PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO 444 2012: SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección.

Presentación del tema: "PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO 444 2012: SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección."— Transcripción de la presentación:

1 PROGRAMA DE INNOVACIÓN Y DESARROLLO TECNOLÓGICO PRODUCTIVO – CONVENIO 444 2012: SENA-NEW STETIC Proyecto: Sistema de visión industrial para inspección y control calidad de dientes artificiales de la línea de dos capas

2 VISIÓN ARTIFICIAL UNA HERRAMIENTA PARA LA INSPECCIÓN VISUAL AUTOMÁTICA UNA OPORTUNIDAD PARA EL CONTROL DE CALIDAD EN LA INDUSTRIA NACIONAL

3 Módulo 4. DESCRIPTORES Y CLASIFICADORES UNA OPORTUNIDAD PARA EL CONTROL DE CALIDAD EN LA INDUSTRIA NACIONAL

4 GRUPO GIDIA UNALMED John Willian Branch Ph.D Alejandro Restrepo Martínez Ph.D Albeiro Espinosa Ph.D Juan Carlos BriñezM.Sc Camilo Vargas Ing de Sistemas David Baena Ing Mecánico Jeyson Molina Ing de Sistemas John Alejandro SotoIng de Control y Automatización (c)

5 1. Introducción 2. Segmentación 3. Descriptores 4. Clasificadores 5. Actividad práctica 6. Resumen de aspectos generales

6 1. Introducción

7 Descripción Pre procesamientoSegmentación AdquisiciónClasificación Problema específico Visión por computador:

8 Descripción Pre procesamientoSegmentación AdquisiciónClasificación Problema específico Visión por computador:

9 Descripción Segmentación Clasificación Tomada de [2]

10 2. Segmentación

11 Segmentación: Agrupar pixeles similares de la imagen con respecto a alguna característica (ej: intensidad de gris, textura). Definir regiones de interés.

12 Umbralización: Divide la imagen en regiones de interés y no interés de acuerdo a los niveles de intensidad de gris. Ejemplo: umbral t=20, 70, 100

13 Otros ejemplos: Graph-based, Level sets, Mean shift

14 Algunos casos que dificultan la segmentación: -Bajo contraste -Iluminación no homogénea Mejorar rendimiento a través de preprocesamiento

15 3. Descripción

16 Descripción y clasificación: Clasificar regiones de interés a partir de mediciones sobre la misma. Mediciones: Área Perímetro Forma Tipo de diente

17 -Transformar la información de entrada (regiones segmentadas) en un set de características o medidas. -Información representativa para posterior clasificación. -Costo computacional. Tomada de [1]

18 Tipos de descriptores: -Intensidad -Geométricos -Contraste -Textura -Invariantes

19 Descriptores de intensidad: -magnitud y distribución de los niveles de intensidad de gris en una imagen. -promedio, máximo, mínimo, rango, desviación estándar, entre otros.

20 Características extraídas para describir la forma de la partícula segmentada. El área, perímetro, redondez, excentricidad, solidez, relación de aspecto, etc. Tomada de [3]

21 Describen la relación de los niveles de intensidad de la región y su vecindario. - Contraste de Webber. - Contraste de Michelson. - Relación de Luminancia. - Gradiente en el borde. - etc. Gradiente

22 Describen los patrones de distribución de los niveles de intensidad de una región (Textura) - Matriz de Coocurrencia. - Descriptores de Haralick. - Descriptores de Gabor. - Patrón local binario (LBP). - etc. Filtros de Gabor LBP

23 Familia de descriptores locales robustos que no se ven afectados por transformaciones espaciales (rotaciones, traslaciones, escalados, etc.). EJ: SIFT, SURF, PCA-SIFT, FAST, entre otros.

24 4. Clasificación

25 Proceso mediante el cual se asigna una clase a un objeto a partir de sus características observadas. Se emplea dado que la etapa de segmentación genera regiones de diferentes categorías. Tomada de [3]

26 Características ModeloCategoría Área Perímetro Máximo Mínimo … Defecto No defecto Tornillo Tuerca …

27 Clases: Defecto (Rojo), No defecto (Azul). Clasificador (Línea verde).

28 - Supervisado: Crea una función matemática a partir de datos De entrenamiento etiquetados. - No supervisado: No dispone de conjunto de entrenamiento. Agrupa objetos similares.

29 - Semi-supervisado: Utiliza datos etiquetados y no etiquetados. Normalmente la cantidad de datos no etiquetados es mayor. - Por refuerzo: Entrenamiento a través de la experiencia (retroalimentación). Fuerte carga de ensayo y error.

30 -Entrenamiento por Aprendizaje Supervisado: Se realiza un proceso de etiquetado donde se genera una base de datos de entrenamiento de descriptores clasificados. A cada región se le asigna una clase a priori. DEF NODEF DEF DEF NODEF DEF

31 Existen varios tipos de algoritmos que generan modelos de clasificación distintos que cumplen la misma función. Se puede mejorar su desempeño ajustando sus parámetros. SVM Redes neuronalesÁrboles de decisión K-Vecinos

32 Una vez entrenado el modelo de clasificación se valida evaluándolo en un conjunto de prueba y estimando su error de predicción. DEF NODEF Real Clasificador NODEF DEF NODEF DEF DEF Técnicas de evaluación - Matriz de confusión - ROC - Precisión, Error MSE, F1, etc.

33 Entrenamiento Modelo de clasificación final Extracción descriptores Parametrización Etiquetado Validación Todas las etapas son importantes para el resultado final.

34 5. Actividad práctica

35 Descripción Segmentación Clasificación

36

37 [1] Digital Image Processing USING MATLAB, Gonzalez, Woods and Eddins Second Edition - Gatesmark Publishing (c)2009

38 [2] http://www2.engr.arizona.edu/~pgsangam/research.html [3] http://www.thinkstockphotos.com