INSTITUTO TECNOLÓGICO

SUPERIOR DE MISANTLA

INGENIERÍA EN SISTEMAS
COMPUTACIONALES

INTELIGENCIA ARTIFICIAL

EJERCICIO DE CLASE

P R E S E N T A
SERGIO IVÁN AQUINO GARCÍA

DOCENTE:
M.S.C.: MARIANA CAROLYN CRUZ MENDOZA

MISANTLA, VERACRUZ FEBRERO, 2022

Para iniciar con el ejercicio, primero se descomprimió la carpeta y se colocó en el Google
Drive del correo institucional para poder realizar la práctica. Figura 1.

Figura 1. Descomprensión de la carpeta Taller_2022.

Se procede a revisar los archivos dentro de la carpeta, en cada archivo. El primer archivo es
una introducción a Google Colab. Figura 2.

Figura 2. Introducción a Google colab.

Dentro del documento de introducción se encuentra de manera descriptiva las

funcionalidades básicas de Google Colab.

En el archivo numero 2, se observa una imagen con cierto patrón que tiene, y se observa el
comando para reconocer el gpu proporcionado por Google Colab. Figura 3,
 Figura 3. GPU utilizado.

Para poder realizar la practica se ha creado un nuevo archivo el cual consiste en una serie de
celdas de códigos.
Para comenzar se ejecuta el código que permitirá conectar Drive con Colab. Figura 4.

Figura 4. Montaje de Driver a Google Colab.

En la figura numero 5 se procede a importar las librerías para poder extraer los patrones de
una imagen.

Figura 5. Importación de librerías.

Se procede a definir las rutas de donde se van a leer las imágenes, dado que se han
almacenado dentro del Google Drive, se tiene que dar esa ruta. Figura 6.
 Figura 6. Definición de rutas de las imágenes a leer.

El siguiente paso es indexar cada una de las imágenes dentro de la ruta. Figura 7.

Figura 7. Indexado automático de las direcciones de las imágenes.

Se procede a leer las imágenes, en este caso la imagen “g_1.jpg”. Figura 8.

Figura 8. Lectura de las imagenes.

A continuación, se procede a realizar un cambio de orientación del color, RGB a BGR. Figura
9.

Figura 9. Cambio de canal de las imágenes.

La siguiente sección (no. 7) consta de realizar una mascara para la imagen. Figura 10.

Figura 10. Máscara para las figuras.

Se precede a realizar un etiquetado de las piezas dentro de la imagen. Figura 11.

 Figura 11. Etiquetado de las piezas dentro de las imágenes.

Se continua con un filtrado de las piezas las que contienen valores pequeños. Figura 12.
 Figura 12. Filtrado de las piezas por área.

Se procede a encuadrar por un marco azul las diferentes piezas dentro de la imagen. Figura
13.

Figura 13. Código del Boxing de las piezas.

Resultado obtenido (figura 14):

Figura 14. Marcación de las piezas.

Habiendo marcado ya las piezas dentro de la imagen se proceden a guardar la imagen dentro
de la ruta designada. Figura 15.

Figura 15. Guardado de la imagen.

Se procede a guardar las imágenes sin defectos para entrenamiento. La figura 16 muestra el
código utilizado para poder llevar a cabo esta labor.

Figura 16. guardado de imágenes sin defectos para entrenamiento

También así mismo se guardan las imágenes con defectos para el entrenamiento. Figura 17.
 Figura 17. Guardado de imágenes con defectos para entrenamiento.

Así de la misma manera, ahora se guardan las imágenes sin defectos para poder validarlas.
Figura 18.
Figura 18. Guardado de imágenes sin defectos para validación.
En la figura 19, se guardan las imágenes con defectos para validar.

Figura 19. Guardado de imagens con defectos para validación

De acuerdo con el ejercicio es necesario comprender el proceso que sigue esta practica como
lo explica la figura 20.

Figura 20. División de la información.

Como se ha observado hasta este momento se han extraídos los patrones. Lo siguiente es
poder definir una red neuronal y poder darle un entrenamiento, validar y realizar una prueba
para así verificar el funcionamiento del ente.

Como primer paso se vuelve a establecer conexión con Google drive. Figura 21.

Figura 21. Reconexión de Google Drive a Google Colab.

Ahora se importan las librerías utilizadas para la clasificación de patrones, tal como es
numpy, tensorflow, entre otras. Figura 22.

Figura 22. Importación de librerías.

Ahora se procede a crear a un generador de lotes. Figura 23.

 Figura 23. Creación de un generador de lotes.

Figura 24. Continuación de la figura 23.

El siguiente paso es definir la red neuronal que se encargará de procesar dicha clasificación.
Figura 25
 Figura 25. Definición de red neuronal.

La red anteriormente creada se procede a compilar. Para lo cual se tiene que hacer uso del
método compile. Figura 26.

Figura 26. Compilación de la red neuronal.

Se procede a crear una función de paro, que permita frenar la clasificación de patrones al
momento que esta sobrepase el 99% del entrenamiento y la validación. Figura 27.

Figura 27. Creación de una función paro.

Ahora se procede a entrenar el modelo. Figura 28.

Figura 28. Entrenamiento del modelo.

De acuerdo con los resultados obtenidos con el entrenamiento se obtienen gráficos que
muestran el comportamiento de la exactitud del entrenamiento con la exactitud en validación.
Figura 29

Figura 29. Grafica de entrenamiento y validación.

Se procede ahora a probar el desempeño del modelo para observar los valores de errores, la
exactitud y el tiempo del entrenamiento. Figura 30.

Figura 30. Desempeño del modelo.

A continuación, se hace una prueba del modelo, con un número de imágenes que contienen
figuras diferentes para que descarte cuales no son iguales. Figura 31 y 32.

Figura 31. Primera parte de la prueba del modelo.

Figura 32. Segunda parte de la prueba del modelo.
En la figura 33 se puede observar el resultado de la prueba de una imagen.

Figura 33. Resultado