Reconocimiento de objetos a través de técnicas de inteligencia artificial
Resumen
En el presente artículo se describe una metodología para la identificación de objetos clasificados en poliedros y no poliedros, este reconocimiento se logra mediante el procesamiento digital de imágenes combinado con el uso de algoritmos de inteligencia artificial, como las redes neuronales de Hopfield. El procedimiento consiste en procesar las imágenes con el fin de obtener los patrones a entrenar, dicho proceso fue desarrollado en tres etapas: i) Segmentación, ii) Reconocimiento inteligente, y iii) Extracción de características; a partir de los resultados obtenidos, en este caso imágenes de los objetos, estos elementos se entrenan en la red neuronal diseñada; finalmente, se usa la red neuronal de Hopfied, la cual, al recibir un nuevo elemento o imagen de un objeto, determinará el tipo de objeto. La metodología propuesta fue evaluada en un ambiente real con un amplio número de imágenes detectadas, la incertidumbre al reconocer imágenes ruidosas, representa el 2.6% de la muestra, ofreciendo una respuesta aceptable frente a condiciones de luz, forma y color variables. Los resultados obtenidos a partir del experimento evidencian un grado alto de reconocimiento, lo cual representa el 97.4 por ciento. A partir de este procedimiento es posible entrenar nuevos patrones con novedosas formas, y se espera que este modelo de reconocimiento sea capaz de reconocer patrones completamente nuevos. La metodología propuesta potencialmente puede tener diferentes aplicaciones, tales como la identificación de objetos en procesos industriales; funciones de agarre de objetos mediante el uso de manipuladores o brazos robóticos; así como en el área de la rehabilitación para ayudar a personas con limitaciones visuales, entre otras.
Palabras clave
Reconocimiento de imágenes en 2D, operaciones morfológicas, redes neuronales, red de Hopfield
Citas
[1] S. Todorovic, and N. Ahuja, “Unsupervised Category Modeling, Recognition, and Segmentation in Images,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 30, pp. 2158-2174, 2008. https://doi.org/10.1109/TPAMI.2008.24
[2] S. Chartier, and R. Lepage, “Learning and extracting edges from images by a modified Hopfield neural network,” Object recognition supported by user interaction for service robots, Quebec, Canada, 2002.
[3] R. Sammouda, and B. B. Youssef, "A comparison of cluster distance metrics for the segmentation of sputum color image using unsupervised hopfield neural network classifier," in Global Summit on Computer & Information Technology, Sousse, Tunez, 2014. https://doi.org/10.1109/GSCIT.2014.6970130
[4] X. Zhao, Y. Li, and Q. Zhao, “A Fuzzy Clustering Approach for Complex Color Image Segmentation Based on Gaussian Model with Interactions between Color Planes and Mixture Gaussian Model,” International Journal of Fuzzy Systems, vol. 20, pp. 309-317, 2017. https://doi.org/10.1007/s40815-017-0411-1
[5] K. Mutter, M. Jafri, and A. Aziz, “Real time object detection using Hopfield neural network for Arabic printed letter recognition,” in 10th International Conference on Information Science, Signal Processing and their Applications (ISSPA), 2010. https://doi.org/10.1109/isspa.2010.5605416
[6] C. M. Bishop, Pattern recognition and machine learning, New York: Springer, 2006.
[7] S. S. Young, P. D. Scott, and N. M. Nasrabadi, "Object recognition using multilayer Hopfield neural network," IEEE Transactions on Image Processing, vol. 6 (3), pp. 357-372, 1997. https://doi.org/10.1109/83.557336
[8] Z. Hongbin, N. Hideki, and N. Tadashi, “Recognizing 3D objects by using a Hopfield-style optimization algorithm for matching patch-based descriptions,” Pattern Recognition, Pergamon, vol. 31, pp. 727-741, 1998. https://doi.org/10.1016/s0031-3203(97)00105-2
[9] H. Zha, H. Nanamegi, and T. Nagata, "3-D object recognition from range images by using a model-based Hopfield-style matching algorithm," in 13th International Conference on Pattern Recognition, Vienna, Austria, 1996. https://doi.org/10.1109/ICPR.1996.547244
[10] N. M. Nasrabadi, and W. Li, "Object recognition by a Hopfield neural network," IEEE Transactions on Systems, Man, and Cybernetics, vol. 21 (6), pp. 1523-1535, 1991. https://doi.org/10.1109/21.135694
[11] E. García, “Detección y clasificación de objetos dentro de un salón de clases empleando técnicas de procesamiento digital de imágenes,” México, 2008. http://newton.azc.uam.mx/mcc/01_esp/11_tesis/tesis/terminada/080513_garcia_santillan_elias.pdf
[12] P. Fiorentin, and A. Scroccaro, "Comparison of luminance measurement based on illuminance and luminance detectors," in Conference IEEE Instrumentation and Measurement Technology, Singapore, 2009. https://doi.org/10.1109/IMTC.2009.5168561
[13] B. Escalante, “Procesamiento digital de imágenes,” Apuntes de curso, Distrito Federal, México, 2006. http://lapi.fi-p.unam.mx/wp-content/uploads/PDI_Cap1_Introduccion.pdf
[14] E. Lucer, and H. Saldana, “Utilización de técnicas de visión artificial para la detección automática de defectos externos del mango,” Grade Thesis, Universidad Señor de Sipán, Chiclayo, Perú, 2016.
[15] A. Martínez, “Técnicas de segmentación de imágenes, reconstrucción y descomposición de mallas enfocadas y aplicaciones médicas,” Doctoral Thesis, Universidad de Jaén, Spain, 2013. http://ruja.ujaen.es/bitstream/10953/524/1/9788484390398.pdf
[16] E. R. Davies, Machine Vision, Theory, Algorithms, Practicalities, Elsevier, 2004.
[17] Mathworks, "MathWorks-Makers of MATLAB and Simulink," 2020. https://www.mathworks.com/
[18] S. Ortiz, and C. Lemus, “Diseño de un modelo basado en técnicas de inteligencia artificial para el desarrollo de un sistema inteligente orientado al aprendizaje,” Grade Thesis, Escuela Especializada en Ingeniería ITCA, Santa Tecla, El Salvador, 2011. https://www.itca.edu.sv/wp-content/themes/elaniin-itca/docs/2011-Diseno-de-un-modelo-basado-en-tecnicas-de-inteligencia.pdf
[19] J. R. Hilera, and V. J. Martínez, Redes neuronales artificiales: Fundamentos, modelos y aplicaciones, RA-MA, 2009.
[20] D. J. Matich, Redes Neuronales: Conceptos Básicos y Aplicaciones, Universidad Tecnológica Nacional, Argentina, 2001.
[21] M. J. Palmer, and J. J. Montaño, “¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el ámbito de las adicciones,” Adicciones, vol. 11, pp. 243-255, 1999.
[22] Electronica.com.mx, "Hopfield", 2020. http://electronica.com.mx/neural/informacion/hopfield.html
[23] L. Wang, "Effects of noise in training patterns on the memory capacity of the fully connected binary Hopfield neural network: mean-field theory and simulations," IEEE Transactions on Neural Networks, vol. 9 (4), pp. 697-704, 1998. https://doi.org/10.1109/72.701182