Imagen de Portada

Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial

Para el reconocimiento de imágenes utilizando redes neuronales es preciso la utilización de algoritmos descriptores que le permitan al sistema establecer parámetros para comparar y proporcionar documentación de tal manera que se pueda hacer la identificación del objeto, de estos algoritmos depende e...

Descripción completa

Detalles Bibliográficos
Autores Principales: Bautista Lasprilla, Gloria Isabel, Prieto Socha, Claudia Cristina
Otros Colaboradores: García Villalba, Luis Javier
Formato: Tesis de maestría (Master Thesis)
Lenguaje:Español (Spanish)
Publicado: Universidad Autónoma de Bucaramanga UNAB 2020
Materias:
Computer vision
Artificial intelligence
Shape recognition
Systems Engineering
Computer science
Investigations
Analysis
Visión por computador
Inteligencia artificial
Reconocimiento de formas
Ingeniería de sistemas
Ciencias computacionales
Investigaciones
Análisis
Redes neuronales
Software
Reconocimiento de imágenes
Acceso en línea:http://hdl.handle.net/20.500.12749/3310
id ir-20.500.12749-3310
recordtype dspace
institution Universidad Autónoma de Bucaramanga
collection DSpace
language Español (Spanish)
topic Computer vision
Artificial intelligence
Shape recognition
Systems Engineering
Computer science
Investigations
Analysis
Visión por computador
Inteligencia artificial
Reconocimiento de formas
Ingeniería de sistemas
Ciencias computacionales
Investigaciones
Análisis
Redes neuronales
Software
Reconocimiento de imágenes
spellingShingle Computer vision
Artificial intelligence
Shape recognition
Systems Engineering
Computer science
Investigations
Analysis
Visión por computador
Inteligencia artificial
Reconocimiento de formas
Ingeniería de sistemas
Ciencias computacionales
Investigaciones
Análisis
Redes neuronales
Software
Reconocimiento de imágenes
Bautista Lasprilla, Gloria Isabel
Prieto Socha, Claudia Cristina
Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
description Para el reconocimiento de imágenes utilizando redes neuronales es preciso la utilización de algoritmos descriptores que le permitan al sistema establecer parámetros para comparar y proporcionar documentación de tal manera que se pueda hacer la identificación del objeto, de estos algoritmos depende el éxito del reconocimiento, nuestro estudio ha pretendido ofrecer una base de conocimiento que permita en el futuro a quienes diseñan software de reconocimiento de imágenes la toma de decisión del mejor modelo a desarrollar. El reconocimiento automático de blancos (Automatic Target Recognition) incluye el estudio de sistemas y técnicas cuya finalidad es la localización e identificación de los atributos físicos de un objetivo específico (blancos) a partir de las imágenes y datos sin intervención humana. Hablaremos de la identificación utilizando la técnica de reconocimiento de patrones utilizada en la visión artificial desde el enfoque del análisis y el procesamiento de la imagen para la percepción de las máquinas en forma autónoma, para esto se efectuará un análisis de los métodos previos utilizados para el reconocimiento de imágenes, estos son llamados descriptores, y nos limitaremos al análisis de tres de ellos, códigos de cadena, momentos invariantes de hu y los descriptores de fourier.
author2 García Villalba, Luis Javier
author_facet García Villalba, Luis Javier
Bautista Lasprilla, Gloria Isabel
Prieto Socha, Claudia Cristina
format Tesis de maestría (Master Thesis)
author Bautista Lasprilla, Gloria Isabel
Prieto Socha, Claudia Cristina
author_sort Bautista Lasprilla, Gloria Isabel
title Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
title_short Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
title_full Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
title_fullStr Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
title_full_unstemmed Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
title_sort reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial
publisher Universidad Autónoma de Bucaramanga UNAB
publishDate 2020
url http://hdl.handle.net/20.500.12749/3310
_version_ 1723232664313397248
spelling ir-20.500.12749-33102021-11-05T03:04:50Z Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial Automatic real-time target recognition using machine vision techniques Bautista Lasprilla, Gloria Isabel Prieto Socha, Claudia Cristina García Villalba, Luis Javier Pajares Martinsanz, Gonzalo ttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001391728 https://scholar.google.es/citations?hl=es&user=KpFfGNYAAAAJ Instituto Tecnológico y de Estudios Superiores de Monterrey (ITESM) Computer vision Artificial intelligence Shape recognition Systems Engineering Computer science Investigations Analysis Visión por computador Inteligencia artificial Reconocimiento de formas Ingeniería de sistemas Ciencias computacionales Investigaciones Análisis Redes neuronales Software Reconocimiento de imágenes Para el reconocimiento de imágenes utilizando redes neuronales es preciso la utilización de algoritmos descriptores que le permitan al sistema establecer parámetros para comparar y proporcionar documentación de tal manera que se pueda hacer la identificación del objeto, de estos algoritmos depende el éxito del reconocimiento, nuestro estudio ha pretendido ofrecer una base de conocimiento que permita en el futuro a quienes diseñan software de reconocimiento de imágenes la toma de decisión del mejor modelo a desarrollar. El reconocimiento automático de blancos (Automatic Target Recognition) incluye el estudio de sistemas y técnicas cuya finalidad es la localización e identificación de los atributos físicos de un objetivo específico (blancos) a partir de las imágenes y datos sin intervención humana. Hablaremos de la identificación utilizando la técnica de reconocimiento de patrones utilizada en la visión artificial desde el enfoque del análisis y el procesamiento de la imagen para la percepción de las máquinas en forma autónoma, para esto se efectuará un análisis de los métodos previos utilizados para el reconocimiento de imágenes, estos son llamados descriptores, y nos limitaremos al análisis de tres de ellos, códigos de cadena, momentos invariantes de hu y los descriptores de fourier. Instituto Tecnológico y de Estudios Superiores de Monterrey ITESM 1 ANTEPROYECTO DE INVESTIGACIÓN....................................................13 1.1 ANTECEDENTES .....................................................................................13 1.2 PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN.....................16 1.3 OBJETIVOS DE LA INVESTIGACIÓN.....................................................17 1.3.1 OBJETIVO GENERAL.........................................................................17 1.3.2 OBJETIVOS ESPECÍFICOS ...............................................................17 1.4 MARCO TEÓRICO....................................................................................19 1.4.1 RECONOCIMIENTO AUTOMÁTICO DE BLANCOS (ATR)...............19 1.4.1.1 Sistemas Clásicos de ATR............................................................20 1.4.1.2 Sistemas de ATR basados en modelos (MODEL-BASED ATR) ..20 1.4.1.3 Sistemas de ATR multiespectrales (MULTIESPECTRAL ATR) ...21 1.4.1.4 Sistemas de ATR para reconocimiento de Buques ......................22 1.4.1.5 Sistemas multisensores de ATR ...................................................22 1.4.1.6 Sistemas de ATR multidimensionales...........................................23 1.4.1.7 Sistemas XTRS de ATR................................................................23 1.4.2 VISIÓN ARTIFICIAL ............................................................................23 1.4.2.1 Visión de Bajo Nivel.......................................................................25 1.4.2.2 Visión de Nivel Intermedio.............................................................25 1.4.2.3 Visión de Alto Nivel........................................................................26 1.4.2.4 Descriptores de Fourier .................................................................27 2 ANÁLISIS SOBRE LAS TEORÍAS REFERENTES A LA VISIÓN ARTIFICIAL........................................................................................................37 2.1 ENFOQUE DESDE LA APLICACIÓN PARA LA PERCEPCIÓN DE LAS MÁQUINAS DE FORMA AUTÓNOMA..............................................................37 2.1.1 ETAPAS DE LA VISIÓN ARTIFICIAL .................................................40 2.1.1.1 Visión de Bajo Nivel.......................................................................41 2.1.1.1.1 Captación.................................................................................41 2.1.1.1.2 Preprocesamiento....................................................................41 2.1.1.2 Visión de Nivel Intermedio.............................................................42 2.1.1.2.1 Segmentación..........................................................................42 2.1.1.2.2 Descripción ..............................................................................43 2.1.1.2.3 Reconocimiento de objetos individuales .................................43 2.1.1.3 Visión de Alto Nivel........................................................................43 2.1.1.3.1 Interpretación ...........................................................................43 2.2 ENFOQUE DESDE EL ANÁLISIS AUTOMÁTICO DE IMÁGENES........44 2.2.1 ETAPAS FUNDAMENTALES DEL PROCESAMIENTO AUTOMÁTICO DE ANÁLISIS DE IMÁGENES ...............................................45 2.2.1.1 Procesado de Bajo Nivel ...............................................................46 2.2.1.1.1 Adquisición de imágenes.........................................................46 2.2.1.1.2 Preprocesamiento de la Imagen..............................................48 2.2.1.2 Procesado de Nivel Intermedio .....................................................49 2.2.1.2.1 Segmentación..........................................................................49 2.2.1.2.2 Representación........................................................................50 2.2.1.2.3 Descriptores.............................................................................51 2.2.1.2.3.1 Códigos de cadena............................................................52 2.2.1.2.3.2 Momentos ..........................................................................53 2.2.1.2.3.3 Momentos Invariantes .......................................................56 2.2.1.2.3.4 Momentos Invariantes de Hu.............................................57 2.2.1.2.3.5 La Transformada Discreta del Coseno..............................59 2.2.1.2.3.6 La Transformada Discreta de Fourier................................61 2.2.1.3 Procesado de Alto Nivel ................................................................65 2.2.1.3.1 Reconocimiento e interpretación .............................................65 2.2.1.3.2 Reconocimiento de Patrones: El Perceptrón y el Perceptrón Multicapa 66 2.2.1.3.2.1 Aprendizaje........................................................................67 2.2.1.3.2.2 Generador..........................................................................69 2.2.1.3.2.3 Sistema ..............................................................................69 2.2.1.3.2.4 Máquina de Aprendizaje....................................................70 2.2.1.3.3 La Red Retropropagación (Backpropagation) .........................71 2.2.1.3.3.1 Entrenamiento por Retropropagación ..............................73 3 ANÁLISIS DE LOS DESARROLLOS DE LOS SISTEMAS AUTÓMATICOS DE RECONOCIMIENTO DE BLANCOS ...........................................................75 3.1 SISTEMA CLÁSICO DE ATR...................................................................75 3.1.1 PREPROCESAMIENTO......................................................................78 3.1.2 DETECCIÓN........................................................................................78 3.1.3 SEGMENTACIÓN................................................................................80 3.1.4 CLASIFICACIÓN.................................................................................82 3.2 APLICACIONES DE SISTEMAS CLÁSICOS DE ATR............................85 3.2.1 SISTEMAS DE ATR BASADOS EN MODELOS (MODEL-BASED ATR) 85 3.2.2 SISTEMAS DE ATR MULTIESPECTRALES (MULTIESPECTRAL ATR) 90 3.2.3 SISTEMAS DE ATR PARA RECONOCIMIENTO DE BUQUES ........94 3.2.4 SISTEMAS MULTISENSORES DE ATR ............................................95 3.2.5 SISTEMAS DE ATR MULTIDIMENSIONALES ..................................97 3.2.6 SISTEMAS XTRS DE ATR..................................................................99 4 LIMITACIONES EN VISIÓN ARTIFICIAL Y LOS SISTEMAS DE RECONOCIMIENTO ....................................................................................... 103 4.1 VENTAJAS Y DESVENTAJAS DE LOS MÉTODOS DE EXTRACCIÓN DE CARACTERÍSTICAS ................................................................................ 104 4.1.1 ESTUDIO MATRICIAL DE LA IMAGEN........................................... 104 4.1.2 CÓDIGO DE CADENA..................................................................... 104 4.1.3 MOMENTOS INVARIANTES DE HU............................................... 105 4.1.4 FOURIER.......................................................................................... 106 5 FLUJOGRAMA PARA EL MANEJO DE ALGORITMOS EN EL RECONOCIMIENTO DE PATRONES UTILIZANDO REDES NEURONALES 108 5.1 REDES NEURONALES......................................................................... 108 5.1.1 ENTRENAR LA RED........................................................................ 110 5.1.1.1 Crear conjunto de datos de entrenamiento................................ 112 5.1.2 EJECUTAR LA RED......................................................................... 112 5.1.2.1 Obtención del conjunto de imágenes de entrenamiento............ 114 5.1.2.1.1 Descriptor Momentos............................................................ 116 5.1.2.1.2 Descriptor TDC ..................................................................... 117 6 CONCLUSIONES...................................................................................... 121 7 BIBLIOGRAFÍA......................................................................................... 124 Maestría For the recognition of images using neural networks it is necessary to use descriptor algorithms that allow the system to establish parameters to compare and provide documentation in such a way that the identification of the object can be made, the success of the recognition depends on these algorithms, our study It has sought to offer a knowledge base that will allow those who design image recognition software to make a decision on the best model to develop in the future. Automatic Target Recognition includes the study of systems and techniques whose purpose is to locate and identify the physical attributes of a specific target (targets) from images and data without human intervention. We will talk about the identification using the pattern recognition technique used in artificial vision from the approach of analysis and image processing for the perception of machines autonomously, for this an analysis of the previous methods used for the Image recognition, these are called descriptors, and we will limit ourselves to the analysis of three of them, chain codes, invariant moments of hu and the descriptors of Fourier. 2020-06-26T21:32:16Z 2020-06-26T21:32:16Z 2005-09 info:eu-repo/semantics/masterThesis Tesis http://purl.org/coar/resource_type/c_bdcc info:eu-repo/semantics/acceptedVersion http://purl.org/redcol/resource_type/TM http://hdl.handle.net/20.500.12749/3310 instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB spa Bautista Lasprilla, Gloria Isabel (2006). Reconocimiento automático de blancos en tiempo real mediante técnicas de visión artificial. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB, Instituto Tecnológico y de Estudios Superiores de Monterrey ITESM CASAS V, Fernando. Memorias del Simposio de Visión Artificial y Tratamiento de Imágenes. Santafé de Bogotá: Uniandes, 1992. DEMUTH, Howard; BEALE, Mark. Neural Network Toolbox, for use with Matlab, User’s Guide: The MathWorks, 2001. ESCALERA, A. de la. Visión por Computador. Madrid: Prentice Hall. 2001. GONZALEZ GUERRERO, Enrique. Visión Robótica: Identificación y caracterización de Objetos. Santafé de Bogotá: Uniandes, 1999 GONZALEZ, Rafael C y WOODS, Richard E. Tratamiento Digital de Imágenes. Barcelona: Adison – Wesley Iberoamericana. 2002. K.S.F.U. rc.Gonzalez. Cs glee. Robótica, Control, Detección, Visión e Inteligencia. Madrid: Mc. Graw Hill. 1994. NALWA, V.S. A Guided tour of Computer Vision. Addison Wesley. 1993 PAJARES, Gonzalo y DE LA CRUZ, Jesús M. Visión por Computador: Imágenes digitales y Aplicaciones. RA-MA, 2001 PAJARES, Gonzalo; DE LA CRUZ, Jesús M; MOLINA, José M; CUADRADO, J y LÓPEZ, A. Imágenes digitales: Procesamiento práctico con JAVA. RA-MA, 2003. RESTREPO, Alfredo y NAVARRA, Tatiana. Memorias del Simposio de Tratamiento de Señales, Imágenes y Visión Artificial. Santafé de Bogotá: Uniandes, 1998. RUSSEL, Stuart; NORVIG, Peter. Inteligencia Artificial un enfoque Moderno. Madrid: Prentice Hall Hispanoamericam. 1995. WINSTON, Patrick Henry. Inteligencia Artificial. Barcelona: Adison – Wesley Iberoamericana. 1992. [Acosta, 2004] Acosta, L., Tinoco, O. “Reconocimiento de Formas Irregulares Empleando Redes Neuronales Artificiales” Trabajo realizado para pregrado, Ingeniería Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2004. [Augustyn,1992] Augustyn, K “A new approach to automatic target recognition”, IEEE Transactions on Aerospace and Electronic System, Vol. 28, Jan 1992. [Barrios, 2001] Barrios, A., Cancio, E. “Reconocimiento de Imágenes Geométricas planas utilizando Redes Neuronales Artificiales” Trabajo realizado para pregrado, Ingeniería Eléctrica y Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2001. [Bhanu,1986] Bhanu, B. “Automatic Target Recognition: State – of – the – Art Survey”, IEEE Transactions on Aerospace and Electronic System, July 1986 [Bhanu,1993] Bhanu, B., Jones T. “Image Understanding Research for Automatic Target Recognition”, DARPA Image Understanding Workshop, Jan 1992. A modified version in IEEE Aerospace and Electronic System, Oct 1993. [Bruce,2001] Bruce, Nelson "Automatic Vehicle Detection in Infrared Imagery Using a Fuzzy Inference-Based Classification System", IEEE Transactions on fuzzy systems, Vol. 9, No.1 Feb. 2001. [Campillo, 2003] Campillo, J., Gutiérrez de Piñeres, A. “Preprocesamiento de Señales, Guía de Procesamiento Digital de Imágenes” Trabajo realizado para pregrado, Ingeniería Electrónica, Universidad Tecnológica de Bolívar UTB. Cartagena de Indias, 2003 [Contreras, 2000] Contreras, S. “Visión Artificial”, Trabajo realizado para Maestría en Potencia Eléctrica, UIS, 2000 [Gader,2001] Gader, Paul D., Keller James M., “Recognition Technology for the Detection of Buried Land Mines”, IEEE Transactions on fuzzy systems, Vol. 9, No. 1, Feb 2001. [Howard,2000] Howard, A., Padgett C., Kenneth B., "Real time target detection and Analysis with Machine Vision", Third International Symposium on Intelligent Automation and control, World Automation Congress, June 2000. [Kegelmeyer,1988] Kegelmeyer, W. P., Woods, K., Bowyer, K. W. “Combination of Multiple Classifiers Using Local Accuracy Estimates”, IEEE Transaction on Pattern Analysis and Machine Intelligence, Apr 1997. [Martínez, 2005 ] Martínez, D., Ruiz, F. “Interceptor de Trayectorias Basado en Visión Artificial”, IEEE Colombian Workshop on Robotics and Automation, 2005 [Sadjadi,1991] SADJADI, Firooz A., Signal and Image Processing Systems Performance Evaluation, Simulation, and Modeling. USA: SPIE Hatem N. Nasr and Michael E. Bazakos, 1991. [Suetens,1992] Suetens, P., Fua, P., Hanson, A. “Computational Strategies for object recognition”, ACM Computing Surveys, 1992 [Theis,1989] Theis, T. J., Akerman, A. I. “Comparison of model based, vision, statistical based and neural net based ATRs”, IEEE Aerospace and Electronics Conference, 1989. [Trivedi,1985] Trivedi, M. M. “Reprinted in Image Analysis Applications, Optical Engineering”, IEEE Transactions on Acoustics, Speech, and Signal Processing, 1990. http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia application/pdf application/pdf application/pdf application/octet-stream Bucaramanga (Colombia) Universidad Autónoma de Bucaramanga UNAB Facultad Ingeniería Maestría en Ciencias Computacionales
score 12,131701

Ejemplares similares