamiento
de muestras
Resultados
obtenidos
Tomando en cuenta estos factores se construy un soporte
de base metlica para dicha cmara como se muestra en la
figura.5

El soporte base fue diseado y construido en el taller
mecnico de la de Carrera en Electromecnica de la UNL,
puede variar la distancia entre la muestra y la cmara adems
puede girar la cmara facilitando la calibracin de misma.


Figura.5 Soporte para cmara trmica
Realizado: los autores

B. Transformacin de imagen

La imagen de la muestra de gramnea obtenida a travs de
la cmara trmica se presenta en la figura.6. Esta imagen se
guarda en formato .bmp y puede ser reconocida por el
software MatLab.

En el software MatLab se recorta la imagen para utilizar
solo la parte del espectro de temperatura que proporciona la
cmara trmica, y a su vez esta parte de la imagen es
transforma a una matriz, que contiene los valores promedios
de cada uno de los pixeles en formato RGB y su rango de
valor varia de 0 a 255.


Figura.6 Imagen de gramnea (maz amarillo)
Realizada: los autores

El tamao estndar de la imagen original producida por la
cmara trmica es de 400x736 pixeles. Y el recorte que se
utiliza para el procesamiento del espectro de temperatura es de
368x368 pixeles.
C. Procesamiento digital de la imagen

Se analiza varios mtodos de procesamiento digital de
imgenes conocidos, los cuales no son viables para aplicarlos
a este proyecto, debido a que en todos los mtodos se pierden
informacin.

Despus de analizar detenidamente cada uno de los
mtodos se opt por indagar la matriz de pixeles como una
matriz de datos particulares numricos que varan entre 0 y
255. Se analiza la matriz columna por columna discriminando
simplemente los datos con valor igual a cero y restando al
nmero de datos totales. Debido a que se cuenta con una
matriz de 368x368 que nos da 135424 valores de pixeles
diferentes de la matriz, se puede graficar como se muestra en
la figura.7


Figura.7 Datos de la matriz graficados.
Realizado: Los autores

Estos datos (valores de los pixeles), son reducidos a 368 en
el primer anlisis, donde se encuentra el promedio de cada
columna, esto se muestra en la figura.8. Luego se encuentra el
promedio de la fila que contiene los promedios de columnas,
de manera similar discriminando los datos que contengan
valores iguales a cero.


Figura.8 Promedio de columnas
Realizado: Los autores

Este promedio es el que se utiliza para determinar la base
de datos de valor medio de pixeles y posteriormente encontrar
la curva caracterstica humedad vs media de pixeles. El
proceso se realiza con cada una de las imgenes de las
muestras por separado. As cada una de las muestras tienes un
valor diferente de media de pixeles.

D. Proceso estadstico

Se analiza cada imagen de la muestra una a una para
obtener el valor medio de los pixeles en el interfaz grfica de
MatLab creada como se muestra en la figura.9 y a la misma
muestra se mide la humedad con el medidor universal
propiedad del Banco de Germoplasma de la UNL el mismo
que est programado para tres tipos de gramneas (maz, arroz
y soya). Este instrumento se utiliza para determinar la base de
datos de la humedad, la variacin de error del medidor es de
+ 0.5 y se muestra en la figura.10.


Figura.9. Obtencin de la media de pixeles.
Realizado: Los autores


Figura.10. Medidor universal de humedad Wile 55
Realizado: Los autores

Obtencin de resultados

Luego del anlisis realizado a las imgenes de las muestras
se obtuvo las bases de datos de media de pixeles y humedad.
Los datos se revisaron y discriminaron para obtener los
valores ms relevantes no repetidos, concluyendo que los ms
idneos para trabajar son, solo 16 que se muestran en la
tabla.1.

Estos datos se analizan y se determina que varan de una
forma exponencial, correspondiendo a la ecuacin (1).





MUESTRA HUMEDAD MEDIA DE
PIXELES
1 13,5 100
2 14,8 105,6815
3 14,9 106,0655
4 15,2 107,44
5 15,4 107,5
6 15,9 108,94
7 16 109,33
8 16,1 112,23
9 16,2 109,56
10 16,2 110,5682
11 17,1 119,7776
12 19,2 137,0723
13 19,2 140,2726
14 19,2 140,8082
15 19,6 141,3257
16 20,3 142,3955
Tabla.1 Datos de humedad y media de pixeles
Realizada: Los autores

Los parmetros a, b, c, d se obtienen con la ayuda del
toolboox de MatLab cftool como se muestra en la figura.11.
Los datos que han sido tabulados se cargan directamente a
MatLab desde Microsoft Excel como vectores columnas.


Figura.11 Toolbox cftool de matlab
Realizado: Los autores

Para la curva caracterstica de la gramnea en estudio con
las muestras analizadas los parmetros son:

a = 6.571
b = 0.007795
c = 0
d = -0.4907
Estos valores son exclusivos de la gramnea de maz
amarillo y no se puede utilizar para ninguna otra gramnea.


III. ANLISIS DE RESULTADOS

Los resultados obtenidos se enmarcan en el objetivo del
trabajo realizado, se ha obtenido una curva caracterstica de
humedad vs pixeles. Esta curva es utilizada para obtener la
humedad, la cual presenta un margen de error de 0.4% si el
rango de humedad varia del 10% - 21% de humedad, este
margen de error puede incrementarse al 0.8% si el rango de
humedad vara entre 22% - 30%, superior a este rango de
humedad el error puede variar pero aun as es bastante
aceptable para relazar mediciones.

Para observar de mejor manera el comportamiento de la
curva se grafica el resultado en la figura.12.


Figura.12 Curva de gramnea de maz amarillo.
Realizado: Los autores


Ventajas del diseo.

La principal ventaja que podemos presentar es la
ampliacin del rango de medicin aumentada en un 9% sobre
el medidor universal que solo alcanza una medicin del 21%,
mientras que el diseo alcanza un 30% de humedad. Este es
un rango idneo debido a que la gramnea de maz amarillo en
el momento de pos-cosecha se encuentra en un rango de
humedad del 19%-30%.

Permite el fcil y rpido almacenamiento de los datos
obtenido que se almacenan directamente en el ordenador,
acelerando el tiempo de procesos estadsticos y transferencia
a bases de datos generales.



Tabla.2 Tabla normalizada humedad vs media de pixeles.
Realizado: los autores



IV. CONCLUSIONES

El procesamiento digital de imgenes presenta un
alternativa fuerte y robusta para incursionar en el campo
del Germoplasma, en particular en las gramneas se puede
determinar la mayora de caractersticas color, tamao,
humedad y temperatura.

La humedad de las gramneas vara dependiendo de la
especie, sin embargo con el mismo procedimiento del
proceso digital de la imagen se puede determinar las
diferentes curvas caractersticas de cada especie de
gramneas.

La curva obtenida es de alta robustez y es bastante
aceptable en aplicaciones a pequea escala, aun as se
puede mejorar aumento variables a la curva caracterstica,
una variable ms puede ser la temperatura ambiente.

HUMEDAD MEDIA PIXELES
8,302162541 30
8,975207267 40
9,70281479 50
10,48940844 60
11,33977014 70
12,25906947 80
13,25289512 90
14,32728882 100
15,48878212 110
16,74443607 120
18,10188412 130
19,56937859 140
21,1558408 150
22,87091527 160
24,72502844 170
26,72945198 180
28,89637134 190
31,23895982 200
V. BIBLIOGRAFA

[1] Perdidas mermas y deterioros de los granos en la post-
cosecha (P.C.). DEPOSITO DE DOCUMENTOS DE LA
FAO. 13-04-2014 Disponible en:
http://www.fao.org/wairdocs/x5408s/x5408s02.htm

[2]Mayer, D. E. Yanucci, 2000. Secado, Libro de
Actualizacin N 1. Granos & Postcosecha
Latinoamericana, de la Semilla al Consumo. Buenos Aires.
pp. 201.

[3] A. Domingo Ajenjo, Tratamiento digital de imgenes,
Anaya, Madrid, 1993.

[4] Crespo Juan, Duro Richard and Lopez Fernando,
Gaussian Synapse ANNs in Multi- and Hyperspectral
Image Data Analysis, IEEE transactions on
instrumentation and measurement, vol. 52, no. 3, pp. 724-
732, Jun 2003.

COLABORADORES:
Ing. Mags. Diego Orellana
diego1_o@yahoo.com
Coordinador de la Carrera en Ingeniera y
Telecomunicaciones de la UNL. Tutor de la unidad de
Procesamiento Digital de Seales.
Ec. Agp. HERNAN MESA y Ec. Agp. JOSE ANDRES POLO
. hmesa@magap.gob.ec jose_andres_polo@hotmail.com
Responsables del proyecto denominado Calidad de
produccin del maz en la regin sur del Ecuador que es
desarrollado por el MIPRO.
Ing. Agp. Anbal Ruiz Snchez
anibalruiz1@hotmail.es
Responsable del Banco de Germoplasma de la UN.L







Ronier Conde Jimnez, Nacido en Loja
19 de junio del 1991. Estudios primarios
y segundarios la Unidad Educativa
Santa Juana de Arco LA SALLE. En
la actualidad estudiante de Ingeniera en
Electrnica y Telecomunicaciones en la
Universidad Nacional de Loja.

ngel Masaco Pinta, Nacido en Loja 21
de mayo 1990. Estudio primario en la
Escuela Fiscal Mixta Benjamn Ayora
Cueva. Estudios segundario en el
Colegio Experimental Bernardo
Valdivieso. En la actualidad estudiante
de Ingeniera en Electrnica y
Telecomunicaciones en la Universidad
Nacional de Loja.
Juan Carlos Torres Salinas. Nacido en
Cariamanga el 17 de junio 1991.
Educacin Primaria y Segundaria
Unidad Educativa Ms. Santiago
Fernndez Garca. En la actualidad
estudiante de Ingeniera en Electrnica
y Telecomunicaciones en la
Universidad Nacional de Loja.