RECONOCIMIENTO DE IMÁGENES CON REDES NEURONALES

EN LA TOMA DE DECISIONES.

Cárdenas Diaz K.S, López Pérez D. y Ramos Ramírez I.

Resumen
Este articulo plantea el desarrollo de un sistema de visión artificial por fotografías en tiempo
real, como la supervisión visual automática de cultivos de frijol, el cual emplea métodos para
la diferenciación entre los elementos de la imagen. El sistema consta principalmente de
cuatro etapas las cuales son: Ambiente controlado, adquisición, procesamiento de imágenes
y reconocimiento de patrones. La etapa del ambiente controlado busca fijar una tasa de luz
constante, el cual sería el entorno de trabajo ideal, el cual cuenta con limitadas plantas para
el experimento, sin elementos extras en un cultivo como lo serían las piedras, insectos,
basuras entre otros elementos, resaltando así los elementos de más interés como la tierra, la
planta de frijol y las malezas. La integración del sistema está basada en el uso del software
MATLAB. Este interactúa con una cámara web para la obtención de imágenes en la etapa
de adquisición, con la alternativa de importar imágenes guardadas en el sistema. En
MATLAB también se realizan las otras dos etapas, siendo el procesamiento de imágenes el
verdadero plus del proyecto, pues integra las funciones más importantes para el
procesamiento de imágenes en una interfaz gráfica, integrando en ella un modo automático
y un modo manual. Esta interfaz facilitaría el trabajo para futuros proyectos de visión artificial
en MATLAB sea cual sea el proyecto por realizar. La última etapa de reconocimiento de
patrones se realizará por método heurístico, el cual obtiene las características de los
elementos de una imagen BW, para luego realizar un proceso de discriminación.
Palabras Clave: Visión artificial, malezas, frijol, detección, sistema, MATLAB.
Abstract
This article presents the development of a system of artificial vision for photos in real time,
automatic visual supervision of bean crops, which used methods for the differentiation
between the elements of the image. The system mainly consists of four stages which are:
controlled environment, acquisition, image processing and pattern recognition. The stage of
the controlled environment seeks to set a rate of constant light, which would be the ideal
environment, which has limited plants for experiment, without elements extras in a crop as it
rocks, insects, garbage among other elements, thus highlighting the elements of more
interest as the Earth, the bean plant and weeds. The system integration is based on the use
of MATLAB software. This interacts with a web camera for imaging in the stage of
acquisition, the option to import images stored in the system. MATLAB also the other two
stages, being the real plus of the project, the image processing is performed because it
integrates the most crucial functions for processing images in a graphical interface,
integrating in an automatic mode and a mode Manual. This interface would facilitate work for
future projects of vision in MATLAB, whatever the project ahead. The last stage of pattern
recognition held by heuristic method, which obtains the characteristics of a BW image
elements, then make a process of discrimination.
Key words: Artificial vision, weed, beans, detection, system, MATLAB.
Introducción
Las redes neuronales artificiales
(RNA) emulan las neuronas biológicas
cerebrales para obtener un resultado y
funcionan así porque están construidas
como una conectividad. Para esto, se
elabora un algoritmo que permite alimentar
la base de datos de la red neuronal, que
selecciona ejemplos de problemas
resueltos para generar un sistema que
toma decisiones y realiza clasificaciones.
Las redes neuronales, que pertenecen al
campo de la inteligencia artificial, permiten
resolver un problema mediante el empleo
de problemas resueltos en el pasado
similares al planteado. En este artículo se
describen las principales características de
las redes neuronales, así como las
aplicaciones más comunes en las que se
utiliza esta técnica. Así mismo, a modo de
ejemplo, se presenta, de forma detallada,
una aplicación en la que se emplean redes
neuronales.
Hoy en día tenemos ya al alcance de
nuestras manos sistemas más precisos, en
las tareas de clasificación y detección en
imágenes.
La búsqueda de herramientas tecnológicas
que mejoren el trabajo de los campesinos
es algo necesario, ya que ellos se ven
afectados por hierbas no deseadas, las
cuales afectan la calidad y retrasan la
producción del cultivo.
Los campesinos necesitan nuevas
tecnologías que les garanticen acelerar y
mejorar la producción de sus cultivos. Esto
es lo que se busca lograr con en este
proyecto, proponiendo la visión artificial
como una herramienta útil que a futuro
mejorara la competencia del agro
mexicano frente a otras entidades agrarias
nacionales. Una visita a un cultivo de frijol
dejó en evidencia la existencia de hierbas
no deseadas que roban nutrientes a las
plantas cercanas. El proyecto que, como
trabajo de investigación tecnológica,
consiste en el desarrollo de un sistema de
visión artificial, con el fin de detectar las
hierbas no deseadas en un cultivo, busca
dejar un precedente para futuras
investigaciones que den solución y
mejoren la situación de la agricultura
mexicana.
Objetivo General.
Realizar un sistema de visión artificial por
computador que permita detectar el campo
deseado para el cultivo de frijol usando un
ambiente controlado.
Procesamiento de Imágenes.
El procesamiento, el análisis y la
interpretación de imágenes es un campo
de especialización muy importante de la
visión artificial, que hace posible que un
ordenador procese imágenes o fotografías
bidimensionales (aisladas o bien
conectadas en secuencias dinámicas o
temporales).
Los principales objetivos que se persiguen
con la aplicación de filtros son:
• Suavizar la imagen: reducir la cantidad
de variaciones de intensidad entre
píxeles vecinos.
• Eliminar ruido: eliminar aquellos
píxeles cuyo nivel de intensidad es
muy diferente al de sus vecinos y cuyo
origen puede estar tanto en el proceso
de adquisición de la imagen como en el
de transmisión.
• Realzar bordes: destacar los bordes
que se localizan en una imagen.
• Detectar bordes: detectar los píxeles
donde se produce un cambio brusco en
la función intensidad.
Reconocimiento de Patrones.
El Reconocimiento de Patrones como una
disciplina científica tiene el objetivo de
clasificar objetos en un número específico
de categorías o clases. Dependiendo de la
aplicación, estos objetos pueden ser
imágenes, sonidos, olores, en general,
señales producto de mediciones que
deben ser clasificadas. Estos objetos se
denotan con el término genérico
de patrones.
Redes Neuronales.
Las redes neuronales son un modelo para
encontrar esa combinación de parámetros
y aplicarla al mismo tiempo. En el lenguaje
propio, encontrar la combinación que
mejor se ajusta es "entrenar" la red
neuronal. Una red ya entrenada se puede
usar luego para hacer predicciones o
clasificaciones, es decir, para "aplicar" la
combinación.
Las redes neuronales suelen consistir en
varias capas o un diseño de cubo, y la ruta
de la señal atraviesa de adelante hacia
atrás. Propagación hacia atrás es donde
se utiliza la estimulación hacia adelante o
en el "frente" para restablecer los pesos de
las unidades neuronales y esto a veces se
realiza en combinación con una formación
en la que se conoce el resultado correcto.
Inteligencia Artificial.
La Inteligencia artificial es el campo
científico de la informática que se centra
en la creación de programas y
mecanismos que pueden mostrar
comportamientos considerados
inteligentes. En otras palabras, la IA es el
concepto según el cual “las máquinas
piensan como seres humanos”.
Ambiente Controlado.
Es un entorno cerrado donde parámetros
tales como luz, temperatura, humedad
relativa y, algunas veces presión parcial de
los gases (e incluso su composición),
están completamente controlados.
Desarrollo del Ambiente Controlado.
Para la realización del prototipo de la
semejanza del cultivo de frijol se hizo el
estudio de los elementos que se pueden
encontrar en dicho cultivo y se establece
como primordiales tres elementos, los
cuales son, tierra, plantas de frijol y
malezas. Descartando otros como piedras,
basuras, insectos, entre otros. También se
hizo el estudio de los factores aleatorios
que afectan la imagen del cultivo, siendo la
luz y la humedad de la tierra los factores
que más afectan los colores de la imagen
a tomar.
Los elementos del cultivo de estos tres
elementos se realizaron de la siguiente
manera.
Tierra. en un cultivo de frijol se maneja
tierra negra. Su obtención es fácil,
basta con ir a una floristería, vivero o
cualquier lugar que comercie con plantas
para poder comprarla, también se puede
extraer directamente de un cultivo real.
Plantas de frijol. Estas plantas no suelen
estar en venta, no son de fácil
obtención. Por lo tanto se procedió a la
germinación del frijol para la obtención de
la planta. esta germinación se realizó de la
manera convencional, colocando el frijol
en algodón húmedo. luego de 1 semana
se evidencio la aparición de raíces, a las 2
semanas la aparición de hojas, finalmente
a las 3 semanas se logró ver la planta
joven, con tallo, raíz y hojas.
Malezas. Aunque no se puedan comprar,
son de fácil obtención. Hay
muchos tipos de malezas y los zacates
(pasto) y hojas anchas abundan en gran
parte del mundo, por lo cual basta con
buscarlos y extraerlos directamente del
suelo.
Factores aleatorios en el cultivo.
También se obtuvieron 2 factores
aleatorios los cuales fueron controlados de
la siguiente manera:
Intensidad lumínica constante. Para esta
basta con hacer un lugar encerrado, un
contexto totalmente oscuro. Luego iluminar
dicho contexto con una luz constante, en
este caso un Foco Ahorrador Led Casa
Luz Blanca 30w 6000k E27 Led09, el cual
se implanto de forma central en la
superficie que encierra el cultivo.
Nivel de humedad. La tierra húmeda
suele cambiar el color dependiendo
de su nivel de humedad, haciéndose más
oscura y también cambiando su textura a
algo más duro, por lo cual resulta más
sencillo trabajar con la tierra seca.
Procesamiento de Imágenes.
Un proceso fundamental para el desarrollo
del sistema planteado es el procesamiento
digital de imágenes, ya que de esta forma
se obtiene la información necesaria de
diferentes imágenes para poder entrenar
nuestra red neuronal.
Para poder extraer información
directamente de la imagen, primero se
debe de realizar un preprocesamiento que
consiste en mejorar la calidad informativa
de dicha imagen para facilitar la
interpretación de la información, cabe
destacar que cuando se adquiere una
imagen, no suele ser directamente
utilizable. Se considera que lo más
relevante de las imágenes a tratar es su
contorno, para lo cual los colores no son
necesarios y resulta más conveniente
convertir la imagen a una escala de grises
Posteriormente en la etapa de
segmentación se pretende transformar la
imagen en escala de grises en una imagen
lógica compuesta de unos y ceros (blanco
y negro). Una imagen se puede segmentar
con 2 métodos diferentes, el primero es
por medio de la detección de contornos y
el segundo por medio de la intensidad del
pixel, fijando un umbral.
Ejemplos de segmentación
Después de procesar de forma correcta las
imágenes, se obtienen las características
más significativas que nos permita
diferenciar las malezas de los frijoles, es
importante que las características
buscadas sean lo más similares posibles al
frijol y lo más diferentes posibles a las
malezas, dicha información obtenida se
guardará en una base de datos.
Una vez teniendo nuestra base de datos,
se debe de realizar un sistema que sea
capaz de determinar a que imagen
almacenada se parece o corresponde la
imagen procesada, a lo cual se le conoce
como clasificador o reconocedor de datos,
eh aquí donde comienza la aplicación de
las Redes Neuronales debido a que es una
buena opción para la clasificación de
datos.
Efectividad.
Para evaluar la efectividad del sistema de
visión se usó una muestra de 30
fotografías, 10 sin maleza y 20 con
maleza; se evaluó una por una, marcando
como correcto e incorrecto la
interpretación que arrojo el software. Los
resultados fueron los siguientes:
Para las 10 imágenes sin maleza la
efectividad fue del 100%.
Para las 20 imágenes con maleza la
efectividad fue del 90%.
Lo que quiere decir que se obtuvo una
efectividad total de 92.5% con tres
imágenes erradas de 30. En estas
imágenes erradas se erró en la
identificación del frijol, más la identificación
de la maleza siempre fue buena.
Conclusiones.
En esta investigación se pudo demostrar
que es posible analizar un cultivo de frijol
mediante el reconocimiento de imágenes
aplicando redes neuronales, es decir: que
a partir de capturas y en tiempo real
pudimos adquirir el conocimiento para dar
pie a la decisión de que hierva no es
deseada para dicho cultivo.
En el proceso de decidir cuál era el mejor
cultivo tuvimos que implementar imágenes
de baja resolución y bandas de
información en el aspecto bidimensional,
para tener un enfoque mayor de lo que se
está realizando.
Se utilizó el software llamado MATLAB
para dar un enfoque más acertado al
proyecto, de esa manera tuvimos un
procesamiento de imágenes en una
interfaz gráfica, integrando en ella un
modo automático y otro manual.
En cuanto al ambiente controlado, se
observó que la luz, humedad y la
temperatura es un factor muy importante
para el cultivo de frijol y en función con el
reconocimiento de imágenes proporcionó
los mejores resultados para todos los
clasificadores.
En las imágenes tratadas se mostraron diferentes
resultados para 10 imágenes sin maleza la
efectividad fue del 100% y en cuanto en 20
imágenes la efectividad fue del 90%.lo que quiere
decir que se obtuvo una efectividad de 92.5% con
3 imágenes erradas de 30.
Referencias
Salesforce. (2017, 22 junio). ¿Qué es la
inteligencia artificial? Recuperado 26
mayo, 2018, de
https://www.salesforce.com/mx/blog/2017/
6/Que-es-la-inteligencia-artificial.html
Wikipedia. (2018, 27 mayo). Red neuronal
artificial. Recuperado 27 mayo, 2018, de
https://es.wikipedia.org/wiki/Red_neuronal
_artificial
XAKATA. (2014, 30 diciembre). Las redes
neuronales: qué son y por qué están
volviendo. Recuperado 27 mayo, 2018, de
https://www.xataka.com/robotica-e-ia/las-
redes-neuronales-que-son-y-por-que-
estan-volviendo
Rene Reynaga y William Mayta, R. (2007,
3 septiembre). INTRODUCCION AL
RECONOCIMIENTO DE PATRONES.
Recuperado 27 mayo, 2018, de
http://www.scielo.org.bo/scielo.php?script=
sci_arttext&pid=S2071-
081X2009000100005
WIKIPEDIA. (2018, 18 mayo).
Procesamiento digital de imágenes.
Recuperado 27 mayo, 2018, de
https://es.wikipedia.org/wiki/Procesamiento
_digital_de_im%C3%A1genes