Grupo de investigaciónMecatrónica · Procesamiento de señales · Control · Redes neuronales

Reconocimiento de patrones

Esta página se está actualizando; vuelva a visitarla pronto.

El reconocimiento de patrones es uno de los campos más provechosos para el desarrollo de metodologías adaptativas, por sus múltiples aplicaciones en diversas áreas del conocimiento. El desarrollo de nuevos modelos matemáticos impulsa a la comunidad investigadora a crear nuevas tecnologías para reconocer patrones de comportamiento en sistemas caóticos, aplicadas al diagnóstico de distintas enfermedades como el párkinson, el cáncer o las enfermedades pulmonares y cardíacas, entre otras [1].

En muchos casos es necesario recurrir a sistemas de visión, ya que los componentes analizados pueden presentar defectos invisibles para el ojo humano; por eso hay que implantar tecnologías que mejoren procesos y subprocesos como la inspección y clasificación de piezas que presentan algún daño o una característica concreta, por ejemplo, un pequeño arañazo [2].

Metodología adaptativa en tres pasos: entrenamiento de la D-QNU con una base de datos de entrenamiento, monitorización en línea con los pesos neuronales adaptados y visualización de los marcadores de variabilidad
Visualización de los marcadores de variabilidad de la D-QNU [3]

Reconocimiento de patrones para aplicaciones industriales

Arquitectura del proyecto: adquisición de vídeo con una cámara web, procesamiento del vídeo en una Raspberry Pi y reconocimiento de color o de bordes
Arquitectura del proyecto [2]
Tesis de licenciaturaEstudiante: Erick Antonio Ramos · 120610 [1]
Máscaras binarias utilizadas para detectar las piezas de cada color
Prueba de detección de piezas con la máscara de cada color [2]
Imagen de la cámara con una pieza de color enmarcada en verde tras el reconocimiento
Resultados del reconocimiento de un color [2]
Imagen de la cámara con varias piezas de colores enmarcadas tras el reconocimiento
Resultados del reconocimiento de varios colores [2]

Referencias

  1. S. Cervantes, A. Mexicano, José-Antonio Cervantes, Ricardo Rodriguez, and Jorge Fuentes-Pacheco, Binary Pattern Descriptors for Scene Classification. IEEE Latin America Transactions, Vol. 18, No. 1, January 2020. Indexada en JCR, factor de impacto: 0,967.
  2. Osslan Osiris Vergara Villegas, Vianey Guadalupe Cruz Sánchez, Humberto de Jesús Ochoa Domínguez, Jorge Luis García-Alcaraz, Ricardo Rodriguez Jorge (2016), “Automatic Defect Detection and Classification of Terminals in a Bussed Electrical Center Using Computer Vision”, Handbook of Research on Managerial Strategies for Achieving Optimal Performance in Industrial Processes, IGI Publishing Hershey, PA, USA ©2016, May 2016, pp. 241-266, DOI: 10.4018/978-1-5225-0130-5, ISBN13: 9781522501305.
  3. Rodriguez Jorge, R., Bila, J., Mizera-Pietraszko, J., Loya Orduño, R. E., Martinez Garcia, E., & Torres Córdoba, R. (2017). Adaptive methodology for designing a predictive model of cardiac arrhythmia symptoms based on cubic neural unit. In Frontiers in Artificial Intelligence and Applications (Vol. 295, pp. 232–239). IOS Press. https://doi.org/10.3233/978-1-61499-773-3-232
  4. Tesis de licenciatura: «Implementation of an artificial vision system for validation of parts in the industry», de Erick Antonio Ramos Vargas, para obtener el título de Ingeniería en Mecatrónica. Programa de Mecatrónica, Universidad Autónoma de Ciudad Juárez. Dic. 2017. (Dirección: Dr. Ricardo Rodríguez Jorge).
  5. Herrera, José Elías Cancino, Ricardo Rodríguez Jorge, Osslan Osiris Vergara Villegas, Vianey Guadalupe Cruz Sánchez, Jiri Bila, Manuel de Jesús Nandayapa Alfaro, Israel U. Ponce, Ángel Israel Soto Marrufo, and Ángel Flores Abad. 2016. “Monitoring of Cardiac Arrhythmia Patterns by Adaptive Analysis.” In, 885–94. doi:10.1007/978-3-319-49109-7_86.
  6. S. Cervantes, A. Mexicano, José-Antonio Cervantes, Ricardo Rodriguez, and Jorge Fuentes-Pacheco, Binary Pattern Descriptors for Scene Classification. IEEE Latin America Transactions, Vol. 18, No. 1, January 2020. Indexada en JCR, factor de impacto: 0,804.
  7. Mexicano, Adriana; Rodriguez Jorge, Ricardo, et al. “Acceleration of the K-Means algorithm by removing stable items”, Int. J. of Space-Based and Situated Computing (IJSSC), Vol. 7, No. 2, 2017.
  8. Mexicano-Santoyo, A.; Rodriguez-Jorge, Ricardo; Abrego, A., Jiménez; Zúñiga-Treviño; Martínez García, Edgar. A., Visual Analysis of Differential Evolution Algorithms, Proceedings of the 11th International Conference MISSI 2018. (Web of Science, Proceedings Citation Index).
  9. Rodriguez Jorge, Ricardo; Bila, Jiri; Mizera-Pietraszko, Jolanta; Martinez-Garcia, Edgar A., Weight Adaptation Stability of Linear and Higher-Order Neural Units for Prediction Applications, Proceedings of the 11th International Conference MISSI 2018. (Web of Science, Proceedings Citation Index)
  10. Mizera-Pietraszko, Jolanta; Kołaczek, Grzegorz; Rodriguez Jorge, Ricardo, Source-Target Mapping Model of Streaming Data Flow for Machine Translation, INnovations in Intelligent SysTems and Applications (INISTA), 2017 IEEE International Conference on, 3-5 July 2017, Gdynia, Poland. (IEEE Xplore, Web of Science Core Collection Database).
  11. Rodriguez Jorge, Ricardo, Artificial Neural Networks: Challenges in Science and Engineering Applications, Proceedings of 8th International Conference on Applications of Digital Information and Web Technologies 2017, Ciudad Juarez, Chihuahua, Mexico.
  12. Mexicano, A; Cervantes, S.; Rodríguez, R.; Pérez, J.; Almanza, N., “Identifying stable objects for accelerating the classification phase of k-means,” 2016 11th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC), November 2016, Asan, Korea.
  13. Mexicano A., Rodriguez R., Cervantes S., Montes P., Jimenez M., “The Early Stop Heuristic: A new convergence criterion for k-means,” Symposium on Optimization Algorithms for Discrete Problems, ICNAAM 2015, September 2015, Rhodes, Greece (Indexed in ISI web of knowledge, Scopus).