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
[email protected] © [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 [email protected]
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