Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo. 5 Objeto de la invención La presente invención tiene por objeto un procedimiento para la determinación cuantitativa del porcentaje de cocido de muestras de aceitunas que están siendo tratadas en sosa cáustica y predice el momento óptimo de finalización del mismo. Hace uso de aceitunas procedentes de la cata de una cocedera, que son cortadas, 10 teñidas, secadas, y ubicadas sobre fondo oscuro, siendo su imagen capturada y digitalizada con iluminación constante. Tras un análisis por visión artificial, se obtiene el porcentaje de cocido que se lleva hasta ese momento y se predice el momento óptimo de finalización del mismo. Este procedimiento es de aplicación a cualquier variedad de aceituna (gordal, hojiblanca, manzanilla, etc.). 15 Estado de la técnica Hasta la fecha, no existen procedimientos industriales patentados como el aquí descrito, tan sólo el método tradicional, es decir, la simple inspección visual del corte de la aceituna a cargo de una persona con experiencia (maestro cocedero). 20 En la bibliografía aparecen ejemplos variados de uso de técnicas de visión artificial en agricultura, algunos de ellos relativos a la aceituna: Díaz et al. (2000) diseñaron un sistema para clasificar las aceitunas de forma automática mediante visión artificial, proceso que tradicionalmente es llevado a cabo por expertos humanos siendo así un proceso lento y muy caro. Para alcanzar 25 este objetivo, expertos humanos clasificaban diferentes lotes de aceitunas en cuatro categorías para extraer los parámetros relacionados con cada clase. Una vez caracterizadas las aceitunas procesadas, se implementó y probó un algoritmo para ordenar automáticamente las aceitunas haciendo uso de diferentes resoluciones con el objeto de estudiar el efecto de la misma sobre la efectividad 30 clasificatoria. Kondo et al. (2000) analizan el contenido de azúcar y acidez de la naranja Iyokan usando un sistema de visión artificial. Imágenes de 30 frutos de naranja Iyokan fueron adquiridas por una cámara de televisión en color. Se extrajeron de las imágenes características como el color del fruto, la forma y rugosidad de la 35 superficie de la fruta que junto al peso se introdujeron a las capas de entrada de una red neuronal, mientras que el contenido de azúcar o el pH de la fruta los
utilizaron como los valores de las capas de salida. Los autores encontraron diversos modelos de redes neuronales capaces de predecir el contenido de azúcar o el pH a partir de la apariencia externa de las frutas con una exactitud razonable. Aleixos et al. (2002) analizan la inspección y clasificación automática en cítricos. 5 Este trabajo incluye el desarrollo de una cámara multiespectral, que es capaz de adquirir imágenes en el espectro visible e infrarrojo cercano de la misma escena, el diseño de algoritmos específicos y su aplicación en un hardware basado en dos (OSP) que trabajan en paralelo, lo que permite dividir las tareas de inspección en los diferentes procesadores. El ahorro de tiempo de procesamiento, permite no 10 sólo determinar tamaño y clasificar por colores, sino también detectar defectos en la superficie de la piel utilizando longitudes de onda que están fuera del espectro visible. Hahn, F. (2002) desarrolla un sensor 'Atomato', para la detección de los tomates verdes que nunca se volverán rojos. Para ello hace uso de un análisis con el fin de 15 obtener el mejor discriminante de longitudes de onda. Las bandas espectrales obtenidas eran utilizadas por una cámara multi-espectral para la predicción de los tomates que nunca van a madurar con una precisión de más del 85%. Blasco, J., Aleixos, N. & Moltó, E. (2003) estiman la calidad de naranjas, melocotones y manzanas (tamaño, color, y detección de defectos externos) 20 usando un procedimiento de segmentación basado en el análisis discriminante Bayesiano. La capacidad de repetición en la detección de defectos y estimación del tamaño obtenida era del 86 y 93% respectivamente. La precisión y la repetibilidad del sistema se encontraron similares a los de clasificación manual. Díaz et al. (2004) realizan una caracterización colorimétrica mediante análisis de 25 imagen de los defectos más comunes presentes en la superficie de las aceitunas de mesa usando algoritmos de aprendizaje entrenados con la información procedente de personas especializadas. Aplicaron tres diferentes algoritmos para clasificar las aceitunas en cuatro categorías de calidad. Los resultados muestran que una red neuronal con una capa oculta es capaz de clasificar las aceitunas con 30 una precisión de más del 90%. Brosnan, T., Sun, D.W., 2004 presenta los elementos significativos de un sistema de visión por ordenador y hace hincapié en los aspectos importantes de la técnica de procesamiento de imágenes, junto con una revisión de los desarrollos más importantes en la industria alimentaria. 35 Du et al, (2004) revisan los avances en el aprendizaje de técnicas para la evaluación de calidad de los alimentos utilizando la visión por ordenador,
incluyendo redes neuronales artificiales, aprendizaje estadístico, la lógica difusa, algoritmos genéticos, y árboles de decisión. Concluyendo que las Redes Neuronales artificiales (ANN) y el aprendizaje estadístico (SL) siguen siendo los principales métodos de aprendizaje en el campo de visión por ordenador para la 5 evaluación de calidad de los alimentos. Entre las aplicaciones de algoritmos de aprendizaje en la visión por ordenador para la evaluación de calidad de los alimentos, la mayoría de ellos son para la clasificación y la predicción, sin embargo, también hay algunas para la segmentación de imágenes y selección de características. 10 Kavdir, l., Guyer, O.E., (2004) clasifican las manzanas Empire y Golden Delicious según sus condiciones de calidad en superficie usando Redes Neuronales Backpropagation (BPNN) y clasificadores estadísticos, como árbol de decisión (DT), vecino más próximo K (K-NN) Y Bayesiano con las características texturales (sólo con el clasificador BPNN) extraído por medio de todos los píxeles de una 15 imagen de la manzana entera. Leemans, V. y Oestain, M. F. (2004) presentan un método de clasificación jerárquica aplicado a las manzanas Jonagold usando varias imágenes que cubren toda la superficie de los frutos adquiridas con una máquina de clasificación de prototipo. Estas imágenes fueron segmentadas y extraídas las características de 20 los defectos. Durante el procedimiento de aprendizaje, los objetos fueron clasificados en grupos según k-medias. Las probabilidades de clasificación de los objetos fueron resumidos y sobre esta base, los frutos fueron clasificadas mediante un análisis discriminante cuadrático con una tasa del 73%. Meh et al. (2004) hacen uso de un sistema de imágenes hiperespectral de alta 25 resolución espacial (0,5-1,0 mm) como una herramienta para la selección de mejores métodos multiespectrales para detectar alimentos contaminados y defectuosos así como de productos agrícolas, concretamente para la detección de defectos y I o contaminaciones en la superficie de manzanas de las variedades Red Delicious, Golden Delicious, Gala y Fuji. 30 Sun, O. W., y Ou, C. J. (2004) describen un algoritmo para la segmentación de imágenes utilizando crecimiento y la fusión en las mismas. Consta de cuatro pasos principales: inicialización de elementos, fusión de elementos, fusión de subregiones, y modificación de bordes. El algoritmo fue utilizado con éxito para segmentar muchos tipos de imágenes de alimentos complejos, incluyendo pizza, 35 manzana, carne de cerdo y patatas.
Bennedsen, B.S. y Peterson, D.L., (2005) presentan el desarrollo y ensayo de una máquina de de visión artificial para la clasificación de las manzanas a partir de los de defectos de su superficie, incluyendo los golpes. Las imágenes para la detección de defectos fueron adquiridas a través de dos filtros de luz a 740 nm y 5 950 nm, respectivamente. Los defectos fueron detectados utilizando una combinación de tres rutinas diferentes. La capacidad de las rutinas para encontrar defectos individuales y medir el área varió desde 77 hasta 91 % en el número de defectos detectados, y de 78 a 92,7% de la superficie total de defectos. Kleynen et al. (2005) proponen un método para clasificar las manzanas Jonagold 10 basado en la presencia de defectos en su superficie, desarrollando para ello un sistema de visión multiespectral con cuatro bandas de longitud de onda en el rango visible I NIR. Adquirieron imágenes multi-espectrales de frutos sanos y defectuosos para cubrir toda la variabilidad de color de esta variedad de manzana bicolor. Los defectos los agruparon en cuatro categorías: defectos leves, defectos 15 más graves, los defectos que conducen a la desestimación de las frutas y contusiones recientes. La caracterización de los defectos en la segmentación consistió en un procedimiento de clasificación de píxeles basado en el teorema de Bayes y modelos no para métricos del tejido sano y defectuoso. Cordero S, L. Lleó et al. (2006) proponen y comparan dos clasificaciones 20 multiespectrales para caracterizar la madurez de los melocotones de pulpa de color rojo suave ('Kingcrest', 'Rubyrich' y 'Richlady' N = 260), sobre la base de imágenes sobre el R (rojo) y RlIR obtenidas con una cámara de tres CCO (800 nm, 675 y 450 nm). Los histogramas de l/IR permitieron corregir el efecto 3D y la reflectancia de la luz. 25 J. Blasco et al. (2007) presentan un sistema de visión artificial para la detección de defectos en la piel de cítricos mediante el uso de un algoritmo de segmentación de regiones orientadas. El algoritmo se probó en diferentes variedades de naranjas y mandarinas defectuosas logrando detectar el 95% de los defectos en estudio. 30 KiIi~ et al. (2007) desarrollaron un sistema de visión artificial para el reconocimiento de alubias basándose en el tamaño y color de las mismas mediante el uso de Hardware y Software (Matlab). El sistema fue capaz de clasificar correctamente el 90.6% de las alubias estudiadas Riquelme et al. (2008) teniendo en cuenta que la apariencia externa de la piel de 35 una aceituna es el factor más decisivo en la determinación de su calidad como fruto, tratan de establecer un modelo jerárquico basado en las características
5 extraídas a partir de imágenes de las aceitunas que reflejen sus defectos externos. Los porcentajes de clasificación correcta varían considerablemente en función de las categorías, que van desde 80 hasta 100% durante la calibración y de 38 a 100% durante la validación. Descripción de las figuras Figura 1, diagrama de bloques de funcionamiento del procedimiento Se aprecia los diferentes bloques que conlleva la aplicación de este método: (1) aceitunas procedentes de la cata de una cocedera, (2) teñido y secado de la 10 aceituna cortada, (3) ubicación de las aceitunas teñidas y secadas sobre fondo oscuro, (4) captura y digitalización de la imagen con iluminación constante, (5) análisis y obtención del tiempo de cocido, (6) predicción temporal para un porcentaje de cocido dado. 15 Figura 2, imagen preferente de aceituna tras procesado (1) Fondo oscuro contrastante con la aceituna 20 (2) Pulpa cocida de la aceituna con NaOH (3) Pulpa y hueso sin ataque por NaOH Descripción de la invención Para determinar el porcentaje de cocido en NaOH de las aceitunas, partimos de una cata de las mismas procedentes de la cocedera y se efectúa un corte de las mismas de forma longitudinal a ras del hueso, seguidamente se aplica una tintura 25 sensible a la presencia de NaOH, se secan las aceitunas se ubican formando una matriz de 4x4 o 4x5 aceitunas y se captura una imagen de las mismas sobre un fondo oscuro con unos niveles de iluminación constantes e idénticos para todas las repeticiones que se lleven a cabo en el procedimiento. De la imagen obtenida segmentaremos: fondo (1), pulpa atacada por NaOH (2) y pulpa y hueso sin atacar 30 por NaOH (3). A partir de aquí determinamos que porcentaje del total de la aceituna ya ha sido cocido para esa muestra, quedando almacenado el resultado en una base de datos. Con los datos de las catas sucesivas ajustaremos la tendencia y así podremos predecir el momento óptimo de finalización del cocido. 35
Modo preferente de realización de la invención a) Fruto: A las muestras de aceitunas cortadas manualmente, se les aplica un marcador de teñido sensible al NaOH, se dejan secar y se disponen sobre un soporte de fondo 5 oscuro (1) (negro, azul). Este procedimiento nos asegura un mayor contraste entre el fondo, la tintura que se deposita en la zona atacada por el NaOH (2) y la zona aún intacta del centro del fruto (3). b) Sistema de imagen: La imagen es adquirida empleando cámaras (CCO, CMOS), o un escáner que 10 permitan procesar las imágenes siempre en idénticas condiciones de iluminación. Las imágenes obtenidas son digitalizadas y enviadas a un P.C. para ser analizadas o alternativamente a un sistema autónomo basado en FPGA, OSP o Microcontrolador. e) Procesado de imagen: 15 1.-Se realiza un segmentado de la imagen en los tres planos de color RGB. 2.-Usando la información contenida en el plano R, separamos el fondo oscuro (negro, azul), del contorno de la aceituna. 3.-Usando la información contenida en el plano verde diferenciamos la parte penetrada por el NaOH de la que aún está intacta. 20 4.-Con la información hasta ahora obtenida, determinamos la porción que esta cocida del total de la aceituna. d) Predicción del momento óptimo de finalización del cocido: Mediante ajuste no lineal o con el empleo de una red neuronal entrenada 25 cuantificamos para un porcentaje de cocido dado el momento en el que se va a alcanzar: 1.-0eterminamos varios valores de porcentaje de cocido para tiempos cortos (de 2 a 4 horas) en los que sabemos que no se ha alcanzado aún el valor óptimo de cocido. 30 2.-A partir de ellos y aplicando las condiciones iniciales del problema (en el instante inicial el porcentaje de cocido es 0% y para un tiempo muy largo ( más de 15 horas), el porcentaje total de cocido es del 100%), determinamos el momento óptimo de cocido o para un porcentaje solicitado (p.e. 90-95%), en qué momento se va a alcanzar. 35