El documento presenta información sobre reconocimiento de patrones. Algunos puntos clave incluyen:
El reconocimiento de patrones tiene como objetivo principal la clasificación mediante la extracción de características de señales. Los patrones se obtienen a través de procesos de segmentación, extracción de características y descripción.
Un sistema de reconocimiento de patrones completo incluye un sensor, un mecanismo de extracción de características y una etapa de toma de decisiones. Entre las aplicaciones se encuentran el reconocimiento de
Este documento presenta el sílabo de la asignatura "Procesamiento de Imágenes y Visión Artificial". La asignatura introduce conceptos clave como el procesamiento digital de imágenes, transformaciones espaciales, segmentación, reconocimiento de objetos y visión estereoscópica. El curso combina clases teóricas con prácticas de laboratorio para aplicar diferentes técnicas de procesamiento de imágenes.
Este documento presenta un proyecto de reconocimiento de patrones realizado por 6 estudiantes de la Escuela de Ingeniería de Sistemas. Incluye una introducción sobre el reconocimiento de patrones y procesamiento digital de imágenes, así como una sección de marco teórico que describe enfoques como redes neuronales y algoritmos como backpropagation y Hopfield.
Este documento presenta información sobre la segmentación de imágenes en procesamiento digital de imágenes. Explica diferentes algoritmos y métodos de segmentación como detección de bordes, umbralización, crecimiento de regiones y transformada de Hough. También describe aplicaciones de la segmentación en visión artificial, teledetección, inspección industrial y análisis médico de imágenes. El objetivo es simplificar y extraer información de las imágenes mediante la división en partes u objetos significativos.
Este documento presenta el laboratorio 3 sobre procesamiento de imágenes y visión artificial. Los objetivos incluyen implementar algoritmos de segmentación de imágenes, analizar técnicas de reconocimiento de patrones, generar y convertir imágenes 3D, y analizar aplicaciones de la visión estereoscópica. El laboratorio involucra desarrollar programas en MatLab para demostrar estos conceptos a través de procedimientos y ejercicios.
1) El documento presenta información sobre procesamiento de imágenes con MATLAB, incluyendo temas como segmentación de imágenes, detección de bordes, umbralización, y métodos como k-means, Otsu, Canny y Sobel. 2) Explica que la segmentación de imágenes implica particionar la imagen en regiones homogéneas y que los métodos de detección de bordes buscan encontrar los cambios abruptos de intensidad en una imagen. 3) Proporciona preguntas y respuestas sobre estos temas con el propósito de identificar
Este documento trata sobre los diferentes tipos de aprendizaje automático en sistemas inteligentes y redes neuronales. Explica que el objetivo principal de la inteligencia artificial ha sido construir sistemas que aprendan de forma automática. Describe tres tipos principales de aprendizaje: aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado. Para cada uno, explica brevemente sus características y algoritmos de entrenamiento. El documento provee una introducción general a estos temas fundamentales en el campo de la
Navegacion autonoma reactiva en pasillos usando el punto de fugaalepusto
Este documento presenta una estrategia de navegación autónoma para robots en pasillos usando visión por computadora para identificar el punto de fuga. Se utiliza odometría para localización y una arquitectura reactiva basada en comportamientos. El robot puede navegar autónomamente en pasillos guiado solo por el punto de fuga extraído de imágenes.
Este documento describe las redes auto organizadas conocidas como mapas auto organizados (SOFM). Explica que los SOFM son redes neuronales no supervisadas inspiradas en la organización del cerebro. El documento detalla la estructura, funcionamiento y algoritmo de aprendizaje de los SOFM, incluyendo cómo las neuronas se autoorganizan para mapear datos de entrada de alta dimensionalidad a un espacio de salida de menor dimensión mientras se preserva la topología. Finalmente, el documento menciona algunas aplicaciones de los SOFM como la clasificación,
Este documento presenta el sílabo de la asignatura "Procesamiento de Imágenes y Visión Artificial". La asignatura introduce conceptos clave como el procesamiento digital de imágenes, transformaciones espaciales, segmentación, reconocimiento de objetos y visión estereoscópica. El curso combina clases teóricas con prácticas de laboratorio para aplicar diferentes técnicas de procesamiento de imágenes.
Este documento presenta un proyecto de reconocimiento de patrones realizado por 6 estudiantes de la Escuela de Ingeniería de Sistemas. Incluye una introducción sobre el reconocimiento de patrones y procesamiento digital de imágenes, así como una sección de marco teórico que describe enfoques como redes neuronales y algoritmos como backpropagation y Hopfield.
Este documento presenta información sobre la segmentación de imágenes en procesamiento digital de imágenes. Explica diferentes algoritmos y métodos de segmentación como detección de bordes, umbralización, crecimiento de regiones y transformada de Hough. También describe aplicaciones de la segmentación en visión artificial, teledetección, inspección industrial y análisis médico de imágenes. El objetivo es simplificar y extraer información de las imágenes mediante la división en partes u objetos significativos.
Este documento presenta el laboratorio 3 sobre procesamiento de imágenes y visión artificial. Los objetivos incluyen implementar algoritmos de segmentación de imágenes, analizar técnicas de reconocimiento de patrones, generar y convertir imágenes 3D, y analizar aplicaciones de la visión estereoscópica. El laboratorio involucra desarrollar programas en MatLab para demostrar estos conceptos a través de procedimientos y ejercicios.
1) El documento presenta información sobre procesamiento de imágenes con MATLAB, incluyendo temas como segmentación de imágenes, detección de bordes, umbralización, y métodos como k-means, Otsu, Canny y Sobel. 2) Explica que la segmentación de imágenes implica particionar la imagen en regiones homogéneas y que los métodos de detección de bordes buscan encontrar los cambios abruptos de intensidad en una imagen. 3) Proporciona preguntas y respuestas sobre estos temas con el propósito de identificar
Este documento trata sobre los diferentes tipos de aprendizaje automático en sistemas inteligentes y redes neuronales. Explica que el objetivo principal de la inteligencia artificial ha sido construir sistemas que aprendan de forma automática. Describe tres tipos principales de aprendizaje: aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado. Para cada uno, explica brevemente sus características y algoritmos de entrenamiento. El documento provee una introducción general a estos temas fundamentales en el campo de la
Navegacion autonoma reactiva en pasillos usando el punto de fugaalepusto
Este documento presenta una estrategia de navegación autónoma para robots en pasillos usando visión por computadora para identificar el punto de fuga. Se utiliza odometría para localización y una arquitectura reactiva basada en comportamientos. El robot puede navegar autónomamente en pasillos guiado solo por el punto de fuga extraído de imágenes.
Este documento describe las redes auto organizadas conocidas como mapas auto organizados (SOFM). Explica que los SOFM son redes neuronales no supervisadas inspiradas en la organización del cerebro. El documento detalla la estructura, funcionamiento y algoritmo de aprendizaje de los SOFM, incluyendo cómo las neuronas se autoorganizan para mapear datos de entrada de alta dimensionalidad a un espacio de salida de menor dimensión mientras se preserva la topología. Finalmente, el documento menciona algunas aplicaciones de los SOFM como la clasificación,
Este documento resume los principales tipos de aprendizaje en inteligencia artificial, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. Describe aprendizaje supervisado como necesitando un profesor para entrenar y medir el sistema, e incluye aprendizaje por corrección de error, refuerzo y estocástico. El aprendizaje no supervisado no requiere supervisión y permite autoorganización. El documento también explica conceptos clave como algoritmos de aprendizaje, leyes de aprendizaje
Este documento describe los Mapas Auto Organizados (SOFM) o Redes Competitivas. Los SOFM son redes neuronales no supervisadas que organizan la información de entrada de manera que las neuronas próximas en la red aprenden patrones similares. El documento explica que los SOFM se inspiran en la organización topológica del cerebro y aprenden mediante un proceso competitivo no supervisado. Además, describe la estructura, el algoritmo de aprendizaje y aplicaciones de los SOFM como la clasificación y agrupamiento de datos.
Un SOFM (Self-Organizing Feature Map) es una red neuronal no supervisada que mapea datos de alta dimensionalidad a baja dimensionalidad, preservando la topología de los datos. Los SOFM tienen las siguientes características: aprendizaje no supervisado, competición entre neuronas, y autoorganización basada en similitud. El objetivo de un SOFM es reducir la dimensionalidad de los datos y agrupar datos similares. Un SOFM opera mediante la selección de una neurona ganadora, actualización de pesos de neuronas vecinas basada en similit
Este documento describe un sistema para detectar células en imágenes de pruebas clínicas de sangre utilizando técnicas de procesamiento de imágenes como umbrales y morfología matemática. El sistema puede ayudar a detectar anomalías en las células de la sangre y realizar un recuento rápido. Se utilizan librerías de Python como PIL, Numpy y técnicas de dilatación y erosión para identificar y etiquetar las células en función de su tamaño y color.
Este documento presenta varios operadores para la detección de bordes en imágenes digitales. Explica el operador de Canny, Sobel, Prewitt y cómo calcular el gradiente. También cubre cómo implementar estos algoritmos y usar las funciones edge y fspecial en MatLab para detectar bordes verticales, horizontales y compuestos. El objetivo es que los estudiantes entiendan y apliquen diferentes métodos para detectar bordes en imágenes.
El documento presenta el objetivo y temario de un curso de Investigación de Operaciones. El objetivo general es que los estudiantes apliquen técnicas y modelos de Investigación de Operaciones para resolver problemas utilizando herramientas de software. El temario incluye cinco unidades sobre programación lineal, análisis de redes, programación no lineal, teoría de inventarios y líneas de espera.
Este documento presenta las instrucciones para el Laboratorio 3 sobre procesamiento de imágenes y visión artificial. Los estudiantes deben implementar algoritmos de segmentación de imágenes, reconocimiento de patrones y visión estereoscópica usando Matlab. También deben generar un informe del laboratorio describiendo sus observaciones, conclusiones y recomendaciones.
El documento resume tres sesiones de laboratorio sobre procesamiento de imágenes y visión artificial. En cada sesión, el docente explicó ejercicios relacionados a la lectura, manipulación y conversión de imágenes en Matlab, y el alumno desarrolló dos ejercicios. El laboratorio completo involucró 17 ejercicios y 15 preguntas de cuestionario.
Este documento presenta las transformaciones geométricas aplicadas a imágenes digitales. Explica transformaciones rígidas como traslación, rotación y reflexión, transformaciones afines como escalado y cizalladura, y coordenadas homogéneas. También cubre la combinación de transformaciones y su implementación en MATLAB.
Los bordes de una imagen digital se definen como transiciones entre regiones con niveles de gris significativamente distintos. La detección de bordes utiliza operadores basados en la primera derivada (gradiente) de la imagen, como Roberts, Prewitt, Sobel y Canny. Roberts detecta bordes diagonales pero es muy sensible al ruido. Prewitt, Sobel y Frei-Chen usan máscaras de convolución para aproximar el gradiente e incluyen vecinos adyacentes, proporcionando mayor inmunidad al ruido. Canny es más sof
Este documento presenta una sesión sobre filtrado espacial en procesamiento de imágenes. Explica los objetivos del filtrado, los tipos de ruido en imágenes, y clasifica los filtros digitales en el dominio del espacio en lineales y no lineales. Detalla filtros lineales como el filtro de media y gaussiano, y filtros no lineales como el filtro de mediana y otros filtros estadísticos de orden. El documento también cubre la implementación de filtros en MatLab.
La segmentación de imágenes tiene como objetivo dividir una imagen digital en varias partes u objetos significativos. Existen varios algoritmos de segmentación como la segmentación basada en características (niveles de gris, color, textura), la segmentación basada en transiciones como la detección de bordes, y la segmentación basada en modelos como la Transformada de Hough. Esta transformada permite detectar líneas y curvas paramétricas en una imagen al mapear puntos de bordes en el espacio de parámetros de dichas curvas. La segmentación se utiliza
El documento presenta información sobre la visión estereoscópica y sus aplicaciones. Explica que la visión estereoscópica se basa en las imágenes ligeramente diferentes captadas por cada ojo, lo que permite al cerebro percibir la profundidad. Detalla los fundamentos de este proceso, incluyendo la convergencia de los ojos, la disparidad binocular, y cómo estos factores generan la percepción tridimensional. Asimismo, define conceptos como la imagen estéreo, el paralaje y sus tipos, y analiza problemas como la rel
El documento describe un laboratorio sobre procesamiento digital de imágenes. Se cargó una imagen a color, se convirtió a escala de grises y binaria. Luego se enumeran 8 tareas para implementar funciones de dilatación y erosión morfológica en imágenes en escala de grises y a color usando diferentes elementos estructurales.
Este documento presenta información sobre el histograma, brillo, contraste y corrección gamma de imágenes. Explica que un histograma muestra la distribución de los niveles de gris de una imagen y cómo ecualizar una imagen mejora su distribución. También describe cómo manipular el brillo y contraste modificando los niveles de intensidad de los píxeles y cómo la corrección gamma compensa las variaciones de dispositivos de salida. El documento provee fórmulas y gráficas para ilustrar estos conceptos.
Este documento presenta el laboratorio 2 sobre procesamiento de imágenes y visión artificial. Incluye objetivos como manipular el histograma, ecualizar imágenes, aplicar corrección gamma, realizar transformaciones morfológicas y filtrado espacial. Se deben desarrollar funciones en Matlab para cada procedimiento y responder un cuestionario creando funciones adicionales para comparar con funciones de Matlab. El informe final debe incluir resultados, procedimientos y respuestas al cuestionario en Word, referenciando líneas de código.
Este documento presenta una sesión sobre operaciones morfológicas en imágenes en escala de grises en MATLAB. Explica conceptos como dilatación y erosión, y cómo implementar funciones para dilatar y erosionar imágenes de escala de grises en MATLAB. También cubre aplicaciones de operaciones morfológicas como pre-procesamiento de imágenes y extracción de características.
1. El documento presenta un laboratorio sobre procesamiento de imágenes en MATLAB, con objetivos como leer, mostrar y almacenar imágenes, identificar tipos y formatos de imágenes, y manipular pixeles.
2. Se describen conceptos teóricos como iluminación, modos de color e conversiones.
3. El procedimiento incluye desarrollar funciones para conversiones entre modos de color, negativos, binarización, zoom y operaciones lógicas.
Este documento presenta una introducción a la visión artificial y el procesamiento digital de imágenes. Explica conceptos clave como inteligencia artificial, visión artificial, procesamiento de imágenes, reconocimiento de patrones y visión computacional. También describe los objetivos de aprendizaje, contenido, esquema del curso y aplicaciones de estos temas. Finalmente, resume las dificultades de la visión computacional y el reconocimiento de patrones.
Utp 2015-2_pdi_ea3 conversiones c2_g y negativojcbp_peru
Este documento describe varias transformaciones básicas de imágenes a nivel espacial, incluyendo métodos para convertir imágenes de color a escala de grises y para crear negativos de imágenes. Explica que existen varios métodos para convertir imágenes RGB a escala de grises, como promediar los canales de color, usar el valor de luminosidad o luminancia. También describe cómo crear negativos de imágenes binarias, de escala de grises o de color cambiando los valores de los pixeles.
Este documento resume los principales tipos de aprendizaje en inteligencia artificial, incluyendo aprendizaje supervisado, no supervisado y por refuerzo. Describe aprendizaje supervisado como necesitando un profesor para entrenar y medir el sistema, e incluye aprendizaje por corrección de error, refuerzo y estocástico. El aprendizaje no supervisado no requiere supervisión y permite autoorganización. El documento también explica conceptos clave como algoritmos de aprendizaje, leyes de aprendizaje
Este documento describe los Mapas Auto Organizados (SOFM) o Redes Competitivas. Los SOFM son redes neuronales no supervisadas que organizan la información de entrada de manera que las neuronas próximas en la red aprenden patrones similares. El documento explica que los SOFM se inspiran en la organización topológica del cerebro y aprenden mediante un proceso competitivo no supervisado. Además, describe la estructura, el algoritmo de aprendizaje y aplicaciones de los SOFM como la clasificación y agrupamiento de datos.
Un SOFM (Self-Organizing Feature Map) es una red neuronal no supervisada que mapea datos de alta dimensionalidad a baja dimensionalidad, preservando la topología de los datos. Los SOFM tienen las siguientes características: aprendizaje no supervisado, competición entre neuronas, y autoorganización basada en similitud. El objetivo de un SOFM es reducir la dimensionalidad de los datos y agrupar datos similares. Un SOFM opera mediante la selección de una neurona ganadora, actualización de pesos de neuronas vecinas basada en similit
Este documento describe un sistema para detectar células en imágenes de pruebas clínicas de sangre utilizando técnicas de procesamiento de imágenes como umbrales y morfología matemática. El sistema puede ayudar a detectar anomalías en las células de la sangre y realizar un recuento rápido. Se utilizan librerías de Python como PIL, Numpy y técnicas de dilatación y erosión para identificar y etiquetar las células en función de su tamaño y color.
Este documento presenta varios operadores para la detección de bordes en imágenes digitales. Explica el operador de Canny, Sobel, Prewitt y cómo calcular el gradiente. También cubre cómo implementar estos algoritmos y usar las funciones edge y fspecial en MatLab para detectar bordes verticales, horizontales y compuestos. El objetivo es que los estudiantes entiendan y apliquen diferentes métodos para detectar bordes en imágenes.
El documento presenta el objetivo y temario de un curso de Investigación de Operaciones. El objetivo general es que los estudiantes apliquen técnicas y modelos de Investigación de Operaciones para resolver problemas utilizando herramientas de software. El temario incluye cinco unidades sobre programación lineal, análisis de redes, programación no lineal, teoría de inventarios y líneas de espera.
Este documento presenta las instrucciones para el Laboratorio 3 sobre procesamiento de imágenes y visión artificial. Los estudiantes deben implementar algoritmos de segmentación de imágenes, reconocimiento de patrones y visión estereoscópica usando Matlab. También deben generar un informe del laboratorio describiendo sus observaciones, conclusiones y recomendaciones.
El documento resume tres sesiones de laboratorio sobre procesamiento de imágenes y visión artificial. En cada sesión, el docente explicó ejercicios relacionados a la lectura, manipulación y conversión de imágenes en Matlab, y el alumno desarrolló dos ejercicios. El laboratorio completo involucró 17 ejercicios y 15 preguntas de cuestionario.
Este documento presenta las transformaciones geométricas aplicadas a imágenes digitales. Explica transformaciones rígidas como traslación, rotación y reflexión, transformaciones afines como escalado y cizalladura, y coordenadas homogéneas. También cubre la combinación de transformaciones y su implementación en MATLAB.
Los bordes de una imagen digital se definen como transiciones entre regiones con niveles de gris significativamente distintos. La detección de bordes utiliza operadores basados en la primera derivada (gradiente) de la imagen, como Roberts, Prewitt, Sobel y Canny. Roberts detecta bordes diagonales pero es muy sensible al ruido. Prewitt, Sobel y Frei-Chen usan máscaras de convolución para aproximar el gradiente e incluyen vecinos adyacentes, proporcionando mayor inmunidad al ruido. Canny es más sof
Este documento presenta una sesión sobre filtrado espacial en procesamiento de imágenes. Explica los objetivos del filtrado, los tipos de ruido en imágenes, y clasifica los filtros digitales en el dominio del espacio en lineales y no lineales. Detalla filtros lineales como el filtro de media y gaussiano, y filtros no lineales como el filtro de mediana y otros filtros estadísticos de orden. El documento también cubre la implementación de filtros en MatLab.
La segmentación de imágenes tiene como objetivo dividir una imagen digital en varias partes u objetos significativos. Existen varios algoritmos de segmentación como la segmentación basada en características (niveles de gris, color, textura), la segmentación basada en transiciones como la detección de bordes, y la segmentación basada en modelos como la Transformada de Hough. Esta transformada permite detectar líneas y curvas paramétricas en una imagen al mapear puntos de bordes en el espacio de parámetros de dichas curvas. La segmentación se utiliza
El documento presenta información sobre la visión estereoscópica y sus aplicaciones. Explica que la visión estereoscópica se basa en las imágenes ligeramente diferentes captadas por cada ojo, lo que permite al cerebro percibir la profundidad. Detalla los fundamentos de este proceso, incluyendo la convergencia de los ojos, la disparidad binocular, y cómo estos factores generan la percepción tridimensional. Asimismo, define conceptos como la imagen estéreo, el paralaje y sus tipos, y analiza problemas como la rel
El documento describe un laboratorio sobre procesamiento digital de imágenes. Se cargó una imagen a color, se convirtió a escala de grises y binaria. Luego se enumeran 8 tareas para implementar funciones de dilatación y erosión morfológica en imágenes en escala de grises y a color usando diferentes elementos estructurales.
Este documento presenta información sobre el histograma, brillo, contraste y corrección gamma de imágenes. Explica que un histograma muestra la distribución de los niveles de gris de una imagen y cómo ecualizar una imagen mejora su distribución. También describe cómo manipular el brillo y contraste modificando los niveles de intensidad de los píxeles y cómo la corrección gamma compensa las variaciones de dispositivos de salida. El documento provee fórmulas y gráficas para ilustrar estos conceptos.
Este documento presenta el laboratorio 2 sobre procesamiento de imágenes y visión artificial. Incluye objetivos como manipular el histograma, ecualizar imágenes, aplicar corrección gamma, realizar transformaciones morfológicas y filtrado espacial. Se deben desarrollar funciones en Matlab para cada procedimiento y responder un cuestionario creando funciones adicionales para comparar con funciones de Matlab. El informe final debe incluir resultados, procedimientos y respuestas al cuestionario en Word, referenciando líneas de código.
Este documento presenta una sesión sobre operaciones morfológicas en imágenes en escala de grises en MATLAB. Explica conceptos como dilatación y erosión, y cómo implementar funciones para dilatar y erosionar imágenes de escala de grises en MATLAB. También cubre aplicaciones de operaciones morfológicas como pre-procesamiento de imágenes y extracción de características.
1. El documento presenta un laboratorio sobre procesamiento de imágenes en MATLAB, con objetivos como leer, mostrar y almacenar imágenes, identificar tipos y formatos de imágenes, y manipular pixeles.
2. Se describen conceptos teóricos como iluminación, modos de color e conversiones.
3. El procedimiento incluye desarrollar funciones para conversiones entre modos de color, negativos, binarización, zoom y operaciones lógicas.
Este documento presenta una introducción a la visión artificial y el procesamiento digital de imágenes. Explica conceptos clave como inteligencia artificial, visión artificial, procesamiento de imágenes, reconocimiento de patrones y visión computacional. También describe los objetivos de aprendizaje, contenido, esquema del curso y aplicaciones de estos temas. Finalmente, resume las dificultades de la visión computacional y el reconocimiento de patrones.
Utp 2015-2_pdi_ea3 conversiones c2_g y negativojcbp_peru
Este documento describe varias transformaciones básicas de imágenes a nivel espacial, incluyendo métodos para convertir imágenes de color a escala de grises y para crear negativos de imágenes. Explica que existen varios métodos para convertir imágenes RGB a escala de grises, como promediar los canales de color, usar el valor de luminosidad o luminancia. También describe cómo crear negativos de imágenes binarias, de escala de grises o de color cambiando los valores de los pixeles.
Utp 2015-2_pdi_sap2 iluminacion y modos de colorjcbp_peru
Este documento discute diferentes temas relacionados con el procesamiento de imágenes y la visión artificial, incluyendo tipos de iluminación, el espectro electromagnético, tipos de imágenes digitales como vectoriales y de mapa de bits, y modelos de color como RGB, CMY y HSB. El documento también explica conceptos como píxeles, saturación, tono y brillo para describir colores.
Este documento describe varias transformaciones y operaciones básicas que se pueden realizar sobre imágenes digitales, incluyendo la binarización, el zoom y operaciones lógicas. Explica métodos para binarizar una imagen como determinar el umbral de Otsu y aplicar operadores lógicos como AND, OR y NOT. También cubre técnicas para hacer zoom como interpolación bilineal y bicúbica. El objetivo es proporcionar una introducción a estas operaciones fundamentales en procesamiento digital de imágenes.
Este documento presenta las operaciones morfológicas aplicadas a imágenes digitales. Explica conceptos como dilatación, erosión, apertura, clausura y cómo se usan para extraer bordes e implementar el relleno de regiones. El objetivo es que los estudiantes aprendan a procesar imágenes digitales mediante operaciones morfológicas y comprendan su aplicación en tareas como segmentación y reconocimiento de imágenes.
Este documento presenta las instrucciones para un laboratorio sobre procesamiento digital de imágenes con MatLab. Los estudiantes generarán y procesarán imágenes en escala de grises y color, realizarán transformaciones como cambios de tamaño y rotación, y analizarán propiedades como histograma y binarización. Al finalizar, deberán presentar un informe del laboratorio con sus conclusiones.
El reconocimiento de patrones es la ciencia que se encarga de clasificar objetos mediante la extracción de características clave. Un sistema de reconocimiento típico incluye un sensor para adquirir datos, un mecanismo de extracción de características y una etapa de clasificación. Estos sistemas tienen aplicaciones como el reconocimiento de caracteres, voz, huellas dactilares y caras.
El documento describe las fases del proceso de adquisición de conocimiento para la construcción de sistemas basados en el conocimiento (SBC). Estas fases son: 1) identificación del problema, 2) conceptualización, 3) formalización, 4) implementación y 5) prueba. El objetivo es extraer el conocimiento de expertos humanos y representarlo de forma que pueda ser procesado por un sistema computacional.
Este documento trata sobre minería de datos. La minería de datos es el proceso de descubrir patrones en grandes volúmenes de datos. Utiliza métodos de inteligencia artificial, aprendizaje automático, estadística y sistemas de bases de datos. Algunas técnicas comunes de minería de datos son la clasificación, regresión, agrupamiento y reglas de asociación. La minería de datos se aplica en diversos campos como finanzas, mercadeo, salud y educación.
Los sistemas expertos son sistemas que emulan el comportamiento de un experto humano para resolver problemas en un área de conocimiento específica mediante el uso de un gran cuerpo de conocimiento especializado representado de forma simbólica. Algunos de los primeros sistemas expertos desarrollados incluyeron MYCIN para el diagnóstico y tratamiento de enfermedades infecciosas y PROSPECTOR para la evaluación de yacimientos minerales.
Este proyecto estudiantil involucra la detección de patrones dentro de un entorno utilizando MATLAB y visión artificial. Los estudiantes Octavio López L. y Mario G. Duarte P. del Instituto Tecnológico de Hermosillo programaron un dispositivo con ruedas para seguir un cuadrado negro colocado frente a él, basándose en el análisis de imágenes capturadas por una cámara montada en el dispositivo y procesadas en MATLAB. El dispositivo pudo seguir con éxito el cuadrado dentro de un ent
Este documento describe los sistemas expertos, incluyendo su historia, definiciones, características, tipos, arquitectura y componentes. Los sistemas expertos imitan el razonamiento de expertos humanos en dominios específicos mediante el uso de reglas y probabilidades. Su arquitectura típica incluye una base de conocimiento, motor de inferencia, y subsistemas para la adquisición de conocimiento, interfaz de usuario y ejecución de órdenes.
Este documento describe las etapas del proceso de investigación estadística aplicada al turismo y la hotelería. Incluye la elaboración del marco teórico, la recolección de datos a través de encuestas, el procesamiento de los datos usando software como SPSS, y el análisis e interpretación de la información para generar conclusiones y recomendaciones.
Este documento presenta el sílabo de la asignatura de Sensores Remotos. La asignatura se dicta en el Departamento de Ciencias de la Tierra y la Construcción, en el área de conocimiento de Geoespacial. El curso enseña los fundamentos de la percepción remota y el procesamiento digital de imágenes satelitales, con énfasis en diferentes tipos de sensores, correcciones y clasificación de imágenes. El curso busca que los estudiantes apliquen estos conocimientos en proyectos geoespaciales y de
Este documento presenta el silabo de un curso de pregrado sobre Inteligencia Artificial. El curso dura 17 semanas y cubre temas como representación de problemas, métodos de búsqueda, juegos inteligentes, sistemas expertos e ingeniería de conocimiento. Los estudiantes desarrollarán proyectos sobre juegos inteligentes y sistemas expertos. La evaluación incluye controles de lectura, proyectos, exámenes parcial y final, y trabajo de laboratorio.
Este documento presenta una guía para diseñar modelos basados en aprendizaje. Explica que estos modelos se obtienen a partir de datos y se asemejan al cerebro en que adquieren conocimiento a través del aprendizaje. Detalla los tipos de aplicaciones como aproximación funcional, clasificación, predicción y clustering. Luego, cubre el análisis y procesamiento de variables, la estructura de entrada-salida, distribución de datos, estructura del modelo, adaptación del modelo y validación.
Este documento proporciona una introducción a los sistemas expertos. Explica que los sistemas expertos imitan el razonamiento de expertos humanos en dominios específicos y pueden almacenar y aplicar conocimientos de expertos para resolver problemas. Además, describe brevemente la historia, definiciones, características, tipos, arquitectura básica y componentes clave de los sistemas expertos.
Este documento describe los sistemas expertos, incluyendo su historia, definiciones, características, funciones, tipos y arquitectura básica. Los sistemas expertos son programas que simulan el razonamiento de expertos humanos en un dominio específico mediante el uso de reglas y razonamiento basado en conocimiento. Se originaron en la década de 1960 y han evolucionado para resolver una variedad de problemas en diferentes dominios como diagnóstico médico y detección de fallos.
Este documento introduce el tema de la minería de datos. Explica los conceptos clave de la minería de datos y los pasos del proceso de minería de datos, incluida la definición del problema, la preparación de datos, el modelado de datos y la evaluación de resultados. También compara la minería de datos con OLAP y describe algunas aplicaciones comunes de la minería de datos como la clasificación, la segmentación y la predicción.
Este documento describe los sistemas expertos, incluyendo sus componentes, tipos, ejemplos e implementación. Un sistema experto es un programa de computadora que utiliza conocimiento y reglas de inferencia para resolver problemas complejos de una manera similar a un experto humano. Los sistemas expertos se componen de una base de conocimiento, un motor de inferencia y una interfaz de usuario. Existen tres tipos principales: basados en reglas, basados en casos y basados en redes bayesianas. Algunos ejemplos históricos incluyen MYCIN y DENDR
Ciclo de vida de desarrollo de sistemas tarea correoGerard DV
The document describes the Systems Development Life Cycle (SDLC), which consists of 7 steps that analysts and designers use to create software programs for businesses. The 7 steps are: 1) identifying problems, opportunities, and objectives, 2) determining information requirements, 3) analyzing system needs, 4) designing the recommended system, 5) developing and documenting software, 6) testing and maintaining the system, and 7) implementing and evaluating the system.
Este documento describe la historia y desarrollo de los métodos cuantitativos e investigación operativa. Comienza con el origen de la investigación operativa en Inglaterra en 1939 y su aplicación en la industria en la década de 1950. Luego resume varios métodos cuantitativos clave como la programación lineal, programación dinámica, teoría de juegos y simulación, así como métodos heurísticos más recientes como algoritmos genéticos, búsqueda tabú y redes neuronales. Finalmente, describe el objetivo de ense
Este documento describe los sistemas expertos, incluyendo que simulan el razonamiento humano, pueden almacenar y aplicar conocimiento de expertos, y solucionan problemas aplicando experiencia. También discute algunas aplicaciones como el control de tráfico y transacciones bancarias, y componentes clave como la interfaz de usuario y mecanismo de inferencia.
Similar a Utp pd_iy_va_sap12 reconocimiento de patrones (20)
Este documento presenta una lista de preguntas para una sesión de aprendizaje sobre la Red Digital de Servicios Integrados (RDSI). La primera sección contiene preguntas sobre la introducción, evolución y acceso a RDSI, incluyendo cómo la norma la Unión Internacional de Telecomunicaciones, ventajas sobre la Red Telefónica Conmutada, y diagramas de redes de telecomunicaciones de los años 60 y 70. La segunda sección contiene preguntas sobre la arquitectura de RDSI, incluyendo la configuración de
El documento presenta una práctica calificatoria domiciliaria sobre redes digitales de servicios integrados. Contiene preguntas sobre clasificación de estándares de comunicaciones móviles, redes GSM y UMTS, OFDMA, y LTE. Los estudiantes deben completar tablas y responder preguntas sobre estas tecnologías móviles de manera manuscrita.
Este documento es una práctica calificada sobre comunicaciones inalámbricas que incluye preguntas sobre las arquitecturas GSM, UMTS y LTE. Los estudiantes deben completar tablas con acrónimos y sus significados, diagramas de red identificando elementos clave, y describir características de las diferentes agrupaciones funcionales y puntos de referencia de las redes mencionadas.
Este documento presenta una lista de 18 preguntas para una práctica calificada sobre comunicaciones inalámbricas. Las preguntas cubren temas como WiMax fijo y móvil, incluyendo sus características y arquitecturas. También incluye preguntas sobre clasificación de sistemas de comunicaciones móviles, parámetros de interfaz radio, calidad de servicio y arquitecturas de redes como GSM, GPRS y UMTS, entre otros.
Este documento presenta una lista de 19 preguntas para una segunda práctica calificada sobre comunicaciones inalámbricas. Las preguntas cubren temas como Bluetooth, Zigbee, WLAN y protocolos 802.11x, e incluyen definir características, describir especificaciones, graficar arquitecturas, comparar tecnologías y listar elementos de redes inalámbricas. Se instruye a los estudiantes a responder las preguntas en un tiempo límite de 1 hora y 30 minutos sin usar apuntes ni copiar, y con letra clara
Este documento es el examen parcial de la asignatura Redes Digitales de Servicios Integrados de la Facultad de Ingeniería Eléctrica y Electrónica de la Universidad Nacional de Ingeniería. El examen consta de 5 secciones que evalúan la configuración de referencia de RDSI, los principales elementos de RDSI, la red SS7, el proceso de establecimiento de llamadas RDSI y los servicios de RDSI. Los estudiantes deben identificar y nombrar los elementos de diferentes diagramas y tablas relacion
El documento es un examen parcial sobre Redes Digitales de Servicios Integrados que consta de 5 preguntas. La primera pregunta pide identificar elementos en diagramas de configuración de referencia de RDSI. La segunda pregunta trata sobre tipos de canales y accesos RDSI. La tercera pregunta cubre la estructura básica, pila de protocolos y procesos de SS7. La cuarta pregunta trata sobre servicios RDSI. Y la quinta pregunta pide graficar interfaces T e indicar sus características.
Este documento presenta una práctica calificada sobre redes digitales de servicios integrados. La práctica contiene preguntas sobre agrupaciones funcionales y puntos de referencia en RDSI, la estructura y protocolos de señalización SS7, y los servicios provistos por RDSI. Los estudiantes deben completar tablas y responder preguntas para demostrar su comprensión de estos conceptos fundamentales de las redes digitales.
Este informe analiza la importancia de la figura paterna en la educación de los hijos y los efectos de su ausencia o devaluación. Señala que la presencia de un padre implicado trae múltiples beneficios para el desarrollo personal e intelectual de los hijos. Sin embargo, en la actualidad se observa una crisis de la paternidad debido a la ausencia física o psíquica del padre, o a modelos paternos inadecuados. Esto tiene perversos efectos como un aumento de la violencia y la delinc
Este documento presenta una primera práctica calificada para el curso de Comunicaciones Inalámbricas. Consiste en 18 preguntas teóricas y prácticas sobre conceptos básicos como el espectro radioeléctrico, los servicios de telecomunicaciones, las bandas de frecuencia y los métodos para calcular pérdidas por difracción en enlaces de microondas. También incluye tablas para completar sobre las tecnologías inalámbricas existentes.
Uni fiee ci 2016 02 sesion 3y4 modelos deterministicos de propagacionjcbp_peru
Este documento presenta los conceptos fundamentales de los modelos determinísticos de propagación para comunicaciones inalámbricas móviles. Introduce los problemas de las comunicaciones móviles y las soluciones propuestas. Explica los conceptos de difracción, elipsoides de Fresnel y su aplicación para predecir la propagación de señales alrededor de obstáculos. Finalmente, discute el uso de estos modelos para la planificación de redes de comunicaciones móviles.
Uni fiee ci 2016 02 sesion 2 servicios inalámbricosjcbp_peru
El documento describe los servicios inalámbricos actuales y futuros. Cubre las principales tecnologías de acceso inalámbrico como radio móvil, satélite, sistemas punto a multipunto y WLAN. También discute la división del espectro, direcciones de comunicación y estándares como WiMAX, Wi-Fi y Bluetooth. El objetivo es proporcionar una visión general de la situación actual y futura de las comunicaciones inalámbricas.
Uni fiee ci 2016 02 sesion 1 espectro radioelèctricojcbp_peru
Este documento presenta una sesión de aprendizaje sobre el espectro radioeléctrico. La sesión cubre el espectro electromagnético, el espectro radioeléctrico, el espectro 4G en Latinoamérica, el espectro 5G y el Plan Nacional de Asignación de Frecuencias de Colombia. El objetivo es explicar los conceptos fundamentales del espectro radioeléctrico y las bandas utilizadas para las comunicaciones inalámbricas.
Uni wc 2016 1 sesion 14 redes moviles 4 gjcbp_peru
El documento describe las redes móviles de cuarta generación (4G). Explica que la tecnología LTE cumple con muchos pero no todos los requisitos de 4G. LTE-Advanced sí cumple con todos los requisitos y es considerado el estándar 4G. También describe las características y arquitectura de LTE, incluyendo sus interfaces, opciones de espectro y capacidades avanzadas como MIMO y OFDMA.
Uni wc 2016 1 sesion 13 redes moviles 2 g y 3gjcbp_peru
Este documento presenta información sobre redes móviles 2G y 3G. Explica los organismos de estandarización como ETSI y 3GPP. Describe las generaciones de redes móviles, incluyendo las características y evolución de GSM, GPRS y UMTS. También detalla la arquitectura y componentes clave de estas redes como BTS, BSC, MSC, HLR y VLR para GSM, y RNC, Node B, SGSN y GGSN para UMTS.
Este documento proporciona una introducción a la tecnología LTE, describiendo su evolución a partir de generaciones anteriores de redes móviles y las especificaciones necesarias para ser considerada una red 4G. Explica los elementos clave de su arquitectura, incluyendo interfaces y equipos, y destaca los mecanismos de transmisión de voz en LTE, con el objetivo de ofrecer una visión general de esta tecnología en Latinoamérica.
Este documento trata sobre redes móviles. Explica los principios básicos de diferentes generaciones de redes móviles como GSM, UMTS y LTE. Describe las características técnicas de estas tecnologías y cómo funcionan. Además, cubre temas como redes ad-hoc, sistemas de distribución multipunto y otros aspectos relacionados con la transmisión inalámbrica de datos. El objetivo es familiarizar al lector con los fundamentos de las redes móviles y cómo han evolucionado a lo largo del tiempo
Este documento trata sobre el acceso múltiple por división de código (CDMA). Explica conceptos como el ensanchamiento de espectro, las secuencias de códigos como las secuencias de Walsh y OVSF, y cómo funciona el CDMA en un entorno celular. También analiza los componentes de interferencia en CDMA multicelular y el problema de cerca-lejos, y cómo se calcula la capacidad en sistemas CDMA. Por último, incluye una tarea que pide describir detalladamente códigos no ortogonales como Gold, S(
Uni fiee ci 2016 01 sesion 11 comunicaciones movilesjcbp_peru
El documento presenta una sesión de aprendizaje sobre comunicaciones móviles. Introduce el concepto de servicio móvil y clasifica los sistemas de comunicaciones móviles de acuerdo a su modalidad de funcionamiento, sector de aplicación, banda de frecuencias utilizada, técnica de multiacceso, modulación y ancho de banda del canal, y modo de explotación. Explica los conceptos de interfaz radio, enlaces, técnicas de duplexado, distribución de frecuencias y parámetros de calidad. Resume la
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacionjcbp_peru
Este documento presenta los conceptos básicos de la propagación de ondas en comunicaciones inalámbricas móviles. Explica los problemas de las comunicaciones móviles relacionados con las antenas, el entorno y la banda disponible, así como posibles soluciones. Luego introduce modelos de propagación determinísticos basados en la difracción para predecir la señal recibida en entornos irregulares, incluida la difracción por objetos delgados y redondos. Finalmente, discute cómo aplicar estos modelos en la plan
Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
Utp pd_iy_va_sap12 reconocimiento de patrones
1. Procesamiento de Imágenes
y Visión Artificial
(WEE2)
Sesión: 12
Reconocimiento de Patrones
Ing. José C. Benítez P.
2. Logros de aprendizaje
1. Definir en que consiste el reconocimiento de patrones de
imágenes.
2. Conocer los principios y procesos del reconocimiento de
patrones
3. Identificar el objetivo y las formas del reconocimiento de
patrones.
4. Describir a un sistema de reconocimiento de patrones,
5. Diferenciar los procedimientos y aplicaciones del
reconocimiento de patrones.
6. Entender los diferentes descriptores de formas.
2
3. 3
Contenido
Reconocimiento de patrones de imágenes:
Introducción al reconocimiento de patrones.
Principios del reconocimiento de patrones.
Procesos reconocimiento de patrones.
Objetivo del reconocimiento de patrones.
Formas de reconocimiento de patrones.
Sistema de reconocimiento de patrones.
Procedimientos del reconocimiento de patrones.
Aplicaciones del reconocimiento de patrones.
Descriptores de formas.
6. Introducción al reconocimiento de patrones
El RP también es llamado:
lectura de patrones,
identificación de figuras y
reconocimiento de formas.
El RP es la ciencia que se ocupa de los procesos de
ingeniería, computación y matemáticas relacionados
con objetos físicos o abstractos, con el propósito de
extraer información que permita establecer propiedades
de entre conjuntos de dichos objetos.
En general el RP consiste en el reconocimiento de
patrones de señales.
6
7. Principios del reconocimiento de patrones
Los patrones se obtienen a partir de los procesos de:
segmentación,
extracción de características y
descripción,
dónde cada objeto queda representado por una
colección de descriptores.
El sistema de reconocimiento debe asignar a cada
objeto su categoría o clase.
Categoría o clase. Conjunto de entidades que
comparten alguna característica que las diferencia del
resto.
7
8. Procesos del reconocimiento de patrones
Para poder reconocer los patrones se siguen los
siguientes procesos:
1. adquisición de datos.
2. extracción de características.
3. toma de decisiones.
8
9. Objetivo del reconocimiento de patrones
El objetivo esencial
del reconocimiento
de patrones es la
clasificación: se
quiere clasificar una
señal dependiendo
de sus
características.
9
10. Formas del reconocimiento de patrones
Las señales, características y
clases pueden ser de cualquiera
forma, por ejemplo se puede
clasificar:
- Imágenes digitales de letras en
las clases «A» a «Z»
dependiendo de sus píxeles o
- Sonidos de cantos de los
pájaros en clases de órdenes
aviares dependiendo de las
frecuencias.
10
11. Sistema de reconocimiento de patrones
Un sistema completo de reconocimiento de patrones
incluye:
un sensor que recoge fielmente los elementos del
universo a ser clasificado,
un mecanismo de extracción de características cuyo
propósito es extraer la información útil, eliminando la
información redundante e irrelevante, y
una etapa de toma de decisiones en la cual se asigna
a la categoría apropiada los patrones de clase
desconocida a priori.
11
12. Sensor
El sensor es el dispositivo encargado de la adquisición de
datos y es capaz de transformar magnitudes físicas o
químicas, llamadas variables de instrumentación,
en magnitudes eléctricas.
12
13. Sensor
Las variables de instrumentación dependen del tipo de
sensor y pueden ser por ejemplo:
- temperatura,
- intensidad lumínica,
- distancia,
- aceleración,
- inclinación,
- desplazamiento,
- presión,
- fuerza,
- torsión,
- humedad,
- etc. 13
14. Extracción de características
• Es el proceso de generar características que puedan
ser usadas en el proceso de clasificación de los datos.
• En ocasiones viene precedido por un preprocesado de
la señal, necesario para corregir posibles deficiencias
en los datos debido a errores del sensor, o bien para
preparar los datos frente a posteriores procesos en las
etapas de extracción de características o clasificación.
• Las características elementales están explícitamente
presentes en los datos adquiridos y pueden ser
pasados directamente a la etapa de clasificación.
• Las características de alto orden son derivadas de las
elementales y son generadas por manipulaciones o
transformaciones en los datos.
14
15. Clasificación
• La clasificación trata de asignar las diferentes
partes del vector de características a grupos o
clases, basándose en las características extraídas.
• En esta etapa se usa lo que se conoce
como aprendizaje automático, cuyo objetivo es
desarrollar técnicas que permitan a las
computadoras aprender.
15
16. Procedimientos de Clasificación
• Geométrico (Clustering):
• Los patrones deben ser graficables.
• Emplea el cálculo de distancias, geometría
de formas, vectores numéricos, puntos de
atracción, etc.
• Estadístico:
• Se basa en la teoría de la probabilidad y
la estadística.
• Utiliza análisis de varianzas, covarianzas,
dispersión, distribución, etc.
16
17. Aplicaciones del reconocimiento de patrones
1. Previsión meteorológica.
2. Reconocimiento de caracteres escritos a mano o a
máquina.
3. Reconocimiento de voz.
4. Aplicaciones en medicina.
5. Reconocimiento de huellas dactilares.
6. Reconocimiento de caras.
7. Interpretación de fotografías.
8. Predicción de magnitudes máximas de terremotos.
9. Reconocimiento de objetos.
10. Reconocimiento de música.
17
18. Aplicaciones del reconocimiento de patrones
1. Previsión meteorológica:
Poder clasificar todos los datos meteorológicos
según diversos patrones, y con el conocimiento a
priori que tenemos de las diferentes situaciones que
pueden aparecer nos permite crear mapas de
predicción automática.
2. Reconocimiento de caracteres
Escritos a mano o a máquina: es una de las
utilidades más populares de los SRP ya que los
símbolos de escritura son fácilmente identificables.
3. Reconocimiento de voz:
El análisis de la señal de voz se utiliza actualmente
en muchas aplicaciones, un ejemplo claro son los
tele operadores informáticos.
18
19. Aplicaciones del reconocimiento de patrones
4. Aplicaciones en medicina:
Análisis de biorritmos, detección de irregularidades en
imágenes de rayos-x, detección de células infectadas,
marcas en la piel...
5. Reconocimiento de huellas dactilares:
Utilizado y conocido por la gran mayoría, mediante las
huellas dactilares todos somos identificables y con
programas que detectan y clasifican las coincidencias,
resulta sencillo encontrar correspondencias.
6. Reconocimiento de caras:
Utilizado para contar asistentes en una manifestación
o simplemente para detectar una sonrisa, ya hay
diferentes cámaras en el mercado con esta opción
disponible.
19
20. Aplicaciones del reconocimiento de patrones
20
7. Interpretación de fotografías
Aéreas y de satélite: gran utilidad
para propuestas militares o civiles,
como la agricultura, geología,
geografía, planificación urbana...
8. Predicción de magnitudes
Máximas de terremotos.
9. Reconocimiento de objetos:
Con importantes aplicaciones para
personas con discapacidad visual.
10. Reconocimiento de música:
Identificar el tipo de música o la
canción concreta que suena.
30. Bibliografía
30
1. Richard O. Duda, Peter E. Hart, David G. Stork
(2001) Pattern classification(2ª edición), Wiley, New
York, ISBN 0-471-05669-3.
2. Dietrich Paulus and Joachim Hornegger (1998) Applied
Pattern Recognition(2ª edición), Vieweg. ISBN 3-528-
15558-2
3. J. Schuermann: Pattern Classification: A Unified View of
Statistical and Neural Approaches, WileySons,
1996, ISBN 0-471-13534-8
4. Sholom Weiss and Casimir Kulikowski (1991) Computer
Systems That Learn, Morgan Kaufmann. ISBN 1-55860-
065-5
31. Resumen
Realizar un resumen mediante mapas conceptuales (CMapTools)
31
de esta diapositiva.
Serán mejor consideradas los resúmenes que tengan información
extra a esta diapositiva.
Las fuentes adicionales utilizadas en el resumen se presentarán
en su carpeta personal del Dropbox y deben conservar el nombre
original y agregar al final _S12.
Las fuentes y los archivos *.cmap deben colocarse dentro de su
carpeta personal del Dropbox, dentro de una carpeta de nombre:
PDI_PaternoM_S12
Las Tareas que no cumplan las
indicaciones no serán considerados
por el profesor.
32. 32
Preguntas
El resumen con mapas conceptuales solicitado de la Sesión, al
menos debe responder las siguientes preguntas:
1. Definición y objetivo del RP.
2. Listar los procesos a partir del cual se obtienen los patrones.
3. Definir una categoría o clase.
4. Listar los procesos del RP.
5. Listar formas del RP.
6. Elementos de un SRP. Definir cada uno. Ejemplo de cada uno.
7. Listar y definir los procedimientos de clasificación.
8. Listar 10 aplicaciones del RP.
9. Clasificar los descriptores de formas.
10. Explicar los descriptores de contornos.
11. Explicar los descriptores de regiones.
33. 33
Sesión 12. Reconocimiento de patrones.
Procesamiento de Imágenes
y Visión Artificial
Blog del curso:
http://utppdiyva.blogspot.com