La función de transformación exponencial como herramienta para la clasificación de objetos según su tamaño
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
Este artículo presenta el diseño de un algoritmo de visión artifcial para la clasificación de objetos según su tamaño, basado en la función de transformación exponencial. Para su análisis se utilizaron tres estudios anteriores como referencia, en función de evaluar la efectividad de cada uno y compararlos con el algoritmo propuesto. Para categorizar las figuras, se definieron tres tipos de clasifcación: clasifcación 1, 2 y 3, los cuales están compuestos por tres, cuatro y cinco subgrupos, respectivamente. Se usaron figuras geométricas con áreas entre 4 cm2 y 121 cm2 para crear una base de datos de 500 imágenes y usarlas en las pruebas. En total se realizaron 10 diferentes pruebas, entre las que están: efcacia en las capas R, G y B, clasifcación de los tipos de figuras geométricas o los rangos de área de cada tipo. Además, se calculó la cantidad de operaciones realizadas, tiempo por cada clasifcación, tiempo total de ejecución, uso de memoria, eficiencia, efcacia. Las pruebas y los cálculos llevados a cabo evidenciaron que el algoritmo de clasificación de tamaño utilizando como herramienta la función de transformación exponencial equipara al algoritmo más eficiente utilizado como referencia, pero supera a todos en eficacia.
Abstract
This article presents the design of an artifcial vision algorithm for the classifcation of objects according to their size, based on the exponential transformation function. For their analysis, three previous studies were used as reference, in order to evaluate the effectiveness of each one and to compare them with the proposed algorithm. To categorize the fgures, three types of classifcation were defned: Classifcation 1, 2 and 3, which are composed of three, four and fve subgroups, respectively. Geometric fgures with areas between 4 cm2 and 121 cm2 were used to create a database of 500 images and use them in the tests. In total, 10 different tests were performed, including: effciency in the R, G and B layers, classifcation of the types of geometric fgures or the area ranges of each type. In addition, the following variables were calculated: The number of operations performed, time per classifcation, total execution time, memory usage, effciency, effciency. The tests and calculations carried out showed that the size classifcation algorithm using the exponential transformation function as a tool equates to the most effcient algorithm used as a reference, but exceeds all in effciency.
Resumo
Neste artigo se apresenta o projeto de um algoritmo de visão artifcial para a classificação de objetos de acordo com o tamanho, baseado na função de transformação exponencial. Para a análise, foram utilizados como referência três estudos anteriores, a fim de avaliar a efetividade dos mesmos e compará-los com o algoritmo proposto. Para categorizar as figuras, foram defnidos três tipos de classifcações: classificação 1, 2 e 3, que são compostos por três, quatro e cinco subgrupos, na devida ordem. As figuras geométricas com áreas entre 4 e 121 cm2 foram usadas para gerar uma base de dados de 500 imagens e utilizá-las nos testes. No total, foram realizados 10 testes diferentes, incluindo: eficiência nas camadas R, G e B, classificação dos tipos de figuras geométricas ou intervalos de área de cada tipo. Além disso, a quantidade de operações realizadas foi calculada, o tempo por cada uma das classifcações, o tempo total de execução, o
uso da memória, eficiência e eficácia. Os testes e cálculos realizados mostraram que o algoritmo de classificação de tamanho que utiliza a função de transformação exponencial como ferramenta é equivalente ao algoritmo mais eficiente que tem se utilizado como uma referência, mas excede os demais em eficácia.
Detalhes do artigo
Seção
DECLARACIÓN DE ORIGINALIDAD DE ARTÍCULO PRESENTADO
Por medio del presente documento, certifico(amos) que el artículo que se presenta para posible publicación en la revista institucional INGENIO MAGNO del Centro de Investigaciones de Ingeniería Alberto Magno CIIAM de la Universidad Santo Tomás, seccional Tunja, es de mi (nuestra) entera autoría, siendo su contenido producto de mi (nuestra) directa contribución intelectual y aporte al conocimiento.
Todos los datos y referencias a publicaciones hechas están debidamente identificados con su respectiva nota bibliográfica y en las citas que se destacan como tal. De requerir alguna clase de ajuste o corrección, comunicaré(emos) de tal procedimiento con antelación a los responsables de la revista.
Por lo anteriormente expresado, declaro(amos) que el material presentado en su totalidad se encuentra conforme a la legislación aplicable en materia de propiedad intelectual e industrial de ser el caso, y por lo tanto, me(nos) hago (hacemos) absolutamente responsable(s) de cualquier reclamación relacionada a esta.
En caso que el artículo presentado sea publicado, manifiesto(amos) que cedo(emos) plenamente a la Universidad Santo Tomás, seccional Tunja, los derechos de reproducción del mismo.
Como Citar
Referências
Bermúdez, H. y Báez J. (2010). Aplicación de técnicas de visión artifcial para el reconocimiento de naranjas maduras en el árbol (tesis de pregrado). Bucaramanga: Universidad Pontifcia Bolivariana.
Chamorro, L. (2008). Simulación un primer contacto. San Juan de Pasto: Universidad de Nariño.
Duch, A. (2007). Análisis y diseño de algoritmos. Barcelona: Universitat Politècnica de Catalunya.
García, I. (2008). Visión artifcial y procesamiento digital de imágenes usando Matlab. Ibarra: Núcleo de Pichincha.
González, A., Martínez de Pisón, F., Pernía, A., Alba, F., Castejón, M., Ordieres, J. y Vergara., E. (2006). Técnicas y algoritmos básicos de visión artifcial. La Rioja: Universidad de La Rioja.
Guevara, F. y Gómez, J. (2011). Sistema de visión artifcial para la clasificación de granos de trigo y cebada. Spanish Journal of Agricultural
Research, 9(3), 672-681.
Jiménez, R., Avilés, O., Espinosa, F. y Gordillo, C. (2012). Controlador de tráfico inteligente con prelación para vehículos de emergencia. Ingeniería, 17(1), 14-24.
Mascotte, M., Vázquez, J., Hernández, S., Hernández, M. y Ríos, A. (2013). Inspección por visión artifcial de probetas plásticas. Eleventh LACCEI Latin American and Caribbean Conference for Engineering and Technology. Cancún, México.
Montoya, C., Cortés, J. y Chaves, J. (2014). Sistema automático de reconocimiento de frutas basado en visión por computador. Revista Chilena de Ingeniería. 22(4), 504-516.
Oviedo, A., Berrío, K. y Mojica, J. (2014). Sistema de visión artificial para determinar el estado de recolección del fruto del árbol azadirachta indica (tesis de pregrado). Medellín: Universidad Pontificia Bolivariana.
Ramírez, D., Gerardino, B., Estupiñán, E., Pulido, G., Cruz, J. y Cancino, S. (2009). Adquisición y reconocimiento de imágenes por medio de técnicas de visión e inteligencia artifcial. ITECKNE, Innovación e Investigación en Ingeniería, 6(1), 5-13.
Rodriguez Morales, R., y Sossa Azuela, J. H. (2012). Procesamiento y análisis digital de imágenes. Ciudad de México: Alfaomega
Sánchez, H. y Morales, A. (2009). Sistema de visión artifcial para determinar el estado de recolección del fruto del árbol azadirachta indica (tesis de pregrado). Bucaramanga: Universidad Industrial de Santander.
Sandoval, Z. y Prieto, F. (2007). Caracterización de café cereza empleando técnicas de visión artifcial. Revista Facultad Nacional de
Agronomía, 60(2), 4105-4127.
Valenzuela, V. (2003). Manual análisis de algoritmos. Copiapó: Instituto Nacional de Capacitación.
Velásquez, E. (2014). Simulación sistema de clasificación basado en visión artificial (tesis de pregrado). Ibagué: Universidad Nacional Abierta y a Distancia.