La Universidad Tecnológica Nacional - U.T.N. -

en el Nordeste Argentino – N.E.A. Investigación y Desarrollo en la Facultad Regional Resistencia

Compiladoras:

Carola Sosa Nidia Dalfaro

PROCESAMIENTO DE IMÁGENES

Medida de las Característica morfológicas de granos de arroz empleando procesamiento de imágenes Autores: Sampallo, Acosta, González Thomas, Cleva.

Editorial de la Universidad Tecnológica Nacional – edUTecNe http://www.edutecne.utn.edu.ar

edutecne@utn.edu.ar © [Copyright] La Editorial de la U.T.N. recuerda que las obras publicadas en su sitio web son de libre acceso para fines académicos y como un medio de difundir el conocimiento generado por autores universitarios, pero que los mismos y edUTecNe se reservan el derecho de autoría a todos los fines que correspondan.

Editorial de la Universidad Tecnológica Nacional

MEDIDA DE LAS CARACTERÍSTICAS MORFOLÓGICAS DE GRANOS DE ARROZ EMPLEANDO PROCESAMIENTO DE IMÁGENES

Sampallo G. M.*, Acosta C., González Thomas A., Cleva A.

Grupo de Investigación sobre Inteligencia Artificial – Facultad Regional Resistencia – Universidad Tecnológica Nacional

French 414 – H3500CHJ - Resistencia – Chaco – Argentina gsampallo@gmail.com

Resumen: En este trabajo se presenta una metodología basada en procesamiento de imagen para determinar las características morfológicas de granos de arroz. Emplea la firma del contorno de la sección proyectada de los granos en la imagen para obtener en forma automática: la forma, el largo, el ancho, la relación largo/ancho y el área de la sección. El cálculo de los descriptores empleados se ha validado comparando con los obtenidos por otros procedimientos. El método es objetivo, rápido, puede procesar imágenes color de muestras con más de 400 granos y tiene un error inferior al método que emplea el calibre. Además se puede almacenar la imagen de la muestra para repetir las determinaciones sin pérdida de información. Palabras claves: Arroz. Procesamiento de imágenes. Morfología. Contorno. Firma. INTRODUCCIÓN El consumidor es cada vez más exigente al tomar la decisión de comprar productos alimenticios, y en particular, el arroz. Observa la forma, tamaño y aspecto del producto, que son atributos que se vinculan con la calidad del mismo. Desde el punto de vista del comerciante se hace necesario presentarlo de forma atractiva. Por ello, es que muchos de los envoltorios de los granos presentan ventanas para ver su contenido. Al productor le interesa contar con esta información, dado que de ella depende la calidad de su producto, y por tanto el precio que obtiene por él. En el Código Alimentario Argentino se identifica el tipo de grano de arroz según su largo y a la relación largo/ancho, como se indica en la Tabla 1.

TIPO RELACION LARGO/ANCHO LARGO

Largo Ancho (Doble Carolina o variedad Fortuna)

mayor a 2:1 y menor a 3:1 ≥ 7 mm

Largo Fino (variedad Blue Bonnet) mayor o igual a 3:1 ≥ 6.5 mm Mediano (Carolina o variedad Blue Rose) mayor a 2:1 y menor a 3:1 6.0mm < L < 7.0

mm Corto (Japonés o variedad Yamaní) igual o menor a 2:1 < 6.9 mm

Tabla 1: Tipos de granos de arroz establecidos en el Código Alimentario Argentino. El análisis de los granos se realiza usualmente por inspección visual de un operador experto. Debido a lo tedioso y repetitivo de la tarea, el operador tiene altas posibilidades de cometer errores de distintos tipos. La forma convencional de medir las longitudes que definen el tamaño del grano (largo y ancho) es utilizando un calibre. La medición se hace grano por grano sobre una muestra representativa, no quedando registros individuales, es decir, a tal grano le corresponde estas medidas de largo y ancho. La determinación de la forma y tamaño se puede realizar empleando un sistema de visión artificial que permite a través de un sistema experto clasificar en forma automática la calidad, en forma rápida y eficiente, evitando las subjetividades de un operador humano. Los sistemas de visión artificial actualmente se emplean en diferentes áreas. Básicamente están constituidos por un dispositivo de adquisición de imágenes, PC y software que permite procesar la imagen con el fin de obtener información de los objetos contenidos en ella. La técnica de procesamiento digital de imágenes (PDI) es tratada en la bibliografía especializada (Gonzalez, R. Y Woods R. (2007), J.R. Parker (1994) Castleman, K. (1996) Duda, R., Hart, P. y Stork, D. (2001) y su aplicación al análisis y control de la calidad de alimentos está en crecimiento constante. El desarrollo de

algorclasifalime

Beyenuméen cuemplereviside alsuperinvary SincalcusimétusandEn esperm

ritmos que cficación de laentos agrícol

r M. y colaérico. Bounduenta su formeando análisión de los delimentos, y lrficie y volumriancia de la ng Kiong Nguula en forma tricos. G.S. Gdo descriptorste trabajo s

mite a partir

conducen a oa calidad, es as.

Figura 1: Im

aboradores (2dit Jarimopasma y tamañosis de imageesarrollo recilas aplican pmen de jamofirma con reuang (2007) automática

Gonzales y Vres de Fouriese presenta ude una imag

obtener descun tema de p

magen de la mu

2002) analizs y Nitipong o. G. Van Den. Cheng-Jinentes en aplipara analizarones de formspecto a la rdesarrollaroel volumen y

V.Y. Marianoer. una metodologen digital c

criptores carapermanente

uestra de 10 g

zaron la forJaisin (2008

Dalem (2003)n Du and Dicaciones de

ar la forma dma elipsoidal.rotación, trason un sistemay superficie o (2010) ana

ogía, de caracolor de una

acterísticos,estudio, revi

gr de granos en

rma del cere8) clasifican ) determinó

Da-Wen Sun las técnicas

de la base d. Square D aslación y cama sensor de bde revolució

alizan la mor

acterísticas oa muestra d

y a partir disión y aplica

nteros pulidos

ezo empleanvainas de tael tamaño da(2004) y bde PDI para

de la pizza, nd Caelli T

mbio de escalbajo costo quón de producrfología de lo

objetivas, bae 10 gramo

de ellos haceación en el á

s

ndo PDI y camarindo tende granos deb(2004) hacea evaluar la c

y para estim(2000) analila. Ta Yuan ue empleandctos agrícolaos granos de

asada en PDos de arroz p

er una rea de

alculo niendo

arroz en una alidad

mar la zan la Wang

do PDI as axi-e arroz

I, que pulido

(aprode caademalmacsin pautom

METLas mcomeDel pescánuna imlas deSe biidentiimageque cTodo2GB

Amba,finaliimage

Figresp

oximadamentada grano a p

más determincenar y cons

pérdida de inmáticamente

TODOLOGÍmuestras de gercial de 1Kgpaquete se exner de mesa, magen digitaeterminacioninariza la imifica los pixen del conto

corresponde ao este proceso

en 14 seg. C

as sumas doson los va

idad de eviten de las áre

Figura 2:

i

gura 3: Referepecto del baric

te 400 granopartir de su cnar el área struir una banformación. clasificar po

ÍA granos de arrg de calidad xtrae una mu

con la condal color con

nes (Figura 1magen emplxeles que perorno de cada a una región o se realizó c

Con lo que pu

CcucpsinPcc(

obles se reaalores de niv

tar pequeñaseas proyectad

De izquierda

identificados p

encia centro

s, según el tontorno, conde la secció

ase de datos,Con la lon

or tipo de gra

roz que se emtipo largo an

uestra de 10 gdición de que

una resoluci). eando un umrtenecen a cgrano comode la imagen

con un proceuede decirse

Como la imconstituido pun píxel es condiciones,pertenecientesuperior izquidentifican lan-ésimo (FigPara nuestrocontorno decoordenadas(ver figura 3

alizan sobre eles de gris d

s desviaciondas de los gra

a derecha: Im

por nivel de g

ncX Parteen=

tipo), determn mejor preción proyecta, y por lo tanngitud del gano según lo

.

mplean en encho 00000 -gramos de are los granos ión de 300 d

mbral apropcada grano,o puede versen de la Figur

esador Pentiuque tiene baj

magen es dipor píxeles cun área elem

, las coordes al contoruierdo O de a columna ygura 3). os propósitose los granos del baricen) se determin

los pixeles del píxel de

nes en las canos identific

magen original

gris, imagen de

n nj i

n nj i

XY X

Y X

I

nteraI

minar en formisión que el m

ada. La imanto, es posibrano y la reindicado en

ste trabajo fu- Doble Carorroz que se dno estén en

dpi que asegu

piado. Luegoy a partir de en la secuera 1. um Dual Corajo costo com

igital, el coconectados, dmental en udenadas recrno de un g

la imagen ey fila de un

s es necesaros al baric

ntro, referidanan emplean

pertenecienla imagen en

oordenadas cados (Figur

, imagen binar

e los contorno

,

,

,

n ni j

n ni j

niX Y

nc

X Y

X

YI

=

ma automáticmétodo convgen de la m

ble repetir laelación largola Tabla 1.

ueron obteniolina. distribuye sob

contacto enura una prec

o se aplica ue este resultencia mostra

re 1.8GHz y mmputacional.

ntorno obtendebiendo tenna imagen dctangulares rano, referen

están dadas ppixel del c

io referir lascentro de las al sistemando (Merian J

ntes al granon la posición

del baricentra 2) en vez d

rizada, imagen

os de los grano

Parteentera

=

ca el largo y vencional. Pemuestra se

as determinaco/ancho se

idas de un pa

obre el plano ntre sí. Se recisión adecua

un algoritmtado se obtieada en la Fig

memoria RA

enido es un nerse presentdigital. Bajo

de los pnciadas al vpor ,contorno del

s coordenadlos mismosa con origen J, 1998).

o n-ésimo, n , . C

tro empleamdel contorno

n con granos

os.

,

,

n ni jn n

j i

n ni jn n

j i

jX YY X

X YY X

I Y

I

ancho ermite puede ciones puede

aquete

de un egistra ada en

o que ene la

gura 2,

AM de

trazo te que

o estas píxeles vértice

que grano

as del . Las en O

donde Con la

mos la .

(1)

nj

Las c Una coordgrano

La regranoconto

Se pues ne Despejempesta dR. 20con lhoriz

coordenadas

vez definidodenadas rectao empleando

epresentacióno. En la Figorno a partir

uede emplearcesario acon

plazamiento plar, este puedependencia,002). En nuela vertical. Ezontal se calc

nα =

Figura 4:

del contorno

o el nuevo angulares de:

,

,

i j

ni j

n

r

θ

n gráfica cartgura 4 izquiede la firma e

r la firma pandicionar la f

de la firmaede tener cua, se define uestro caso, elEl ángulo α cula emplean

2,0tan

2

nm

a

: Izquierda: fir

o con respect= − sistema de

el contorno,

( ) (2

2 tan

tan

nix y

a

ya

π

= +

+

=

tesiana de r(θerda, se mueen el gráfico

ara compararfirma realizad

a en el ángualquier orien

una orientaciólegimos queque forma l

ndo

0,2

1,1

n n

n

m

m

−

rma r(θ) de uncontor

to al baricent =referencia cse obtienen

)2

n

nj

nj

ni

nj

ni

y

ysi

x

yel rest

x

θ) es la firmaestra la firmpolar en la F

r las formas do las siguie

ulo α: En gentación y la fón preferenc

e el eje princa dirección

con Nm

n grano de arrrno a partir de

tro On están d− con origen elas coorden

tannj

ni

ya

x

to

a del contornma de un graFigura 4 dere

que tienen dntes operacio

eneral, cuandfirma es depecial (Meriancipal mayor del eje princ

,

n nj in Y X

M

I

=

roz. Derecha: re la firma.

dadas por:

en On y lasnadas polares

0n

<

no de la secciano y la recoecha.

distintos ejemones:

do se registraendiente de eJ., 1998 y Mde inercia decipal mayor

,

,

n ni j

n ni jn n

j i

NniX Y

X YY X

I X

I

reconstrucción

s corresponds del contorn

ión proyectaonstrucción

mplares. Para

a la imagen esta. Para eliMinton R y

del objeto codel objeto c

MnjY

n polar de su

(2)

dientes no del

3.1

3.2

da del de su

a ello,

de un iminar Smith incida con la

(4)

Donde ,

n

N Mm representa los momentos y productos de inercia respecto del baricentro del

ejemplar n-ésimo. Determinado el ángulo α se desplaza la firma en (-α), que equivale a rotar el objeto un ángulo α en el sentido de las agujas del reloj. Ajuste numérico de la firma del grano n-ésimo: los valores , , , que representan la firma se ajustan numéricamente empleando interpolación cúbica. A partir del ajuste se reconstruye la firma con una distribución equiespaciada en θ, tomando una muestra de 360 puntos con Δθ = 1º (0º ≤ θ ≤ 359º), definiéndose de esta manera un nuevo conjunto de pares de valores ( , ), = 0…359, para cada grano. Normalización de la firma: la operación consiste en dividir los valores de por su valor máximo

= (5)

Al realizar esta operación los valores del radio en la firma del ejemplar quedan comprendidos entre 0 y 1, independizándose del tamaño del ejemplar, pero conservado la información de la forma. Efectuadas estas operaciones en las firmas de los distintos ejemplares, es posible realizar la comparación de sus formas e inclusive se pueden comparar entre ejemplares de diferentes tipos de granos de arroz. Definición y cálculo de los descriptores. Vamos a considerar M ejemplares enteros de un mismo tipo de grano de arroz. Una vez determinadas las firmas de los ejemplares se definen y calculan los siguientes descriptores: Firma patrón: Se obtiene promediando para cada ángulo los valores de de las firmas normalizadas. Esta firma será considerada el patrón de comparación para la forma. Otra alternativa es elegir como patrón la firma del ejemplar que se considere el más representativo de la forma deseada. Largo: El largo an del grano n-ésimo es el segmento de mayor longitud entre dos puntos de su contorno. En la firma del grano sin normalizar, (Figura 5) corresponde a los valores máximos de

. Empleando el teorema del coseno resulta:

= ( 1 ) + ( 2 ) − 2 1 2 cos( ) (6) donde β es el ángulo entre los dos segmentos de radios máximos. Ancho: El ancho bn del grano n-ésimo es el segmento entre los extremos de los radios mínimos

de los valles de la firma del grano sin normalizar (Figura 5). Empleando el teorema del coseno resulta

= 1 + 2 − 2 1 2 cos() (7)

donde γ es el ángulo entre los dos segmentos de radios mínimos. Relación largo/ancho: es la relación entre el largo y el ancho del grano n-ésimo.

= (8)

Áreala int

Cons

OtroEl méelipseimpleestimson:

Dond Reemconto

ValidPara una m1. C2. F

e3. E

Pd

Los robserdispePara causa

Fia de la seccióegral

iderando las

360

0

1

2n

mm

A R=

=

método de étodo es cone cuyos momementado en

mar el tamaño

de a y b son l

mplazando (1orno del obje

dación del cáevaluar la pr

muestra de 20ConvencionaFirma: Se regella, con procElipse que mPDI, se obtuvde la elipse quresultados obrva que paraersión relativel ancho la d

as están vincu

igura 5: A la imínimos de

ón del grano

característic

1n nm mR R siθ+ Δ

análisis de tnocido comomentos de sen diversos soo de los obje

=las longitude

0) en (11) seeto n: = 2álculo de losrecisión del 0 granos entel: Medida degistró una imcesamiento d

mejor ajusta: vieron los mue mejor ajubtenidos se a cada ejempa entre ellos dispersión enuladas con la

1

2A =

izquierda se mla misma para

o n-ésimo: s

cas discretas

180

πθΔ =

tamaño y foo la elipse quegundo ordenoftware de PDetos en la im

es de los ejes

= , e obtienen la

,, , / s descriptormétodo properos pulidose a y b con unmagen de la de imagen y e

Empleando momentos y pusta se determpresentan en

plar los valoestá por deb

ntre el métodas dificultade

[ ]359 2

0

1( )

2R dθ

muestra en la ra el cálculo de

se obtiene a p

del contorno

360

0360 m

Aπ

=

=

rma ue mejor ajun son igualeDI (por ejem

magen. Los m

de la elipse. =as longitudes

es puesto en la y se empleón calibre de amuestra con

el método dela misma im

productos deminó a y b. n la Figura ores obtenidobajo del 2%.do convencioes para posic

dθ

representacióne a y b. A la d

partir de la f

o se reescribe

1n nm mR R +

usta (best fit es al del objemplo, “Imagemomentos de

=. De (4) surg= ,

de los ejes d

= ,determinaci tres procediapreciación d

n una resoluce la firma se dmagen que ee inercia, y a

6. La medidos por los tr

onal y el de cionar el gran

n de la firma aderecha la reco

firma sin nor

e:

con 360

nR =

ellipse) se teto de interéeJ” de distribe la elipse re

e que

de la elipse q

ón del largo mientos: de 0.1 mm. ción de 300 determinó a yen el punto aa partir de ell

da del largo res métodos

la firma es dno de arroz e

ajustada, los raonstrucción de

rmalizar, hac

0nR

trata de obteés. Este métobución libre

especto de lo

que mejor aju

o y ancho, se

dpi, y, a pary b. anterior, y ulos con el m

de los granson similare

del orden 9%entre las ram

adios máximoe su contorno.

ciendo

(9)

(10)

ener la odo es ) para

os ejes

(11)

(12)

usta al

(13)

e tomó

rtir de

usando método

nos, se es. La

%. Las mas del

os y

calibre debido a su forma y tamaño. La dispersión entre el método de la elipse y el de la firma está por debajo del 7.5%. El cálculo del área de la sección proyectada se determinó también por tres métodos:

1. Conteo de pixeles: Se contó el número de pixeles que pertenecen a un grano, considerando que los pixeles son pequeñas áreas, y se determinó el área en mm2 empleando el factor de escala correspondiente.

2. Firma: empleando la expresión (8). 3. Elipse que mejor ajusta: a partir de los valores de a y b definidos por (12) se calcula el

área de la elipse empleando:

= (14)

Los resultados del cálculo del área por los tres métodos se muestran en la figura 7. Se observa que los valores por el método del conteo y de la firma prácticamente coinciden, la dispersión entre ellos está por debajo de 1.25%. Entre el método de conteo y el de la elipse la dispersión es del orden del 7%. Esto implica que aproximar el área de la elipse al área de la sección proyectada tiene un error no inferior al 7%.

Figura 6: Se representan el largo (arriba) y el ancho (abajo) para los 20 ejemplares, obtenidos por los tres métodos.

Figura 7: Se representan área de la sección expuesta de los granos para los tres métodos.

a representaciste análisis s, ancho y áre

ICACIÓN De una imagemuestra de 1os enteros se

método de Pminó para ca

ncho y el árealculó la firmargo a = (7.

medio entre±0.01). En lerda, el hisación del prcaracteriza s0.75 ) y a grama paramos 2.1 ≤ aos enteros, segura 10 es la

gramos sin a, esto signif

hay 400 grs de los granstra los porceimagen (Tab

a figura 11 aistograma destra donde ifican los ranos rotos (conines (con a mderecha de lgrama de la nido de la mua figura 12 sejemplar de

0.95 pueden en tratarse de

Figura 9: H

ión grafica psurge que el ea de la secci

DEL MÉTOen, obtenida 0 gramos de

eleccionadosPDI basado ada grano: laea de la seccma patrón, el.25±0.02) me el largola Figura 9 stograma deromedio del i el grano ela derecha d

a la relacia/b ≤ 3.1 deegún la tabla a imagen de useleccionar

fica que en eranos. El ménos enteros centajes de grbla 2). a la izquierdael largo, encaen las m

ngos de tamn a menor amenor a 0.5 la figura 11

relación enuestra anteriose representa

la muestra nconsiderarsee granos roto

Histogramas devalores de

polar (Figuramétodo de lión proyecta

ODO DE LApor escáner

e arroz pulido(Figura 1), en la firma

a firma, el lación proyectl valor prome

mm y la relaco/ancho a/bse muestra,

el largo a, largo y la

s entero (made la figura ón a/b y

e la muestra 1.

una muestra de la mism

esta muestraétodo la firmomo referen

ranos enteros

a se presentan la que semarcas que

maño para losa 0.75 ap) y

ap). Y está el tre largo y aor donde se fa el coeficienno seleccione que la formos, arrocines,

e la distribucióe los valores m

a 8), la diferela firma es eada del grano

A FIRMA r, de o de con

a se argo, tada. edio ción b = a la con cota ayor 9 el los

de

de ma

a están presema identifica ncia (ap = 2.7s, partidos y

a e e s y

ancho y se mfiltró en formnte de correl

nada. Todos ama del conto, o bien, gran

TamañoGranos EnGranos PaArrocinesTotal de g

ón de la muesmedios del larg

Fig

Tabla 2:

ncia entre lal más apropi

o.

entes granos cada uno de

75 mm), da earrocines so

muestra el rma automáticlación entre aquellos coeorno no es anos muy fino

nteros artidos

granos en la im

tra de granos go y de la rela

ura 8: Compa

: Resultado d

s áreas es claiado para la

enteros, rotoe los granosen forma aut

obre el total d

ango 2.1 ≤ a los granos la firma patficientes que

adecuada, lo os.

Cant37253

magen 40

enteros. Se mación a/b.

aración entre lcontornos.

del análisis de

aramente visdeterminació

os y arrocins y empleandtomática parde granos qu

a/b ≤ 3.1 qurotos y arroc

trón y la firme están por dque signific

tidad Porce72 935 6.3

3 0.700 10

muestran los

las áreas de lo

e la muestra

sible. ón del

nes, en do los ra esta ue hay

ue fue cines. ma de debajo ca que

entajes 3% 3% 7% 0%

os

Figura

Figupatr

Figura 10

a 11: Histogram

ra 12: Se reprrón y la firma

0: Imagen de l

mas de la mue

resenta el coede cada ejemp

la muestra de

estra de grano

ficiente de complar de la mue

10 gr de gran

os no seleccion

rrelación entrestra no selecc

os pulidos.

nados.

e la firma cionada.

CONCLUSIONES El método de la firma permite determinar en forma automática, rápida y eficiente el largo, el ancho, la relación largo/ancho y el área de la sección expuesta de los granos de arroz a partir de una imagen color de la muestra de 400 granos. Tiene bajo costo computacional. Si las imágenes que se emplean tienen una resolución de 300dpi el método de la firma tiene errores en su determinación inferiores a los que presentan el método convencional y el método de la elipse que mejor ajusta. El método de la firma no depende del operador, es decir, es objetivo. Con una muestra de referencia de un tipo de grano, el método permite obtener los valores característicos y con estos valores y un sistema experto evaluar otras muestras con el fin de clasificar la calidad de los granos. Las imágenes de las muestras se pueden almacenar y construir una base de datos, y por lo tanto, es posible repetir las determinaciones sin pérdida de información. Los valores obtenidos para los granos enteros de la muestra utilizada fueron largo a = (7.25±0.02) mm y el largo/ancho a/b = (2.83±0.01) que cumplen con los estándares establecidos por el Código Alimentario Argentino para la calidad doble carolina. REFERENCIAS

- BEYER M., HAHN R., PESCHEL S., HARZ M. y KNOCHE M. “Analysing fruit shape in sweet cherry” Scientia Horticulturae 96 (2002) 139-150.

- BOUNDIT JARIMOPAS y NITIPONG Jaisin An experimental machine vision system for sorting sweet tamarind Journal of Food Engineering Volumne 89 Issue 3.(2008), Pages 291-297

- CASTLEMAN KENNTEH R. Digital image processing. Ed Prentice Hall (1996). - DU CHENG-JIN y SUN DA-WEN Recent developments in the applications of image

processing techniques for food quality evaluation. Trends in Food Science & Technology 15 (2004) 230–249.

- DU CHENG-JIN y SUN DA-WEN. Shape extraction and classification of pizza base using computer vision. Journal of Food Engineering 64 (2004) 489–496.

- DUDA, R., HART, P. Y STORK, D. (2001). Pattern Classification. 2ª ed. Johm- Wiley &. Sons.

- GONZÁLEZ RAFAEL C Y WOODS E. RICHARD Tratamiento Digital de Imágenes. Prentice Hall. 3era edición (2007)

- GONZALES G.S. Y V.Y. MARIANO. Rice Seed Recognition, Matching and Variety Classification through Shape Analysis using Fourier Descriptors. 8th National Conference on IT Education (NCITE 2010), La Carmela de Boracay Convention Center, Boracay Island, 20-23 October 2010

- IMAGEJ 1.43u http://rsbweb.nih.gov/ij/index.html. Consulta 10/09/2011. - MERIAN J. Dinámica. 6º Ed. Madrid. Mac Graw Hill 1998. - McG SQUIRE D y. CAELLI TERRY Invariance Signatures: Characterizing contours

by their departures from invariance. Computer Vision and Image Understanding: CVIU Volume 77, Number 3, March, 2000.

- MINTON R y SMITH R. Cálculo. Volúmen I. 2º Ed. Mac Graw Hill. 2002, pag 351. - PARKER, J.R. Practical Computer Vision. Editorial J. Wiley &Sons Inc (N.Y.-

USA)1994. - TA YUAN WANG y SING KIONG NGUANG Low cost sensor for volume and

surface area computation of axi-symmetric agricultural products. Journal of Food Engineering Volume 79, Issue 3, April 2007, Pages 870-877.

- VAN DALEN G.. Determination of the size distribution and percentage of broken kernels of rice using flatbed scanning and image analysis. Food Research International 37 (2004) 51–58