Ingeniería Mecatrónica · 2013
Desarrollo de un sistema de reconocimiento de imágenes basado en visión artificial para la identificación de instrumental quirúrgico.
Este proyecto plantea un sistema de clasificación de instrumental quirúrgico a partir de la descripción particular y sistematizada de cada objeto, construido a partir de un sistema controlado de iluminación. El reto es procesar elementos de alta complejidad y características específicas, como el instrumental de una sala de cirugías. Este software está en la capacidad de generar de forma efectiva y oportuna, una solución a problemas de control de calidad o clasificación de objetos.
Full text 120 pages with text
Read the full thesis Record in the repository
Contents
- LISTA DE FIGURAS Y TABLASp. 11
- DESCRIPCIÓN Y FORMULACIÓN DEL PROBLEMAp. 17
- INTRODUCCIÓNp. 18
- OBJETIVOS DEL PROYECTOp. 20
- Objetivo generalp. 20
- Objetivos específicosp. 20
- ANTECEDENTESp. 21
- 1.1 Procesamiento digital de la imagenp. 26
- 1.2 Redes Neuronales Artificialesp. 28
- 2. MARCO TEORICOp. 30
- 2.1 Detección y digitalización de la imagenp. 30
- 2.2 Procesamiento de la imagenp. 32
- 2.2.1 Escala de grisesp. 32
- 2.3 Segmentaciónp. 35
- 2.3.1 Umbralizaciónp. 55
- 2.3.2 Método de NOBUYUKI OTSUp. 37
- 2.3.3 Operaciones morfológicasp. 61
- 2.4 Recolección de pixelesp. 42
- 2.5 Caracterización de objetosp. 44
- 2.5.1 Extracción de bordep. 44
- 2.5.2 Secciones de mas de un pixelp. 45
- 2.6 Señal de las figurasp. 47
- 2.6.1 Correlaciónp. 97
- 2.7 Redes Neuronalesp. 49
- 2.7.1 Fundamentos biológicos de las Redes Neuronalesp. 49
- 2.7.2 Modelo computacional de las Redes Neuronalesp. 50
- 3. DISEÑO INGENIERILp. 55
- 3.1 Adquisición de la imagenp. 57
- 3.2 Sistema de procesamientop. 58
- 3.3 Acondicionamientop. 58
- 3.3.1 Transformación de RGB a niveles de grisp. 58
- 3.3.2 Borde negrop. 59
- 3.4 Binarizaciónp. 60
- 3.4.1 Umbralizaciónp. 55
- 3.4.2 Operaciones morfológicasp. 61
- 3.4.2.1 Dilataciónp. 62
- 3.4.2.2 Erosiónp. 63
- 3.5 Extracción de característicasp. 64
- 3.5.1 Obtención de la semillap. 64
- 3.5.2 Toma de pixelesp. 65
- 3.6 Centroidep. 71
- 3.7 Extracción del bordep. 72
- 3.7.1 Asignación de borde negrop. 72
- 3.7.2 Resta de sólidosp. 74
- 3.7.3 Secciones de más de un pixelp. 75
- 3.7.4 Obtención de las coordenadas del borde en forma ordenadap. 79
- 3.8 Cálculo de distanciasp. 82
- 3.9 Clasificaciónp. 84
- 3.9.1 Clasificación por el método de Correlaciónp. 85
- 3.9.2 Clasificador basado en redes neuronalesp. 86
- 4. RESULTADOSp. 88
- 4.1 Construcción de la base de datosp. 88
- 4.2 Análisis de la efectividadp. 89
- 4.3 Discusiónp. 91
- 4.4 Presentación y descripción de la interfaz gráficap. 93
- 4.4.1 Sección de inicio o aperturap. 93
- 4.4.2 Sección de adquisición de patronesp. 94
- 4.4.3 Sección de comparación de métodosp. 96
- 4.4.4 Sección de clasificación de figuras (Método de Correlación)p. 98
- 5. CONCLUSIONES Y TRABAJO FUTUROp. 100
- 5.1 Trabajos futurosp. 102
- BIBLIOGRAFIAp. 103
- ANEXO A: CONCEPTOS BASICOSp. 106
- ANEXO B: MANUAL DE INSTALACIÓN Y DEL USUARIOp. 107
- ANEXO C: FUNCIONES IMPLEMENTADASp. 119
- Figura 1. Ejemplo de la visión artificial en logísticap. 22
- Figura 2. Ejemplo de la visión artificial para medición de perímetrosp. 23
- Figura 3. Ejemplo de la visión artificial para triangulación de objetosp. 23
- Figura 4. Ejemplo de la visión artificial en seguridad, lectura de placasp. 24
- Figura 5. Componentes del sistema implementado Universidad Católica de Perúp. 25
- Figura 6. Diagrama del proceso de tijeras de la compañía PELDARp. 25
- Figura 7. Anatomía del ojo humanop. 31
- Figura 8. Partes estructurales de una cámara digitalp. 31
- Figura 9. Estructura cromática RGBp. 32
- Ecuación 1. Porcentaje de las capas que conforman la escala de grisp. 33
- Figura 10. Comparación de Wright de colores como una función de longitud de ondap. 33
- Figura 11. Capa rojap. 34
- Figura 12. Capa azulp. 34
- Figura 13. Capa verdep. 34
- Figura 14. Histograma de una imagenp. 36
- Ecuación 2. Ecuación para el método de Otsup. 37
- Ecuación 3. Rango para la umbralización para g niveles de grisp. 37
- Figura 15. Ubicación de brillos en la imagenp. 38
- Figura 16. BInarización con bajo limite de umbralización y exceso de informaciónp. 38
- Figura 17. BInarización con alto limite de umbralización y poca de informaciónp. 38
- Figura 18. BInarización con buen limite de umbralización y suficiente de informaciónp. 39
- Ecuación 4. Comportamiento de la Dilataciónp. 39
- Figura 19. Dilataciónp. 40
- Ecuación 5. Comportamiento de la Erosiónp. 40
- Figura 20. Erosiónp. 40
- Figura 21. Vecindadesp. 42
- Figura 22. Mascara de conectividad del pixel semillap. 43
- Figura 23. Dilatación 3X3 en la figura Pinzap. 44
- Figura 24. Borde resultante de la resta de figuras en Pinzap. 45
- Figura 25. Criterios de conectividadp. 46
- Figura 26. Línea de distancia entre el centroide y un pixel del bordep. 47
- Ecuación 6. Ecuación para determinar la distancia euclidianap. 47
- Figura 27. Teorema de Pitágoras en la figura 26p. 48
- Ecuación 7. Determinación de la correlaciónp. 48
- Figura 28. Anatomía de la neurona humanap. 50
- Ecuación 8. Ecuación representativa del modelo computacional de la redes neuronalp. 51
- Ecuación 9. Determinación de la correlaciónp. 53
- Ecuación 10. Calculo de los pesos de las capas internas de la redp. 53
- Ecuación 11. Ecuación para una función sigmoidep. 54
- Ecuación 12. Ecuación para una función lineal a tramosp. 54
- Figura 31. Diagrama de bloques del proceso de identificaciónp. 55
- Figura 32. Instrumental quirúrgico a identificarp. 56
- Figura 33. Dimensiones de la cámara Microsoftp. 57
- Figura 34. Imagen en escala RGB y escala de grisesp. 59
- Figura 35. Fotografía con margen negra de un pixel de espesorp. 59
- Figura 36. Imagen umbralizadap. 60
- Figura 37. Ubicación del punto a analizar por continuidadp. 61
- Figura 38. Zoom de la figura 36p. 61
- Figura 39. Mascara 2X2p. 62
- Figura 40. Imagen dilatadap. 62
- Figura 41. Imagen erosionadap. 63
- Figura 42. Búsqueda de la semillap. 65
- Figura 43. Zoom en la busque da de la semillap. 65
- Figura 44. Posición del pixel semillap. 67
- Figura 45. Mascara de conectividad del pixel semillap. 68
- Figura 46. Pixeles vecinos de la semillap. 68
- Figura 47. Movimiento de la mascara de conectividad al segundo pixelp. 68
- Figura 48. Mascara de conectividad del segundo pixelp. 69
- Figura 49. Toma progresiva de las imágenes según su posiciónp. 70
- Figura 50. Centroide de cada figurap. 71
- Ecuación 13. Ecuación para determinar el centroide de cada figurap. 71
- Figura 51. Herramienta con una sección fuera del bordep. 72
- Figura 52. Recolección de datos al aplicar un borde de un pixelp. 73
- Figura 53. Recolección de datos al aplicar un borde a dos pixelesp. 73
- Figura 54. Dilatación 3X3 en la figura Spraderp. 74
- Figura 55. Borde resultante de la resta de figuras del Spraderp. 74
- Figura 56. Punto a analizar en la Pinza por medio de los criterios de conectividadp. 75
- Figura 58. Pixel (102, 277) semilla del bordep. 79
- Figura 59. Orden en el que se recogen los pixeles del buferp. 79
- Figura 60. Identificación del primer pixel a almacenar y analizarp. 80
- Tabla 1. Búfer de la figura con la posición del primer pixelp. 80
- Figura 61. Orden en el que se analiza la vecindad de los pixelesp. 81
- Figura 62. Identificación del siguiente pixel a almacenar y analizarp. 81
- Tabla 2. Búfer de la figura con la posición del primer y segundo pixelp. 81
- Figura 63. Figuras a identificarp. 83
- Figura 64. Señales descriptivas de cada objetop. 83
- Figura 65. Correlación entre la gráfica de Pinza y las tres referenciasp. 85
- Figura 66. Matriz Inputp. 86
- Figura 67. Matriz Targetp. 87
- Figura 68. Ventana para la selección de capas de la Red Neuronalp. 87
- Figura 69. Fotografía del sistema implementadop. 89
- Tabla 3. Matriz de confusión método de correlaciónp. 90
- Tabla 4. Matriz de confusión método de redes neuronalesp. 90
- Tabla 5. Efectividad de los métodosp. 90
- Figura 70. Casos críticosp. 92
- Figura 71. Interfaz de aperturap. 93
- Figura 72. Interfaz para la adquisición de patronesp. 94
- Figura 73. Interfaz para la comparación de métodosp. 96
- Figura 74. Interfaz de reconocimiento por correlaciónp. 98