Redes neuronales

1. 20
ENTRE INGENIEROSENTRE INGENIEROS
IDENTIFICACIÓN DE IMÁGENES
UTILIZANDO REDES
NEURONALES ARTIFICIALES
Juan Calderón, Miguel Guerrero, Sergio Aza
Ingeniería Electrónica
op mización. Sería más correcto decir que presentan
racionalidad ar ficial y no inteligencia, pero el segundo
concepto es más comercial y debido a su uso está ya implan-
tandoenelvocabularioactual.
B.SistemasDeReconocimiento
Un sistema de iden ficación o de reconocimiento automá co
se puede definir como una técnica o conjunto de ellas que
clasifican o dis nguen un elemento después de haber
analizado ciertas caracterís cas. Hay muchas familias de
sistemas de reconocimiento automá co: para superficies,
imágenes, lenguajes, datos biométricos entre otros. En lo
rela vo a este proyecto se aplicará al reconocimiento de
imágenes.
C. RedesNeuronales
Denominadas abreviadamente RNA se inspiran en el funciona-
miento del sistema nervioso de los seres vivos. Se trata de un
sistemainterconectadaenredquecolaboranparaobteneruna
salida.
El obje vo de imitar las conductas de los sistemas neuronales
biológicos mediante modelos matemá cos es que las
maquinasseancapacesdedarrespuestassimilaresalasquees
capazdedarelcerebro.
Una red neuronal ar ficial la definiremos como un
conjuntodeunidadesdeprocesamientollamadasneuronas,
células o nodos, interconectados entre sí por varias ligaduras
de comunicación directa llamadas conexiones, con la finalidad
de recibir señales de entrada, procesarlas y emi r señales de
salida.Cadaconexiónestáasociadaaunpeso,querepresenta
la informaciónu lizadapor las neuronaspararesolverun
problema.ComosepuedeapreciarenlafiguraN°1.
Este documento fue elaborado para las Unidades Tecnológicas
de SantandereneláreadeProcesamientoDigitaldeImagenes,
asesorado por el docente Carlos Humberto Esparza. La
aplicación de este proyecto está dada para la clasificación e
iden ficacióndeimágenes.
S e r g i o A za , B u c a ra m a n ga , C o l o m b i a ( e - m a i l :
sergioaza36@hotmail.com). Juan F. Calderón, Bucaramanga,
Colombia (e-mail: juan.9311@hotmail.es). Miguel Guerrero,
Bucaramanga,Colombia.(e-mail:magq07@hotmail.com).
RIOBO Victor. Reconocimiento De Localizaciones Mediante
Maquinas
DeSoporteVectorial.
VEGA. H. Hugo y Compañía. Reconocimiento de Patrones
Mediante
RedesNeuronalesAr ficiales.
Resumen—En este ar culo se presenta como resultado del curso
de procesamiento digital de imágenes, la metodología para la
implementación de un sistema que permita iden ficar la figura o
forma realizada por la mano de una persona. Para este caso, se
detectaralaformaquerealizalamanocuandolapalmaestáabierta
o la denominada forma de papel. El desarrollo de este proyecto se
implementó mediante el so ware MATLAB, que permite hacer el
debido pre-procesamiento de las imágenes, creando así una base
dedatosquecon enepatronescaracterís cosdecadaimagenyde
cada combinación, la base de datos se elaboró con las tres figuras
quesepuedenrealizaneneljuegodepiedra,papelo jera.
Palabras clave—Redes neuronales, Sistemas de clasificación,
Inteligenciaar ficial.
I.INTRODUCCIÓN
Los seres humanos tenemos la capacidad de reconocer formas y
figuras de todo lo que nos rodea a través del usoLde nuestros cinco
sen dos. La ciencia y la tecnología a raíz de sus grandes avances,
nos han permi do desarrollar importantes sistemas de
clasificacióndeestasformas.
El proyecto consis ó en aplicar inteligencia ar ficial para diseñar
un sistema de clasificación desarrollado mediante redes
neuronales, para el entrenamiento de éstas redes se creó una base
de datos con una can dad determinada de imágenes que
previamente fueron procesadas, de donde se obtuvieron los datos
de validación para que el sistema tenga unareferenciadeideao
modelo y en el futuro podrá enfrentarse a una situación real y
compararlaconloaprendidoparasabercómoreaccionar.
II.ESTADOACTUALDELCONOCIMIENTO
A.InteligenciaAr ficial
Definida en 1965 por John Mcarthy como “la ciencia e ingeniería
de hacer maquinas inteligentes, especialmente programas de
cómputo inteligentes”. Se puede simplificar diciendo que la
inteligencia ar ficial es la inteligencia no natural en
especímenesnovivos.
Estas inteligencias no vivas son capaces de pensar, actuar y evaluar
problemas para alcanzar un obje vo basándose en principios de
Fig 1. Representación comparativa de una red neuronal y una RNA
Fuente: Reconocimiento de patrones mediante redes neuronales artificiales.
Fig 2. Ejemplo de Red Neuronal.
Fig 2. Ejemplo de Red Fuente: Reconocimiento de localizaciones
mediante máquinas de soporte vectorial.
La unidad elemental de las redes son
las neuronas. Cada una de ellas recibe
una serie de entradas a través de
todas sus conexiones y dan una sola
salida.
III.RESULTADOS:
El punto de par da de este proyecto
fue realizar un pre procesamiento
adecuado a la base de datos de
imágenes que se tenían, con el fin de
generar una máscara adecuada que
permi ó extraer la información de los
datos de entrenamiento y validación
de la red neuronal, para así generar un
sistema de clasificación con un
porcentaje mayor o igual al 80% de
efec vidad que se calcula a par r de
unamatrizdeconfusión.
Paraeldesarrollodelsistemasellevóa
cabo una serie de procedimientos, los
cualesseilustranenlafiguraN°3.
Al momento de crear la máscara
adecuada se hizo un previo análisis de
cada imagen per nente a la base de
datos, para así poder determinar el
filtro que mejor se ajustará a los
requerimientos del proyecto, para
esto se manejó un umbral de 0.25 y un
Kernel po cuadrado de 10x10, donde
estos valores fueron los que genera-
ronlosresultadosmásapropiados.
Para la extracción de los patrones que
permi eron entrenar la red neuronal,
se rota la cada imagen 180° y en cada
rotación extraen datos que permi-
ten crear las matrices de entrena-
mientoyvalidacióndelaredneuronal.
Los datos de validación y de entrena-
miento se clasificaron empleando una
relación dada por las siguientes
formulas: Pt= 0,7*(datos) para los
datos de entrenamiento y Pv=
0.3*(datos) para losdatos de valida-
ción.
Ya obtenidos los datos de validación y
entrenamiento se procedió a entrenar
la red neuronal definiendo un umbral
de clasificación del 0.4 y una RNA de
dos dimensiones, donde se emplea-
ron 3 neuronas por dimensión. Se
realizaron tres pruebas donde se
obtuvieron las siguientes matrices
de confusión, las cuales indican la
efec vidad del sistema de
clasificación.
Fig 3.Diagrama de implementación del sistema.
Fuente: Aza A. Sergio,
Guerrero Q. Miguel,
CalderónP.Juan.
UTS.Bucaramanga –
Santander2016.
Los datos reflejados en la matriz de
confusión de la tabla N°1, indican que
de la clase 1 que corresponde a los
datos que no son papel, clasificó
correctamente 50 de 60 datos, y de la
clase 2 que corresponden a los datos
que son papel, clasifico correctamen-
te 26 de 30. Proporcionando una
porcentajedeefec vidaddel85%.
Tabla 1. Matriz de confusión RNA 1.
50 4
10 26
Fuente: Aza A. Sergio,
Guerrero Q. Miguel,
CalderónP.Juan.
UTS.Bucaramanga –
Santander2016.
Figura 4. Datos arrojados por la RNA 1.
Fuente: Aza A. Sergio, Guerrero Q. Miguel, Calderón P. Juan.
UTS.Bucaramanga – Santander 2016.
Figura 5. Datos arrojados por la RNA 2.
Fuente: Aza A. Sergio, Guerrero Q. Miguel, Calderón P. Juan.
UTS.Bucaramanga – Santander 2016.
Tabla 2. Matriz de confusión RNA 2.
47 4
13 26
Fuente: Aza A. Sergio,
Guerrero Q. Miguel,
CalderónP.Juan.
UTS.Bucaramanga –
Santander2016.
21