describir el funcionamiento del sistema
TRANSCRIPT
1
Describir el funcionamiento del sistema.
2
Plantear que es general, que en realidad puede ser cualquier control de calidad basado en inspección visual.
Detallar que la cinta transportadora lleva las frutas,
que la cámara obtiene una imagen cuando algún obturador se lo indica
Que se debe arreglar la cinta para que el proceso de segmentación sea sencillo.
Que las paletas interrumpen el paso de las frutas para tirarlas en alguna caja salvo en el caso de la última
Que el sistema inteligente debe seleccionar cual paleta accionar.
Recalcar que uno puede hacer que los fondos tengan alguna característica en
3
Recalcar que uno puede hacer que los fondos tengan alguna característica en
particular que hagan que la foto necesite la menor cantidad de procesamiento
posible ya que la selección se debe hacer en tiempo real.
Habrá que quitarse problemas de iluminación.
Los rasgos a elegir pueden ser circularidad, Aspect Ratio, grado de intensidad de
rojo “rojura”, perimetro, superficie, etc.
Plantear que la elección de los rasgos es un problema que deberá resolverse luego.
Se harán entonces las mediciones de los rasgos y se los guardará para la
clasificación.
El problema que se plantea ahora es el de hacer un clasificador.
4
O sea que con las mediciones que hemos hecho podamos reconocer los objetos
estudiados
El caso de reconocimiento de objetos que estudiamos se refiere a adjudicar cada
objeto a una clase determinada.
En el caso de frutas que planteamos como ejemplo será el reconocimiento de
naranjas, manzanas, etc
Cada objeto analizado tendrá que pertenecer a alguna clase.
En el caso de firmas, cada firma analizada será asociada a una persona.
El primer problema que se plantea es cómo elegir los rasgos que hagan que el
problema se resuelva bien y rápido, esto condiciona los rasgos a usar. Uno podría
pensar que cuanto mayor cantidad de rasgos mayor certeza tendré en el
reconocimiento. Pero mayor será el tiempo de cálculo.
Se plantea entonces que características deberán tener los rasgos.
En el caso presentado, el diámetro no será un buen rasgo para diferenciar naranjas
de manzanas. (no discriminará adecuadamente).
5
de manzanas. (no discriminará adecuadamente).
Sin embargo las cerezas serán todas rojas, así como las ciruelas, así que la “rojura”
será confiable en el caso de medir cerezas o ciruelas.
6
será confiable en el caso de medir cerezas o ciruelas.
Está claro que con cosas orgánicas que están compuestas por agua
principalmente, el peso es proporcional al volumen el cual es proporcional al cubo
7
principalmente, el peso es proporcional al volumen el cual es proporcional al cubo
del radio.
Si usamos cuatro rasgos y de cada rasgo tenemos tres categorías, poco medio y
mucho necesitamos por lo menos cinco de cada categoría, luego necesitaremos
8
mucho necesitamos por lo menos cinco de cada categoría, luego necesitaremos
Supongamos que la Cámara de Productores de Manzanas de Río Negro asegura
que el valor medio del diametro de una manzana de su producción es de 10cm en
9
que el valor medio del diametro de una manzana de su producción es de 10cm en
tanto que su dispersión es de 3cm. Por otro lado La Asociación de productores de
Ciruelas de Mendoza asegura que el valor medio de la ciruelas presidente es de
5cm con una dispersión de 1,5 cm podríamos decir entonces que el diámetro es un
buen rasgo para reconocer tanto manzanas como ciruelas Cumple las
características de Discriminación y Confiabilidad. Entonces para estas dos frutas el
problema estaría resuelto con un solo rasgo.
La integral entre menos y mas infinito debe dar uno
10
Con el valor medio y la dispersión graficamos las funciones densidad de
probabilidad para cada clase la probabilidad que el diámetro adopte un valor
11
probabilidad para cada clase la probabilidad que el diámetro adopte un valor
determinado estará dado por la integral de esta función entre los extremos fijados
por dicho valor y su error. Por ejemplo la probabilidad que el valor de una medición
esté en su valor medio mas o menos su dispersión es 0.638 o del 63,8% , o sea,
cuando hacemos un gran número de mediciones de una magnitud. De la misma
manera el -+2sig: 95.4 % de los valores estaría comprendido en el intervalo y el +-
3 sig: 99.7 %, en el intervalo , etc..
Estudiemos el significado de la intersección de ambas curvas ¿Que significa?
El punto de intersección de ambas es el que me puede dar un valor de
discriminación.
El significado teórico de ese punto es que en dicho punto la densidad de
probabilidad es la misma para que sea una manzana o una ciruela entonces, si el
diámetro medido es menor, con su error determinarán el área que definirá una
mayor probabilidad de que sea ciruela y si es mayor habrá mayor probabilidad que
sea manzana
Pero si ahora surge la necesidad de clasificar naranjas y mantenemos el rasgo de
diámetro nos encontramos que los productores de naranjas de Corrientes y Entre
Ríos aseguran que el diámetro medio de las naranjas es de 8 cm y su dispersión de
2cm
Cuando agregamos una tercer manzana ya no es discriminativo un solo rasgo
12
Hay que agregar rasgos por ejemplo podemos usar la circularidad o la “rojura”.
Supongamos que sabemos que las naranjas son mas circulares que las manzanas.
O las manzanas con las que trabajamos tienen un valor de rojo que no se aleja de
algún valor determinado.
Entonces el espacio de densidad de probabilidades es ahora tridimensional
Con dos rasgos la función densidad de probabilidad adquiere la forma de un
sombrero para cada clase.
13
sombrero para cada clase.
Si ponemos varias clases y tomamos el mismo criterio de separación de clases por
líneas de equi-densidad de probabilidad,
En el caso de trabajar con n rasgos quedarán definidos Hiper-volúmenes en el
espacio de los rasgos. Si definimos un espacio n-dimensional de rasgos, podremos
14
espacio de los rasgos. Si definimos un espacio n-dimensional de rasgos, podremos
establecer límites imaginarios que encerrarán los hiper-volúmenes que permitan
definir a cada clase
Hasta aquí está resuelto el caso en que las clases tengan definidas de antemano
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32