77 9). Comparando los resultados del sistema desarrollado con los obtenidos en fábrica por un inspector humano, observamos un error tipo I (error derivado de clasificar un gajo bueno como malo) de un valor de 14,6% para el sis- tema automático, frente a la media de 18% que ofrecen los inspectores humanos. En lo referente al error tipo II (catalogar un gajo malo como bueno), se observa una me- jora sustancial, ya que el sistema presenta un valor del 10,4% frente a un 30% de media de los operadores hu- manos. Desde el punto de vista del productor, el peor error de todos es el tipo II, ya que hará que el envase pre- sente un índice mayor de gajos defectuosos, lo que em- peoraría la calidad del producto envasado. El error tipo I no es tan importante para el productor, ya que los gajos retirados se pueden reutilizar en otro productos no tan exigentes con la forma del gajo, tales como la producción de zumo. En consecuencia, dado que el sistema automatizado pre- senta un error tipo II mucho más bajo que el ofrecido por la inspección manual, es posible concluir que el sistema presentado ofrece una mejora de la calidad del producto envasado significativa, a la par que una mejora de la ve- locidad de inspección, ya que el sistema automatizado permite una tasa de inspección de unos 36 gajos por se- gundo, muy superior a la alcanzable mediante inspección manual.I Figura 9: Prototipo montado en la línea de producción de una fábrica para realizar la verificación de su funcionalidad. Referencias bibliográficas • Costa, C., Antonucci, F., Pallottino, F., Aguzzi, J. y Sun, D.W. Shape Analysis of Agricultural Products: A Review of Recent Research Advances and Potential Application to Computer Vision. Food Bioprocess Technology 4: pg. 673–692. Springer. 2011. • Fernández, C., Suardíaz, J., Navarro, P.J. Automated visual inspection application within the industry of preserved vegetables, International conference on quality control by artificial vision QCAV’01, Le Creusot, France, May. 21-23, 2001, pp. 1-6. • Fernández, C., Suardíaz J., Jiménez C., Navarro, P.J., Toledo, A., Iborra, A. Analysis of Natural Contours Based on Neural Networks. Proceedings of the International Conference on Fuzzy Systems & Soft Computational Intelligence in Management and Industrial Engineering (FSSCIMIE’02). Pg. 60-64. • Shafiee, S., Minaei, S., Moghaddam-Charkari, N., Barzegar, M. Honey characterization using computer vision system and ar- tificial neural networks. Food Chemistry 159: pg. 143–150. Elsevier 2014. • Serhad Y y Hakki I. Quality evaluation of chickpeas using an artificial neural network integrated computer vision system. In- ternational Journal of Food Science and Technology, 46, pg. 194–200. 2011. • Suardíaz J. Diseño de algoritmos de visión por computador mediante técnicas de selección de vectores de características. Aplicación a sistemas de inspección visual automatizada en tiempo real. Tesis doctoral de la Universidad Politécnica de Car- tagena. 2000. • Zhang, B., Huang, W., Li, J., Zhao, C., Fan, S., Wu, J., y Liu, C. Principles, developments and applications of computer vision for external quality inspection of fruits and vegetables: A review. Food Research International 62: pg. 326–343. Elsevier 2014. poscosecha