Reconocimiento de patrones de imágenes a través de un sistema de visión artificial en MATLAB
DOI:
https://doi.org/10.51252/rcsi.v1i2.131Palabras clave:
Algoritmo, artificial, digitalización, procesamiento, programaciónResumen
La visión artificial es una disciplina de la inteligencia artificial que aplica el procesamiento de imágenes para el reconocimiento de patrones, con el uso algoritmos en ambientes controlados con una cantidad de iteraciones en el procesamiento de imágenes. La proliferación de dispositivos de capturas de imágenes ha generado imágenes digitales en todo el mundo, estas imágenes contienen información que deberían ser utilizadas por las organizaciones públicas y privadas para la toma de decisiones. Los objetivos fueron mejorar el reconocimiento de patrones mediante un sistema de visión artificial, medir el proceso de reconocimiento de patrones, implementar un sistema de visión artificial y medir la relación que existe entre reconocimiento de patrones y el un sistema de visión artificial. Esta fue una investigación aplicada, de tipo cuasi experimental, con corte transversal, la población y muestra de estudio fueron 8 patrones de imágenes, la técnica fue la verificación con lista de chequeo, aplicada a 2 grupos, un grupo control y un grupo experimental. Se concluyó que el tiempo de procesamiento para el reconocimiento de 8 patrones de imágenes del grupo experimental fue de 10,75 segundos y de 67,75 segundos para el grupo control y con un grado de relación entre el reconocimiento de patrones y el sistema de visión artificial de 72 %.
Descargas
Citas
Acosta, A., Aguilar, V., Carreño, R., Patiño, M., Patiño, J., & Martinez, M. A. (2020). Nuevas tecnologías como factor de cambio ante los retos de la inteligencia artificial y la sociedad del conocimiento. Espacios, 41(5), 25. https://www.revistaespacios.com/a20v41n05/a20v41n05p25.pdf
Azueto-Ríos, Santiago-Godoy, R., Hernández-Gómez, L. E., & Hernández-Santiago, K. A. (2017). Implementación de un sistema de imagenología infrarroja para la detección vascular del antebrazo y mano. Revista Mexicana de Ingenieria Biomedica, 38(2), 479–491. https://doi.org/10.17488/RMIB.38.2.4
Delgado León, D. (2017). Diseño de un sistema de adquisición de imágenes basado en cámaras web USB y hardware reconfigurable. Revista de Ingeniería Electrónica, Automática y Comunicaciones, 38(2) 1–11. https://rielac.cujae.edu.cu/index.php/rieac/article/view/404
Feng, X., Jiang, Y., Yang, X., Du, M., & Li, X. (2019). Computer vision algorithms and hardware implementations: A survey. In Integration (Vol. 69, pp. 309–320). Elsevier B.V. https://doi.org/10.1016/j.vlsi.2019.07.005
Ge, H., & Yu, H. (2019). The application and design of neural computation in visual perception. Journal of Visual Communication and Image Representation, 59, 309–315. https://doi.org/10.1016/j.jvcir.2019.01.020
Gila, A., Bejaoui, M. A., Beltrán, G., & Jiménez, A. (2020). Rapid method based on computer vision to determine the moisture and insoluble impurities content in virgin olive oils. Food Control, 113, 107210. https://doi.org/10.1016/j.foodcont.2020.107210
Kakani, V., Nguyen, V. H., Kumar, B. P., Kim, H., & Pasupuleti, V. R. (2020). A critical review on computer vision and artificial intelligence in food industry. Journal of Agriculture and Food Research, 2, 100033. https://doi.org/10.1016/j.jafr.2020.100033
Khan, A. I., & Al-Habsi, S. (2020). Machine Learning in Computer Vision. Procedia Computer Science, 167, 1444–1451. https://doi.org/10.1016/j.procs.2020.03.355
Kuznetsov, A. O., Gorevoy, A. V., & Machikhin, A. S. (2019). Image rectification for prism-based stereoscopic optical systems. Computer Vision and Image Understanding, 182, 30–37. https://doi.org/10.1016/j.cviu.2019.02.003
Li, L., Fei, X., Dong, Z., & Yang, T. (2020). Computer vision-based method for monitoring grain quantity change in warehouses. Grain & Oil Science and Technology, 3(3), 87–99. https://doi.org/10.1016/j.gaost.2020.06.001
Li, Y. (2020). A calibration method of computer vision system based on dual attention mechanism. Image and Vision Computing, 103, 104039. https://doi.org/10.1016/j.imavis.2020.104039
Liu, D., Oczak, M., Maschat, K., Baumgartner, J., Pletzer, B., He, D., & Norton, T. (2020). A computer vision-based method for spatial-temporal action recognition of tail-biting behaviour in group-housed pigs. Biosystems Engineering, 195, 27–41. https://doi.org/10.1016/j.biosystemseng.2020.04.007
Marino-Vera, H., Mendoza, L. E., & Gualdrón-Guerrero, O. E. (2017). Medición automática de variables antropométricas para la evaluación de la respiración usando visión artificial. Revista de Investigación, Desarrollo e Innovación, 8(1), 161. https://doi.org/10.19053/20278306.v8.n1.2017.7407
Mujica Rodríguez, I. E., Toribio Salazar, L. M., & Cóndor Cámara, D. F. (2020). Inteligencia artificial como apoyo a intervenciones no farmacológicas para combatir la COVID-19. Revista Peruana de Medicina Experimental y Salud Pública, 37(3), 582–584. https://doi.org/10.17843/rpmesp.2020.373.5704
Pérez, M., Cavanzo Nisso, G. A., & Villavisán Buitrago, F. (2018). Sistema embebido de detección de movimiento mediante visión artificial. Visión Electrónica, 12(1), 97–101. https://doi.org/10.14483/22484728.15087
Reyes Ortiz, O. J., Mejia, M., & Useche Castelblanco, J. S. (2019). Técnicas de inteligencia artificial utilizadas en el procesamiento de imágenes y su aplicación en el análisis de pavimentos. Revista EIA, 16(31), 189–207. https://doi.org/10.24050/reia.v16i31.1215
Santos, D., Dallos, L., & Gaona-García, P. A. (2020). Motion tracking algorithms using AI and machine learning techniques. Informacion Tecnologica, 31(3), 23–38. https://doi.org/10.4067/S0718-07642020000300023
Sivkov, S., Novikov, L., Romanova, G., Romanova, A., Vaganov, D., Valitov, M., & Vasiliev, S. (2020). The algorithm development for operation of a computer vision system via the OpenCV library. Procedia Computer Science, 169, 662–667. https://doi.org/10.1016/j.procs.2020.02.193
Souza Alves, T. De, De Oliveira, C. S., Sanin, C., & Szczerbicki, E. (2018). From Knowledge based Vision Systems to Cognitive Vision Systems: A Review. Procedia Computer Science, 126, 1855–1864. https://doi.org/10.1016/j.procS.2018.08.077
Syberfeldt, A., & Vuoluterä, F. (2020). Image processing based on deep neural networks for detecting quality problems in paper bag production. Procedia CIRP, 93, 1224–1229. https://doi.org/10.1016/j.procir.2020.04.158
Wan, P., Toudeshki, A., Tan, H., & Ehsani, R. (2018). A methodology for fresh tomato maturity detection using computer vision. Computers and Electronics in Agriculture, 146, 43–50. https://doi.org/10.1016/j.compag.2018.01.011
Zhao, Z. Q., Xu, S. T., Liu, D., Tian, W. D., & Jiang, Z. Da. (2019). A review of image set classification. Neurocomputing, 335, 251–260. https://doi.org/10.1016/j.neucom.2018.09.090
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 John Clark Santa-Maria , Carlos Ríos-López, Carlos Rodríguez-Grández, Cristian García-Estrella
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores retienen sus derechos:
a. Los autores retienen sus derechos de marca y patente, y tambien sobre cualquier proceso o procedimiento descrito en el artículo.
b. Los autores retienen el derecho de compartir, copiar, distribuir, ejecutar y comunicar públicamente el articulo publicado en la Revista Científica de Sistemas e Informática (RCSI) (por ejemplo, colocarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en la RCSI.
c. Los autores retienen el derecho a hacer una posterior publicación de su trabajo, de utilizar el artículo o cualquier parte de aquel (por ejemplo: una compilación de sus trabajos, notas para conferencias, tesis, o para un libro), siempre que indiquen la fuente de publicación (autores del trabajo, revista, volumen, número y fecha).
