PROCEDIMIENTO PARA LA DETERMINACIÓN CUANTITATIVA DEL PORCENTAJE DE COCIDO EN SOSA CÁUSTICA DE ACEITUNAS Y PREDICCIÓN DEL MOMENTO ÓPTIMO DE FINALIZACIÓN DEL MISMO.

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...

1. Procedimiento para la determinación cuantitativa del porcentaje de cocido en 5 sosa caústica de aceitunas y predicción del momento óptimo de finalización del mismo, caracterizado porque comprende: a) aceitunas en proceso de cocción con NaOH cortadas longitudinalmente para su inspección visual. 10 b) teñido y secado de las aceitunas cortadas longitudinalmente para diferenciar la parte atacada por NaOH de la que aún está intacta. c) un sistema de captura y digitalización de imágenes basado en cámaras o escáner de las aceitunas teñidas sobre un fondo contrastante. d) el análisis de la imagen de las aceitunas teñidas sobre un fondo 15 contrastante basado en P.C. o en un sistema autónomo con FPGA, DSP o Microcontrolador. e) una segmentación de la imagen en planos de color, para determinar de forma cuantitativa la porción que esta cocida del total de la aceituna. f) un ajuste no lineal o una red neuronal entrenada para estimar el 20 momento óptimo de cocido o el tiempo necesario para alcanzar un porcentaje del mismo.