Artículo SVA Limón CIRC 2013

8/18/2019 Artículo SVA Limón CIRC 2013

1/7

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/259891195

Diseño de un sistema de visión artificial paraseleccionar limón

CONFERENCE PAPER · MAY 2013

DOI: 10.13140/2.1.2308.7043

READS

587

4 AUTHORS, INCLUDING:

Luis Humberto Rivera Cambero

Instituto Tecnológico Superior de La Huerta

17 PUBLICATIONS 12 CITATIONS

SEE PROFILE

Juan CARLOS Rodriguez

Instituto Tecnológico Superior de La Huerta

2 PUBLICATIONS 0 CITATIONS

SEE PROFILE

Available from: Luis Humberto Rivera Cambero

Retrieved on: 22 March 2016

https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_4https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_5https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_5https://www.researchgate.net/?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_1https://www.researchgate.net/profile/Juan_Rodriguez76?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_7https://www.researchgate.net/institution/Instituto_Tecnologico_Superior_de_La_Huerta?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_6https://www.researchgate.net/profile/Juan_Rodriguez76?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_5https://www.researchgate.net/profile/Juan_Rodriguez76?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_4https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_7https://www.researchgate.net/institution/Instituto_Tecnologico_Superior_de_La_Huerta?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_6https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_5https://www.researchgate.net/profile/Luis_Rivera_Cambero?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_4https://www.researchgate.net/?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_1https://www.researchgate.net/publication/259891195_Diseno_de_un_sistema_de_vision_artificial_para_seleccionar_limon?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_3https://www.researchgate.net/publication/259891195_Diseno_de_un_sistema_de_vision_artificial_para_seleccionar_limon?enrichId=rgreq-63658570-15f2-483e-b714-2b29c4c19fe7&enrichSource=Y292ZXJQYWdlOzI1OTg5MTE5NTtBUzo5ODc0NTc1NjY4NDMwNEAxNDAwNTU0MjMxNzQy&el=1_x_2


2/7

Diseño de un sistema de visión artificial para

seleccionar limón

Rivera Cambero L. H.*, Martínez Orozco G.* Jiménez Vicencio M. L.*, Rodríguez

Ramos J. C.*

* Instituto Tecnológico Superior de La Huerta,

La Huerta, Jalisco. C.P. 48850 México

(Tel: 357-384-1884; e-mail: [email protected]).

Resumen: En este proyecto se presenta el diseño de un sistema de visión artificial capaz de

determinar el grado de madurez y tamaño del limón con base en el procesamiento deimágenes utilizando filtros y algoritmos con el programa Matlab. Se desarrolló una tarjetade adquisición de datos con el microcontrolador PIC18F4550 para detectar la presencia dellimón con un sensor de proximidad y para seleccionar la fruta con el resultado delprocesamiento.

Palabras claves: Sensor, procesamiento de imagen, PIC18F4550, filtros, algoritmo

1. INTRODUCCIÓN

Actualmente, la implementación de la visión artificialen la agricultura se ha intensificado

considerablemente en los últimos años, como porejemplo agricultura de precisión, monitoreo decultivos, robótica, inspección no destructiva de laspropiedades del producto, clasificación en líneas deprocesamiento, control de calidad y en general en la

automatización de procesos. El uso en estasaplicaciones se debe a que los sistemas de visiónartificial proporcionan información acerca de lanaturaleza y atributos de la escena capturada. Por otra

parte, esta tecnología permite la posibilidad deestudiar escenas en regiones del espectro

electromagnético en las que el ojo humano no essensible, como es el caso de la radiación ultravioleta(UV) o regiones del infrarrojo (IR) (Zude, 2008).

La inspección de productos agroalimentarios es uncampo donde se implementa esta tecnología y se haextendido rápidamente (Sun, 2007, Lorente et al.,2012) y particularmente en la inspección automáticade frutas y verduras. La calidad de una pieza de fruta

o verdura, sea fresca o procesada, se define por una

serie de características fisicoquímicas que la hacenmás atractiva para el consumidor, tales como sugrado de madurez, tamaño, peso, forma, color, entreotras (Du y Sun, 2006).

Estudios efectuados con variedades diferentes de

manzanas en donde personal cualificado comparóvarias características de forma, tamaño y color,demostró la limitada capacidad humana parareproducir la estimación de la calidad, a esto losautores definen como inconsistencia (Paulus et al.,

1997). Además, las exigencias de calidad son cadavez mayores que se expresa en las Normas Oficiales

Mexicanas (NOM). El aumento de parámetrosconsiderados en un proceso de selección para la tomade decisiones, lo hace también el error declasificación.

Con la finalidad de contribuir con el desarrollo

tecnológico en la región de la Costa Sur en Jalisco para los productores de limón, se propone el diseñode un sistema con base en la visión artificial y el

procesamiento de imágenes para selección de limón,aplicando un algoritmo que sea capaz de identificarlas características morfológicas como el grado demadurez y su tamaño utilizando captura, filtros deimagen y toma de decisiones con el programa de

Matlab y una tarjeta de adquisición de datos.

211

Instituto Tecnológico de La Paz CIRC 2013

ISBN: 978-607-95534-5-6


3/7

2. CONCEPTOS BÁSICOS DE UN SISTEMA DEVISIÓN ARTIFICIAL.

2.1. Formación y representación de la imagen.

Una imagen es una representación visual de unobjeto iluminado por una fuente radiante. Las que se

perciben en las actividades cotidianas provienen

normalmente de la luz reflejada por los objetos. La

naturaleza básica de una imagen, representada por , está caracterizada por dos componentes: la

cantidad de luz incidente que procede de la fuente de

la escena contemplada; y la cantidad de luz reflejada

por los objetos de la escena.

Las componentes reciben el nombre de iluminación yreflactancia, notándose y

respectivamente. Estas funciones al combinarse

como producto obtienen

En el proceso de formación de la imagen intervienenlos siguientes elementos: el objeto, la fuente radiante

y el sistema de formación de la imagen que consiste, básicamente, en un sistema óptico, un sensor y undigitalizador.

La imagen digital puede ser representada por una

matriz de dimensiones de la forma:

(1,1) (1, 2) (1, )(2,1) (2, 2) (2, )

( ,1) ( ,2) ( , )

f f f M f f f M

f

f N f N f N M

(1)

donde cada elemento, pixel, da la intensidad de la

imagen en ese punto (González, 2006).

2.2. Etapas en un proceso de visión artificial

La primera etapa en el proceso es adquirir la imagen

digital utilizando sensores ópticos con capacidad paradigitalizar la señal producida. La segunda etapa es elpreprocesamiento de la imagen donde se aplican

filtros y algoritmos.

La tercera etapa es la segmentación de la imagen queconsiste en la división de la imagen en las distintasregiones que la componen, de las que se obtienen los

objetos de interés en la imagen. Una forma desegmentar una imagen es clasificando cada pixel

como perteneciente a una clase, para lo que existen

numerosos métodos descritos en la bibliografía(González y Woods, 2002; Russ, 2006).

La salida del proceso de segmentación es una imagende datos que contiene la frontera de la región o lospuntos. Dos formas de representación de la imagenson la representación por frontera o región completa.La representación por la frontera es apropiada cuandoel objetivo se centra en las características de la formaexterna como esquinas o concavidades y

convexidades. La representación por regiones esapropiada cuando la atención se centra enpropiedades internas como la textura o el esqueleto.

Una vez seleccionada la representación de la imagen,se debe especificar el método que obtenga los datosde interés.

La cuarta etapa es la parametrización que se dedica aextraer rasgos que producen las regiones de interés(ROI) o rasgos que son básicos para diferenciar unaclase de objetos de otra. La quinta etapa se encuentra

el reconocimiento y la interpretación, elreconocimiento es el proceso que asigna una etiqueta

a un objeto basada en la información que proporcionan los descriptores (clasificación). Lainterpretación lleva a asignar significado al conjuntode objetos reconocidos. En la figura 1, se muestra el

diagrama de bloques de todas las etapas que

intervienen en un sistema de visión artificial (SVA)(González, 2006).

Fig. 1. Diagrama de bloques de las etapas de un

sistema de visión artificial.

212


ISBN: 978-607-95534-5-6


4/7

2.3. Componentes de un sistema de visión artificial

Los elementos mínimos necesarios para un sistemade visión artificial (SVA) son los siguientes:

Sensor óptico: Es un dispositivo capaz de capturar

una escena y digitalizarla, puede ser una cámara. Lascámaras industriales más populares están basadas enCCD (dispositivo de carga acoplada), que consisten

en una serie de sensores (pixeles) compuestos cada

uno de ellos por una fotocélula y un capacitor(Peterson, 2001).

Tarjeta de adquisición de imagen: Permite digitalizar

la señal de video entregada por el sensor óptico.

Computadora: Su funcionamiento es para almacenar

y procesar la escena capturada por un programa.

Monitor de video: Permite visualizar las imágenes o

escenas captadas como resultados del procesamientode dichas imágenes.

En la figura 2 se puede analizar el objeto observado,

la iluminación, la cámara y el proceso dedigitalización que permite por un lado lavisualización de la imagen digital y por otro lado el

proceso de extracción de parámetros y su posterior proceso de análisis y control que actúa sobre elentorno del objeto, ya sea para: clasificarlo,

desestimarlo, actuar sobre él, entre otras funciones(González, 2006).

Fig. 2. Diagrama de bloques de un sistema SVA.

3. DESARROLLO DEL SISTEMA DE VISIÓNARTIFICIAL.

Para el diseño del sistema se utilizó una computadora portátil con un procesador Intel Celeron de doblenúcleo a 2 GHz y 2 GB de memoria RAM, unacámara web USB Encore, un microcontroladorPIC18F4550, un cable USB, 8 resistencias de 220 ,

1 capacitor electrolítico de 47 µF y 2 capacitorescerámicos de 22 pF, un cristal de 4 MHz, leds,terminales, un programador PICkit 2, un sensor de

proximidad y un prototipo de banda transportadora.

3.1. Adquisición de imagen

En el SVA se ubicó la cámara a 90° y a 25 cm sobrela posición del limón en la banda transportadora y seconectó a la tarjeta de adquisición de imágenes de lacomputadora. Se instaló una lámpara led a 25° de lasuperficie del limón con referencia al eje horizontalpara eliminar la sombra generada (Fernández, 2005).En la figura 3 se observa el prototipo utilizado para

obtener la imagen del limón.

Fig. 3. Prototipo del sistema de visión artificial.

Se utilizó un sensor de proximidad ubicado en la basede la cámara para detectar la presencia del limón

(Figura 4) enviando la señal por medio de la tarjetade adquisición de datos (Figura 5) conectada a lacomputadora por el puerto USB indicando al

programa que realice la captura de la imagen y

proceda con el procesamiento de la imagen.

Fig. 4. Sensor de proximidad.

213


ISBN: 978-607-95534-5-6


5/7

Fig. 5. Tarjeta de adquisición de datos conmicrocontrolador PIC18F4550.

3.2. Transformación y filtrado

Se aplicó un filtro de moda que suaviza los bordesentre regiones de diferentes clases y elimina los

pixeles aislados que no forman ninguna región y quesolo constituyen ruido en la imagen. Para la

aplicación de este filtro, se recorre la imagensegmentada y se calcula, para cada pixel, el valor que

aparece con más frecuencia en la ventana de 8 -vecinos. Se podría haber aplicado un filtro demediana, pero se consideró más apropiado el filtro demoda ya que con este último se consigue, además,suavizar la frontera entre regiones adyacentes, lo que

permite acelerar los procesos siguientes de extraccióny análisis de contornos de las ROI (Cubero, 2012).

El algoritmo seguido para filtrar la imagen es elsiguiente

Para cad a píxel en la ROI de la Imagen Segmentada

{

Calcular el valor más repetido de los 8-vecinos del

píxel

Copiar el valor obtenido en la Imagen Filtrada

}

3.3. Segmentación

Para implementar la segmentación de la imagen, se

realizó un recorrido secuencial desde la coordenada( x=0, y=0). Al obtener el valor RGB de un pixel se

clasificó utilizando la tabla de consulta (LUT) y seobtuvo la clase con la que se etiqueta ese pixel. El

resultado de este proceso es una nueva imagen en la

que cada pixel tiene un valor entre 0 y 9. Este métodoha sido probado con anterioridad en problemas

similares y tiene la ventaja de ser muy rápido desdeel punto de vista de costo computacional, en cada

pixel se tiene que acceder a la LUT que se encuentra

almacenada en memoria para comprobar el valor

asociado o si pertenece a un intervalo determinado.

Una de las desventajas que presenta este métodosupervisor es que necesita calibración previa y enocasiones se debe realizar de nuevo cuando varíanlas condiciones originales (Cubero, 2012). El

algoritmo para segmentar la imagen es el siguiente:

Para cada píxel en la ROI de la Imagen Original

{

Extraer RGB del píxel

Comprobar la clase a la que pertenece el píxel en la

LUT

Copiar el valor obtenido de la clase en la Imagen

Segmentada

}

3.3. Parametrización

Para procesar el contorno de la imagen se utilizó el

método de código de cadena (Freeman, 1961). Estemétodo se aplica a la totalidad de los pixeles en laimagen. Cuando se detecta un pixel perteneciente al

contorno, se inspeccionan todos sus vecinos en el

sentido de las agujas del reloj (iniciando en el mismo

pixel, por ejemplo el que se encuentra situado a la

derecha) en busca de los pixeles que continúan elcontorno hasta finalizar en el pixel inicial. En caso de

llegar a una frontera abierta, todos los pixeles de este

contorno se descartan y se continúa el procesoalrededor buscando otro pixel perteneciente a un

nuevo contorno (Cubero, 2012).

3.4. Clasificación

Los valores de color en la imagen se ofrecen en

coordenadas de color RGB y es necesario

convertirlos a Hunter L, a, b que es una escala de

color basado en la teoría de colores opuestos, asumeque los receptores del ojo humano perciben el color

como los siguientes pares de opuestos: claro-oscuro,

rojo-verde y amarillo-azul, el valor de L indica el

nivel de claridad u oscuridad, el valor de a es el

enrojecimiento o tono verde y el valor de b es el tono

amarillo o azulado. Los tres valores son necesarios

para describir completamente el color de un objeto

(Hunter Lab, 2008), se estima posteriormente el

índice de color de los cítricos (ICC) (Jiménez et al.,1981). Para realizar la conversión del espacio decolor RGB a cualquier otro es necesario convertir

previamente los valores originales al espacio XYZ

utilizando la matriz (2) como transformaciónestandarizada propuesta por la ComisiónInternacional para la Iluminación (CIE) en 1931.

214


ISBN: 978-607-95534-5-6


6/7

(2)

Este paso representa una pérdida de precisión ya queel espacio RGB es limitado en cuanto a número de

colores; en RGB no se pueden definir todos loscolores posibles que aporta un espectro.

Algoritmo para decidir el color de la fruta:

Se estima la moda de todos los valores RGB

pertenecientes a fruta de cada imagen. El valor de la

moda se convierte finalmente a espacio Hunter Lab

para obtener el ICC de cada fruta utilizando la

siguiente ecuación:

(3)

Una vez obtenidos los resultados del análisis, estos setransfieren a un espacio de memoria en la

computadora para que el programa desarrollado los

clasifique según los parámetros deseados del usuario.

3.5. Diseño del programa para el procesamiento

El programa se desarrolló con Matlab en el entornográfico GUI utilizando el la caja de herramientas deadquisición de imágenes para generar el código decaptura como se muestra a en la figura 3. Puede

observarse la imagen capturada, la relación devalores RGB en gráficos y la moda correspondienteal área analizada, además muestra si la fruta esaceptada o rechazada.

Fig. 5. Interfaz gráfica del programa desarrollado enMatlab.

Se programaron los algoritmos utilizando las

funciones del programa y se validaron con imágenespreestablecidas. El funcionamiento del programa

que permite poner en funcionamiento la banda

transportadora que a su vez envía una señal dedetección de la fruta por medio del sensor de

proximidad indicándole que realice la captura de laescena. Una vez obtenida la imagen, se procesa y se

determina su selección indicando si es aceptada orechazada enviando el programa una respuesta a la

tarjeta de adquisición de datos para que realice laacción de selección.

4. RESULTADOS

Se sincronizaron manualmente la detección de lafruta por el sensor de proximidad y la orden de

captura de la imagen, así mismo se encontró elángulo óptimo de incidencia de iluminación a 25°evitando sombras en la captura de la imagen.

En la figura 6 se demuestra en síntesis las etapas del proceso de visión artificial. Se analiza la captura de

la imagen de la fruta, los valores de los colores enformato RGB y los resultados obtenidos al

implementar el filtro de moda para determinar el

grado de madurez, así mismo se implementó elalgoritmo de contorno, selección de objeto y cálculode área para obtener el tamaño de la fruta. Se realizóla calibración del algoritmo utilizando el índice decolor de cítricos (ICC) comparando el color demadurez con el espectro Hunter Lab y el tamaño conlas características deseadas del productor.

Se realizaron pruebas controladas y se obtuvo un

porcentaje de precisión considerable cercano al 97%.

El principal problema es encontrar el ángulo deiluminación eficiente para que elimine en su totalidadlas sombras.

Fig. 6. Ejecución del programa.

215


ISBN: 978-607-95534-5-6


7/7

5. CONCLUSIONES

Al desarrollar el sistema de visión artificial, seanalizaron algoritmos de procesamiento de imágenescapaces de ofrecer resultados variados, se

seleccionaron los algoritmos propuestos por

González (2006) y Cubero (2012) obteniendo unresultado óptimo bajo restricciones de prueba. Elsistema tiene la capacidad de analizar el grado de

madurez y el tamaño del limón con un gradoconsiderable de aceptación con un error cercano al3% en pruebas controladas.

Como trabajos futuros se mejorará la proyección dela iluminación y se optimizarán los algoritmos paradetectar los defectos de la fruta para incluirlo como

restricción en la selección del limón, además derealizar el análisis en movimiento de la bandatransportadora para reducir tiempos.

AGRADECIMIENTOS

Al Instituto Tecnológico Superior de la Huerta por facilitar el uso del laboratorio de cómputo y ciencias

básicas para desarrollar este proyecto.

REFERENCIAS

Cubero, S., (2012). Diseño e implementación de

nuevas tecnologías basadas en visión artificial

para la inspección no destructiva de la calidad

de fruta en campo y mínimamente procesada.

Tesis Doctoral. Universidad Politécnica deValencia.Du, C.J., Sun, D.W. (2006). Learning techniques

used in computer vision for food quality

evaluation: a review. Journal of Food

Engineering, 72, 39 55.

Lorente, D., Aleixos N., Gómez, J., Cubero, S.,García, O.L. y Blasco, J. (2012). Recent advances and applications of hyperspectral

imaging for fruit and vegetable quality

assessment . Food and Bioprocess Technology.

1-22. 10.1007/s11947-011-0725-1

Fernández, L., Castillero, C. y Aguilera, J.M. (2005). An application of image analysis to dehydration

of apple discs. Journal of Food Engineering, 67,

185 193.

Freeman, H., (1961). On the encoding of arbitrary

geometric configurations. IEEE Trans. Elect.

Computers. EC-10:260-268.

González, A., Martínez, F., Pernía, A., Alba, F.,Castejón, M., Ordieres, J. y Vergara, E. (2006).Técnicas y algoritmos básicos de visión

artificial. Editorial Universidad de La Rioja.

España.González, R.C. y Woods, R.E. (2002). Digital image

processing. Prentice Hall, USA.

Hunter Lab, (2008). Application note: Hunter L,a,b

versus CIE 1976 L*a*b*. Disponible en:

http://www.hunterlab.com/appnotes/an02_01.pdf

. Recuperado en Abril de 2013.

Jiménez, M., Cuquerella, J. y Martínez, J.M. (1981). Determination of a color index for citrus fruit

degreening. Proceedings of the International

Society of Citriculture (2), 750-753.

Paulus, I., De Busscher, R. y Schrevens, E. (1997).

Use of image analysis to investigate human

quality classification of apples. Journal

Agricultural Engineering Research, 68, 341-53.

Peterson, C. (2001). How it works: the charged-

coupled device or CCD. Journal of young

investigators. Available at:

Russ, J.C. (2006). The Image Processing Handbook,

Fifth Edition. CRC Press, Boca raton, USA.Sun, D.W. (2007). Computer vision technology for

food quality evaluation. Academic Press,

Elsevier Science, London, UK.

Zude, M. (2008). Optical monitoring of fresh and

processed agricultural crops. CRC Press, Boca

Raton, USA.

216


ISBN: 978-607-95534-5-6

Artículo SVA Limón CIRC 2013

Documents

Transcript of Artículo SVA Limón CIRC 2013