Diseño de un modelo de clasificación de la calidad de componentes electrónicos implementando visión artificial a partir de repositorios de imágenes

  • Jonnathan Cardona Parrado Universidad Cooperativa de Colombia
  • Arturo Currea Meneses Universidad Cooperativa de Colombia
  • Marcel Herrera Rodríguez Universidad Cooperativa de Colombia
Palabras clave: redes neuronales, clasificación de imágenes, clasificación componentes electrónicos

Resumen

Con los avances en las tecnologías de captura de imagen como la miniaturización de las cámaras con una resolución de imagen aceptable, era de esperar la creación de métodos para su clasificación y procesamiento en muchas áreas donde el reconocimiento de imágenes es necesario, como en: los campos industriales, de seguridad, médicos, entre otros. Pero el uso de imágenes para suministrar información a un algoritmo se ve obstruido por las dificultades de las máquinas para el entendimiento de patrones y los contextos en los que muchas imágenes se encuentran, dado que la cantidad de información dentro de una imagen es demasiado compleja y grande para un algoritmo lineal e incluso uno orientado a objetos, con lo cual, es necesario usar otro tipo de procesamiento para abarcar estos volúmenes de información entrante sin contar la complejidad dentro de la comprensión de una imagen, es por eso que muchos de los métodos para el análisis de imagen usan inteligencias artificiales,  en especial las inteligencias basadas en métodos de Deep Learning (aprendizaje profundo) y Neural Networking (Redes neuronales) que se basan en el funcionamiento de estructuras y entes biológicos como el cerebro y la conciencia humana.

Citas

[1] Y. K y K. TY, «Food image recognition using deep convolutional network with pre-training and fine-tuning,» de 2015 IEEE International Conference on Multimedia and Expo Workshops, ICMEW 2015, Turin, 2015.
[2] T. N, O. M y R. A, «An Artificial Neural Network-Based Method to Identify Five Classes of Almond According to Visual Features,» Journal of Food Process Engineering, vol. 39, nº 6, pp. 625-635, 2016.
[3] P.-V. D.H., D. L. Romero-Antequera y F. Granados-Agust´ın, «Interface para esqueletizado y suavizado de interferogramas,» Revista Mexicana de F´ısica, vol. 59, nº 1, pp. 18-22, 2013.
[4] F. A. Simanca H., J. Mendez, F. Garrido Blanco y J. Paez Paez, «Identifying Robellini Palm growth stages through a convolutional neuronal network,» ARPN Journal of Engineering and Applied Sciences, vol. 16, nº 13, pp. 1402-1411, 2021.
[5] P. Rojas, D. Sandoval y B. Sandoval, «Algoritmo de clasificación de enfermedades en la hoja de café,» Avenir, vol. 5, nº 1, pp. 31-39, 2021.
[6] L. M. Garzón Garzón, A. Aya Cifuentes y J. Pedroza, «Modelo de clasificación de imágenes de las plagas que atacan los cultivos de papa,» Avenir, vol. 5, nº 1, pp. 40-55, 2021.
Publicado
2022-01-11
Cómo citar
Cardona Parrado, J., Currea Meneses, A., & Herrera Rodríguez, M. (2022). Diseño de un modelo de clasificación de la calidad de componentes electrónicos implementando visión artificial a partir de repositorios de imágenes. Revista Avenir, 5(2), 29-44. Recuperado a partir de https://fundacionavenir.net/revista/index.php/avenir/article/view/117