Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
Inteligencia
Potencia intelectual: facultad de conocer, de entender o comprender Tipos Inteligencia fluida: capacidad para abrirse paso mediante razonamiento a travs de un problema que nunca has visto antes
Inteligencia Artificial
Todas las definiciones de IA estn relacionadas con la siguiente idea:
IA es la ciencia de construir mquinas para que hagan cosas que, si las hicieran los humanos requeriran inteligencia. (M.Minsky no cree que se deba definir la IA hasta que no sepamos cmo trabaja el cerebro)
Inteligencia Artificial
Puede una mquina ser inteligente? Pueden volar las mquinas? Argumentos a favor o en contra
Test de Alan Turing (Computing Machine and Intelligence (1950)) Todo conocimiento es reducible a un algoritmo Sala china (Searle 1980)
Red RUENA Palencia, 4 /06/ 2010
Inteligencia Artificial
Conexionismo versus Simbolismo
En inteligencia el objeto es el conocimiento y la informacin. Predecir Comportamiento inteligente: percibir, razonar, aprender, comunicarse, actuar en entornos complejos, etc
Red RUENA Palencia, 4 /06/ 2010
Visin artificial
Finalidad: reproduccin artificial del sentido de la vista 3/4 Objetivo: dotar a las mquinas del sentido de la vista. Salto cualitativo en sus capacidades de actuacin Ojos Cerebro captura procesamiento
Red RUENA Palencia, 4 /06/ 2010
cmaras ordenador
8
Visin artificial
- Informacin visual: energa luminosa procedente del entorno - Retina: conos (color) bastones (intensidades) - Cmara: convierte la energa luminosa en corriente elctrica que puede ser muestreada y digitalizada para su procesamiento por el ordenador - Muestreo: rejilla rectangular-matriz bidimensional-pxeles
Visin artificial
Mamferos:
A) Desconocimiento del proceso visual: puntos de atencin B) Percepcin uniforme de la matriz Resolucin variable frente a uniforme
Red RUENA Palencia, 4 /06/ 2010
10
11
INTERPRETACIN DE LA ESCENA
12
Deteccin de bordes
Qu es un borde?
K
Detector de Canny:
Error Localizacin Respuesta nica
13
Deteccin de bordes
Tipos
14
Deteccin de bordes
0 0 1 2 3 . . . . N-1 1 2 3 . . . . . M-1
15
Deteccin de bordes
0 0 1 2 3 . . . . N-1 1 2 3 . . . . . M-1
16
Deteccin de bordes
0 0 1
K
tn-processing
17
Deteccin de bordes
0 0 1
K
sn-processing
18
Deteccin de bordes
0 0 1 2 3 . . . . N-1 Imagen original
Red RUENA Palencia, 4 /06/ 2010
[ [ [
][ ] ]
][ [
][ ]
][
Deteccin de bordes
20
21
Deteccin de bordes
Cada punto de la imagen es un cuerpo con masa (dependiendo de su color)
22
Deteccin de bordes
23
Deteccin de bordes
Original
Canny
Gravitatorio 1
Gravitatorio 2 24
Segmentacin
Proceso de dividir la imagen en zonas o clases disjuntas de forma que cada clase satisface un conjunto predeterminado de atributos Extraer los objetos de la imagen.
25
Segmentacin
Cada regin Pi satisface una propiedad
P
i 1
imagen entera
26
Segmentacin
Tcnicas basadas en agrupamiento de pxeles en regiones. Tienen un enfoque de clasificacin de pxeles, donde: las regiones resultantes deben tener cierto significado para el procesamiento posterior pxeles de regiones distintas deben ser no-similares pxeles de una misma regin deben ser similares: niveles de gris, texturas, etc
Red RUENA Palencia, 4 /06/ 2010
27
Segmentacin
CASO ESPECIAL: Tcnicas basadas en la umbralizacin. Cada objeto est caracterizado por un intervalo de niveles de gris
Seleccin de un umbral T que separe dos escalas de grises. Asignar uno a los pxeles con amplitudes dentro del intervalo y cero a los que tienen amplitudes fuera del intervalo.
28
Segmentacin
Dificultades:
El histograma no determina de manera nica la imagen Presencia de ruido Ambigedad en el predicado (propiedad o condicin) que debe cumplir cada objeto debido al solapamiento
Tcnicas fuzzy
los modelos que utilizan la Teora de Conjuntos Fuzzy son muy efectivos en procesos en los que se trabaja con datos ambiguos y en presencia de ruido.
29
Segmentacin
30
Problema Segmentacin
31
Problema Segmentacin
32
33
34
35
36
37
38
Extraccin de caractersticas
Anlisis de las componentes principales Dos fases: aprendizaje y reconocimiento
39
40
41
Ejemplo:
New method to assess barley nitrogen nutrition status based on image colour analysis. Comparison with SPAD-502 En este artculo proponemos un mtodo de bajo coste para estimar la cantidad de Nitrgeno en planta utilizando imgenes digitales en color Calculamos un ndice de verdor usando los componentes RGB de la imagen, el cual estima la cantidad de Nitrgeno en la planta. Para evaluar su eficacia calculamos la correlacin existente entre el ndice y las medidas obtenidas con el spad-502.
Red RUENA Palencia, 4 /06/ 2010
42
43
44
Imgenes de hojas ordenadas por su estatus nutricional. Encontrar la direccin principal de la variacin de la cantidad de verdor.
45
El mtodo se puede repetir fcilmente para cualquier planta obteniendo un nuevo ndice.
Red RUENA Palencia, 4 /06/ 2010
46
0,25
0,3
0,35
47
48
Conclusiones
Bsqueda de mtodos no supervisados Imgenes de satlite. Comparacin zonas Tratamiento remoto Toma de decisin Ayuda a los expertos
49
http://giara.unavarra.es