76 en conserva, se recomienda acudir a los trabajos (Fernández et al., 2001) y (Suar- díaz, 2000). Esta firma se reduce posteriormente a los valores correspondientes a una serie de ángulos prefijados, formando así el denominado vector de características que será el que se analizará, mediante la red neuronal, para determinar si el gajo correspondiente se clasifica como defectuoso o no, de acuerdo a unos cri- terios de calidad previamente fijados y entrenados. Este procedimiento asegu- ra una inspección homogénea y elimina la posible subjetividad asociada al ope- rador en la inspección manual. Figura 7: Pantalla de entrenamiento de la red neuronal. La Figura 7 muestra la pantalla de la fase previa de entrenamiento, que ofrece in- formación sobre las tasas de error aso- ciadas al entrenamiento de la red, de utilidad para el supervisor que la confi- gura. Una vez configurada la red neuro- nal, ésta queda almacenada y puede ser aplicada para clasificar nuevas entradas, sin necesidad de más entrenamiento. En la Figura 8 se puede ver una pantalla con la clasifica- ción que la red entrenada ofrece sobre un nuevo conjunto de gajos a inspeccionar, marcando visualmente con una cruz los que considera defectuosos y que deberían reti- rarse de la cinta con el mecanismo de expulsión. Resultados En el caso de la red neuronal de tipo Feed Forward con minimización del error de la media cuadrática, con dife- rentes configuraciones, los mejores resultados se obtu- vieron para funciones de activación tan-sig (T). Con una estructura de capas: 6T, 5T, 4T se alcanzó un índice de fiabilidad del 90% y con una estructura de capas: 10T 16T 16T 4T se llegó al 92,5%. En el caso de redes neuronales tipo Elman, con una con- figuración 4T 8R 4T, se consiguió un índice de fiabilidad del 91% y con una configuración 10T 16R 8T se alcanzó el 93%. Finalmente, en la red neuronal de tipo Radial Ba- sis, con una configuración de ancho (spread) de 100, se consiguió un índice de fiabilidad del 94%, y con una con- Figura 8: Pantalla de clasificación frente una entrada nueva presente en la cinta transportadora. El proceso de selección mediante métodos de inspección visual y separación manuales pueden suponer errores humanos figuración de spread del 10, se consiguió un índice de fiabilidad del 98%. Como resultado final, se ha verificado que las redes neu- ronales del tipo Radial Basis, ofrecen soluciones viables para la implementación de sistemas de inspección visual automatizada que deban manejar variabilidad debido al carácter natural de la formas que analizan. El sistema fue incluido dentro de la línea de envasado de una fábrica a fin de verificar su funcionamiento (ver Figura poscosecha