ES2445245A2

ES2445245A2 - Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y sistema robotizado

Info

Publication number: ES2445245A2
Application number: ES201200859A
Authority: ES
Inventors: Carlos Javier GARCÍA ORELLANA; Horacio Manuel GONZÁLEZ VELASCO; Miguel MACÍAS MACÍAS; Ramón GALLARDO CABALLERO; Antonio GARCÍA MANSO; José Manuel MANGAS RODRÍGUEZ; Rafael Leal Paniagua
Original assignee: COVELESS INGENIERIA S L; Coveless Ingenieria Sl; Universidad de Extremadura
Current assignee: COVELESS INGENIERIA S L; Coveless Ingenieria Sl; Universidad de Extremadura
Priority date: 2012-08-28
Filing date: 2012-08-28
Publication date: 2014-02-28
Anticipated expiration: 2032-08-28
Also published as: ES2445245R1; ES2445245B1

Abstract

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado.#La celda robotizada consiste en un brazo robotizado (1), una cinta para la alimentación de la fruta (5) y varias cintas de salida con los distintos tipos de embalaje (3 y 4), un sistema de iluminación (6) y un armario de control (2). La celda se encuentra rodeada perimetralmente de una valla protectora (7).#La celda realiza procesamientos sobre frutos que entran en la cadena de producción: selección por calibre del fruto, detección de defectos y envasado definitivo, todo en una sola etapa.#La celda es además un bloque constructivo-adaptable dentro de la cadena de producción.#Un sistema de visión multiespectral inteligente guía al brazo robotizado para coger cada fruto y depositarlo en el embalaje correcto o descartarlo, utilizando técnicas de segmentación basadas visión artificial y técnicas avanzadas de clasificación.

Description

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y sistema robotizado.

Sector de la técnica: La invención se encuadra dentro del sector de la automatización de sistemas de uso hortofrutícola, en concreto en el de sistemas robotizados, basados en visión artificial, para tareas de procesamiento hortofrutícola.

Objeto de la invención: El objeto de la invención es una celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y sistema robotizado reconfigurable para seleccionar frutos por calibre y calidad y envasarlos en su embalaje definitivo, todo ello en una sola etapa. El sistema robotizado, junto con la visión multiespectral inteligente, forma un bloque o celda de procesamiento. La introducción de este tipo de sistemas en el sector hortofrutícola está en una fase muy inicial y puede presentar muchas ventajas que permitan al sector aumentar su grado de tecnificación, mejorando el control, la calidad y fiabilidad de sus procesos, así como su competitividad de cara a mercados externos. La selección por calibre y calidad del producto es muy importante de cara a su posterior venta. Uno de los valores añadidos del desarrollo y que por tanto aumenta su competitividad es que la selección va unida al envasado definitivo, en una misma acción. Además, dado que es reconfigurable, lo hace muy flexible y competitivo.

Estado de la técnica: Una central hortofrutícola convencional está formada por diferentes etapas como son el despaletizado, volcado, selección, calibrado, control de calidad, confección y paletizado. Los bloques de selección, calibrado y control de calidad suelen ir íntimamente ligados con el fin de aprovechar parte del hardware empleado. La principal ventaja de la presente invención es que realiza los procesos de selección, calibrado, control de calidad y confección en una sola etapa.

Las normas vigentes de calidad de frutas y hortalizas sólo regulan los parámetros externos, estableciendo diferentes categorías de calidad en función de sus valores. Sin embargo, la realidad es que las empresas comercializadoras están exigiendo a los productores que aporten parámetros de calidad interna de sus frutas, ya que éstos permiten estimar de forma más directa aspectos organolépticos relacionados con la calidad sensorial, que es la calidad captada por el consumidor.

Los equipos actuales se basan en dispositivos mecánicos o en sensores específicos basados en sistemas electrónicos u ópticos. Para que el sensor realice la medida, cada fruto debe estar individualizado en un recipiente ubicado en la cadena que lo transporta a través de los diferentes sensores. El proceso de clasificación es similar para cualquier sensor: El fruto es medido por el sensor, la señal recogida pasa a un computador, la señal es analizada obteniendo un índice de calidad en función del cual el fruto es clasificado, y éste es dirigido a la salida correspondiente de la cadena mediante el sistema de eyección o similar para su posterior envasado. Ejemplos de estos sistemas son ES 2036909, ES 2324324, ES 2338293 o ES 1074788.

Las dimensiones externas de los frutos se centran normalmente en la medida del diámetro ecuatorial, aunque en el caso de hortalizas puede ser requerida la medida de la mayor dimensión del producto. Se suelen utilizar equipos ópticos basados en la utilización de cámaras de visión CCD (Charge-Coupled-Device) ubicadas sobre la cadena de calibración dentro de una campana de iluminación. Las cámaras pueden trabajar en el espectro visible o en el infrarrojo cercano y puede haber una o varias por cada línea de calibración en función del desarrollo tecnológico de cada fabricante. Estos equipos también son capaces de clasificar por color.

Son numerosos los equipos y sistemas no destructivos, la mayoría utilizando visión artificial, desarrollados para clasificación de fruta basándose en sus parámetros de calidad externa (Nicola"i B.M., Bulens l., Baerdemaeker J., Ketelaere B, Hertog M., Verboven P., Lammertyn J.; (2009). Non-destructive Evaluation: Detection of External and Internal Attributes Frequently Associated with Qualit y and Damage. Postharvest Handling (Second Edition),Pages 421-441) (Ruiz-Altisent M., Ruiz-Garcia L.,Moreda G.P., Lu R., Hernandez-Sanchez N., Correa E.C., Diezma B., Nicola"i B., García-Ramos J.; (2010). Sensors for product characterization and quality of specialty crops-A review. Computers and Electronics in Agriculture 74, pp. 176-194). Muchos de estos sistemas de visión utilizan la información de color (visible) y de una o varias bandas del infrarrojo cercano, que es lo que conocemos como sistemas multiespectrales.

La visión multiespectral también ha sido utilizada en la detección de defectos en cítricos. En (Aleixos, N., Blasco J., Navarrón F., Moltó, E.; (2002). Multispectral inspection of citrus in realtime using machine vision and digital signal processors. Computers and Electronics in Agriculture, 33(2002), pp. 284-393) se utiliza una cámara de doble CCD (charge-coupled device, o "dispositivo de carga acoplada"), uno en color y otro centrado en 750 nm, para clasificación y detección de defectos. En (Blasco J. Aleixos, N. Gómez J. Moltó, E.; (2007) Citrus sorting by identification of the most common defects using multispectral computer visiono Journal of Food Engineering, 83, pp.

384-393) se utilizan cuatro imágenes (visible, infrarrojo cercano, ultravioleta y fluorescencia) para esta tarea. Un paso siguiente lo constituye la clasificación de defectos, como se hace en (Blasco J., Aleixos N., Gomez-Sanchis J., Molto E.; (2009) Recognition and classification of externa I skin damage in citrus fruits using multispectral data and morphological features, Biosystems Engineering, 103(2), pp. 137-145), dónde mediante la combinación de datos multiespectrales y parámetros de forma abordan el problema de discriminar entre 11 tipos de defectos en cítricos.

La calidad interna de un fruto y, por tanto, su aceptación en el mercado, viene marcada por los parámetros de contenido total en sólidos solubles (T55), acidez y firmeza. El contenido en sólidos solubles (en un gran porcentaje azúcares) y la acidez condicionan el sabor en las frutas (Kader A.A.; (2008). Perspective flavor quality of fruits and vegeta bies. J. Sci. Food Agric., 88:1863-1868) (Byrne, D.H.; (2005). Trends in stone fruit cultivar development. HortTechnology, 15(3):494-500). La firmeza es otro parámetro de calidad que permite estimar de forma indirecta la madurez del producto y, por tanto, establecer tiempos de almacenamiento y condiciones de transporte óptimas hasta los mercados de consumo (Valero c., Crisosto C.H. y Slaughter D. (2007). Relationship between nondestructive firmness measurements and comercially ripening fruit stages for peaches, nectarines and plums. Postharvest Biology and Technology, 44:248-253).

La evaluación de los parámetros internos de forma no destructiva puede realizarse de distintas formas, siendo lo más habitual utilizar técnicas de espectroscopia en el infrarrojo cercano (NIRS), bien sea por transmisión o por reflexión. En estas técnicas se utiliza un emisor de luz y un receptor que recoge el espectro óptico. El emisor de luz suele ser una lámpara halógena. 5egún la cantidad de luz absorbida en las diferentes longitudes de onda del espectro recogido, se estiman los parámetros de calidad interna del fruto, ya que, por ejemplo, a 840 nm tenemos una banda de absorción para los azúcares y a 960 nm una de las bandas de absorción del agua. La medida por transmisión presenta la ventaja de que permite conocer las características internas del fruto en su totalidad, ya que la luz lo atraviesa. Por el contrario, en la medición por reflexión la luz penetra sólo unos milímetros en el interior de la pulpa, por lo que estamos midiendo las características de la parte más externa del fruto.

También hay trabajos que estudian el uso de imágenes multiespectrales (de infrarrojo) para estudiar la firmeza y el contenido de sólidos solubles. El utilizar imágenes en lugar de espectroscopia, tiene la ventaja de abarcar más área del fruto en cada exposición. En (Lu R.; (2004). Multispectral imaging for predicting firmness and soluble solids content of previous term

lll

apple next term fruit, Postharvest Biol. Technol. 31 , pp. 147-157) se utilizan 5 longitudes de onda para este fin, consiguiendo un coeficiente de correlación de 0.87 para la firmeza en manzanas. Por otro lado, (Lleó L., Barreiro P., Ruiz-Altisent M., Herrero A.; (2009). Multispectral images of peach related to firmness and maturity at harvest. Journal of Food Engineering, 93(2), pp. 229-235) han estudiado también la relación de la firmeza en melocotones con la información multiespectral a tres longitudes de onda del espectro (450, 675 Y 800 nm).

Para el estudio de defectos internos se hace necesario el uso de otras técnicas como la inspección por rayos X, la Tomografía Axial Computerizada (TAe) o Imagen por Resonancia Magnética (MRI) (Nicola"i B.M., Bulens l., Baerdemaeker J., Ketelaere B, Hertog M., Verboven P., Lammertyn J.; (2009). Non-destructive Evaluation: Detection of ExternaI and Internal Attributes Frequently Associated with Quality and Damage. Postharvest Handling (Second Edition),Pages 421-441).

Estas técnicas permiten obtener imágenes (proyecciones) en 2D o distintos cortes (que permiten una reconstrucción en 3D) del interior del fruto mostrando sus distintos niveles de densidad y por tanto permiten la detección de defectos internos.

En (Lammertyn J., Dresselaers T., Van Hecke P., Jancsók P., Wevers M., Nicola"i B.M.; (2003). MRI and x-ray CT study of spatial distribution of core breakdown in 'Conference' pears. Magnetic Resonance Imaging. 21(7), pp. 805-815) se utilizan las técnicas de TAC y MRI para estudiar la ruptura interna en peras. En ambos casos son visibles los defectos, aunque los autores indican que las imágenes de MRI tienen mejor contraste. En (Hernández-Sánchez et al., 2007) también se realiza un estudio de la estructura interna en peras utilizando distintas técnicas de resonancia magnética.

La inspección por rayos X, aunque menos potente que las técnicas anteriores, tiene la ventaja de ser más factible su uso en un entorno industrial. La imagen por rayos X ha sido particularmente interesante para la detección de daños internos en diversos productos como corazón acuoso y pardeamiento interno en pera y manzana (Tollner, E.W., Hung, Y.c., Upchurch, B.L., Prussia, S.E. (1992). Relating X-ray absorption to density and water-content in apples. Transactions of the ASAE, 35 (6): 1921-1928; Shahin, M.A., Tollner, E.W., Evans, M.D., Arabnia, H.R. (1999). Watercore features for sorting red delicious apples: a statistical approach. Transactions of the ASAE, 42 (6): 1889-1896; Lammertyn J., Dresselaers T., Van Hecke P., Jancsók P., Wevers M., Nicola"i B.M.; (2003). MRI and x-ray CT study of spatial distribution of core breakdown in 'Conference' pears.

Magnetic Resonance Imaging. 21(7), pp. 805-815) Y daños por congelación en naranja y mandarina (Peiris, K.H.S., Du", G.G., leffler, R.G., Burns, J.K., Thai, C.N., Kays, S.J. (1998). Nondestructive detection of section drying, an internal disorder in tangerine. Hortscience, 33 (2): 310-312), así como elementos extraños como huesos fragmentos de hueso en guinda y melocotón y la presencia de insectos en la fruta (Velasco, L.R.I., Medina, C.D. (2004). Soft X-ray imaging for non-destructive detection of the mango pulp weevil (Sternochetus frigidus (Fabr.)) infestation in fresh green 'carabao' mango fruits. Philippine Agricultural Scientist, 87 (2): 160-164; Hansen, J.D., Schlaman, D.w., Haff, R.P., Yee, W.L. (2005). Potential postharvest use of radiography to detect internal pests in deciduous tree fruits. Journal of Entomological Science 40 (3): 255-262).

Por otro lado, la termografía es una técnica que tiene su aplicación en el campo del control de calidad en la industria alimentaria y en agricultura (Vadivambal R. y Jayas D.; (2011). Applications of Thermallmaging in Agriculture and Food Industry -A Review. Food Bioprocess Technol, Vol. 4, pp. 186-199) (Gowen A.A., Tiwaria B.K., Cu"enb P.J., McDonne"a K., Q'Donne" c.P.; (2010). Applications ofthermal imaging in food quality and safety assessment . Trends in Food Science & Technology. Vol. 21, pp. 190-200). Aunque es una técnica conocida desde hace bastantes años, actualmente el interés por su uso está aumentando, posiblemente, debido a que las cámaras termográficas que permiten adquirir la radiación correspondiente al infrarrojo medio (7 -14 ~m), aunque todavía tienen un precio elevado, están disponibles con facilidad y en numerosos formatos, lo cual, facilita su aplicación en numerosos entornos.

la presente invención propone un sistema tecnológico de procesado de frutos conceptualmente diferente a lo encontrado en las plantas actuales. Se trata fundamentalmente de la sustitución de las etapas intermedias de selección, calibrado, control de calidad y confeccionado por una única etapa basada en una celda robotizada controlada por visión multiespectral inteligente.

Mientras que las instalaciones actuales se basan en un diseño modular (con los bloques funcionales de despaletizado, volcado, selección, calibrado, control de calidad, confección y paletizado), el presente sistema sustituye los módulos intermedios (selección, calibrado, control de calidad y confección) por celdas robotizadas guiadas por visión multiespectral inteligente, que permiten realizar un procesado y envasado de los frutos que entran en la cadena de producción en una sola etapa, proporcionando a los frutos un trato más delicado, pues reduce la cantidad de golpes que reciben.

Descripción de las figuras:

Para complementar la descripción de la invención, y con objeto de ayudar a una mejor comprensión de sus características estructurales y funcionales, se acompañan a la presente 5

memoria descriptiva, como parte integrante de la misma, una serie de dibujos con carácter ilustrativo y no limitativo, donde se representa esquemáticamente una realización preferente de la invención. En dichos dibujos:

La Figura 1 muestra una vista cenital de la celda. La Figura 2 muestra una vista lateral de la celda, excluyendo la valla de protección. 10 La Figura 3 muestra la relación entre los principales módulos que implementan el sistema.

Descripción de la invención:

La presente invención propone un sistema que se integra en una planta procesadora según el siguiente esquema: Despaletizado, volcado, procesado y envasado por celda(s) robotizada(s), y paletizado. La invención es modular (la celda puede ser considerada como un "bloque constructivo o adaptable" dentro de la cadena de producción), por lo que si se desea aumentar la capacidad de producción deseada se instalarán más celdas en paralelo. Pueden instalarse tantas celdas como sea necesario.

La celda consta de un sistema de entrada donde se depositan los frutos, sobre la cual se encuentra una cámara de iluminación. Contiene un recinto donde se alojan la unidad de control y el sistema de visión que gobiernan el sistema robótico, el cual colocará el fruto en la cinta transportadora de salida adecuada. La celda se completa con una valla de protección que la rodea perimetralmente.

El aspecto más importante de la presente invención consiste en un sistema de visión multiespectral inteligente optimizado mediante clasificación avanzada de patrones para la detección de defectos a través de una metodología general que pueda ser utilizada en problemas de control y evaluación de calidad (principalmente, aquellos basados en imágenes). Este sistema de visión multiespectral guía a un sistema robotizado para realizar la selección y envasado del fruto en embalaje definitivo.

Para ello se realiza un estudio de cada píxel y su entorno y, en este caso concreto, en cada una de las imágenes multiespectrales (visible, infrarrOjo cercano y medio, y rayos X). La metodología a seguir en el desarrollo del sistema de detección parte del diseño utilizado para este tipo de sistemas, donde el aspecto clave y diferenciador se encuentra en la optimización de la etapa de preprocesamiento/extracción de características. Realizamos esta optimización mediante la utilización de computación de altas prestaciones y procesamiento paralelo, por un lado para realizar un barrido de parámetros (para buscar buenos tamaños de regiones, principalmente), y por otro lado, en la selección de características, para lo cual se utilizan Algoritmos Genéticos Paralelos (GA).

En nuestro caso concreto, la entrada al sistema consiste en una o más regiones (patches) centradas en el pixel a estudiar (clasificar) para cada uno de los canales de entrada. Estas regiones pueden estar redimensionadas en función de la resolución espacial de las imágenes, especialmente en el caso de estudiar zonas de forma global.

La información del visible y del infrarrojo es tratada simultáneamente con el mismo clasificador. Sin embargo, las imágenes de rayos X y termográficas se procesan con unos clasificadores distintos. La razón es que las imágenes de visible e infrarrojo son capturadas de forma simultánea con cámaras con 2 CCD (uno de visible y otro de infrarrojo cercano), sincronizados a nivel de pixel, mientras que, forzosamente, las imágenes de rayos X y termográficas son capturadas en otro momento mediante otros equipos dedicados. Podrán utilizarse entre una y tres cámaras y visión estereoscópica para así abarcar la mayor superficie posible del fruto.

En general, se utilizan como entrada al sistema los patches de cada uno de los canales, pero también es posible utilizar transformadas de éstos. La extracción de características se realiza principalmente mediante Análisis en Componentes Independientes (ICA) o métodos análogos. El valor añadido de ICA es que la base de funciones utilizadas está adaptada al ámbito en que se desea aplicar (en nuestro caso imágenes del espectro visible, infrarrojo cercano, termografía y rayos X), dado que se genera en base al problema a tratar, a diferencia de otras metodologías.

La siguiente fase consiste en una selección de características de las componentes obtenidas en la etapa anterior. La selección de características permite, por un lado, simplificar la complejidad computacional del clasificador, y, por otro, disminuir el problema de "la maldición de la dimensionalidad" (the curse of dimensionality). Así se consigueoptimiza la capacidad de generalización del clasificador, aspecto clave en el diseño de clasificadores. Se utiliza un método de optimización basado en Algoritmos Genéticos o similar ejecutado mediante computación paralela de altas prestaciones.

Finalmente, una vez preprocesados los datos de entrada, éstos estarán preparados para ser clasificados. Como clasificador en sí utilizamos tanto NN (Neural Networks, Redes Neuronales) como clasificadores SVM (Support Vector Machines). En ambos casos, se optimizan los parámetros del clasificador concreto mediante barridos de parámetros.

Por último, otro de los componentes fundamentales en la presente invención es la base de datos. Un sistema de clasificación inteligente de patrones es al fin y al cabo un sistema que aprende de los datos, por lo que se lleva a cabo la creación de una buena base de datos de entrada. En la base de datos se etiquetan las zonas de defectos, y cubre tanto a frutos en buen estado como a frutos con toda la variedad de defectos a estudiar.

Descripción de una realización preferida:

Para mostrar con claridad la naturaleza y el alcance de la aplicación ventajosa de la celda que constituye el objeto de la invención reivindicada, se describe seguidamente su estructura haciendo referencia a los dibujos que, por representar una realización preferente de dicho objeto, con carácter informativo, deben considerarse en su sentido más amplio y no como limitadores de la aplicación y el contenido de la invención reivindicada.

la celda consta de una cinta transportadora de entrada (5) donde se depositan los frutos, sobre la cual se encuentra una cámara de iluminación (6).

la celda contiene un recinto (2) donde se aloja la unidad de control y el sistema de visión multiespectral integrador que gobiernan el brazo mecánico.

El brazo mecánico (1) colocará el fruto en la cinta transportadora de salida adecuada (3 y 4), de acuerdo a la clasificación obtenida a partir de la unidad de control y el sistema de visión, como se describirá más adelante.

Finalmente, la celda se completa con una valla de protección (7) que la rodea perimetralmente.

la metodología de clasificación se divide en tres fases o etapas. la Fase I es la extracción de la base ICA, que utilizará un algoritmo ICA sobre las bases de datos para reducir la dimensión mediante Análisis de Componentes Principales (PCA), y seleccionará las características con la optimización de algoritmos genéticos. la Fase 11 consiste en el entrenamiento de clasificadores sobre prototipos de entrenamiento. Por último, la Fase 111 se centra en la clasificación de un nuevo patrón, con el objetivo de llegar a una decisión final sobre la existencia de defectos en el fruto. Existe además la posibilidad de utilizar características adicionales (en principio no obtenidas de las imágenes).

La metodología global utiliza un núcleo central (12) constituido por los sistemas de almacenamiento, con el servidor SQL (13) y el servidor de archivos (14). Alrededor de los sistemas de almacenamiento pivotan el resto de módulos: generación de matrices ICA (8), entrenamiento y optimización (9), y reconocimiento (10). El procesado de datos se lleva a cabo mediante un Clúster Beowulf (11).

El primero de estos módulos es el generador de matrices ICA (8). Su función es generar las matrices ICA para las distintas configuraciones de entrada (tamaño de los patches y número de componentes) para cada uno de los canales de entrada (15). Para el caso de visible e infrarrojo cercano se hará el paso de forma conjunta, ya que tenemos asegurada la concordancia entre los pixeles del visible e infrarrojo cercano.

El procedimiento de generar estas matrices de transformación es no supervisado, es decir, no es necesario que las imágenes de partida estén etiquetadas, pero es útil para así hacer que los patches utilizados para este proceso estén equilibrados entre las distintas clases. El resultado son las bases ICA que se utilizan para desarrollar un nuevo patch y así obtener las características para utilizar en el proceso de clasificación. Este módulo implementaría la primera parte de la "Fase 1" descrita anteriormente.

El segundo de los módulos es el de entrenamiento y optimización de clasificadores (9), que utiliza las zonas de la base de datos etiquetadas para entrenar los clasificadores ("Fase 11"). Para etiquetar estos datos se utiliza la interfaz para etiquetado de prototipos (16). En primer lugar, utilizando las matrices ICA del paso anterior se realiza la extracción de características de cada patch (y para cada canal) de los subconjuntos de entrenamiento y test. Utilizando estos conjuntos se efectúa un primer entrenamiento de los clasificadores.

Las mejores configuraciones de este primer entrenamiento se utilizan como punto de partida para la optimización basada en Algoritmos Genéticos Paralelos, centrándose exclusivamente en la selección de características (segunda parte de la "Fase 1").

El tercero de los módulos lo constituye el módulo final de reconocimiento (lO), que se corresponde con la "Fase 111". En este módulo se utilizan las matrices ICA y los clasificadores entrenados y optimizados para buscar defectos en los grupos de imágenes (visible, infrarrojo y rayos X) de un fruto determinado. Este proceso se realiza pixel a pixel, utilizando patches alrededor de cada pixel bajo estudio. El resultado es una nueva imagen en la que se tienen marcados los distintos defectos detectados que permite decidir si el fruto es descartado o no, guiando al sistema robotizado hacia el mismo.

Claims

REIVINDICACIONES

1.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, caracterizada por estar constituida por un brazo robotizado (1), una cinta para la alimentación de la fruta (5) y varias cintas de salida con los distintos tipos de embalaje (3 y 4), un sistema de iluminación (6) y un armario de control (2) que aloja un sistema de visión multiespectral y la unidad de control.
2.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, según reivindicación 1, caracterizada por comprender un sistema robotizado guiado por coger cada fruto y depositarlo en el embalaje correcto, o descartarlo si fuera necesario.
3.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, según reivindicaciones 1 y 2, caracterizada por el uso de visión multiespectral (utilizando de forma conjunta radiación visible, infrarrojo cercano, termografía y rayos X).
4.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, según reivindicaciones 1-3, caracterizada por el uso de visión multiespectral inteligente, optimizada mediante técnicas avanzadas de segmentación de imágenes y clasificación avanzada de patrones.
5.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, según reivindicaciones 1-4, caracterizada porque todo el procesamiento se desarrolla en una única etapa en lugar de las tres o más de los sistemas tradicionales.
6.

Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y brazo robotizado, según reivindicaciones 1-5, caracterizada por ser modular, lo que le permite constituirse como bloque constructivo-adaptable dentro de la cadena de producción.

3 1

7

Figura 1

1

3, 4, 5

2

Figura 2

"&---+--14

~

( .] 10

Figura 3