Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TESIS DOCTORAL
2017
Carla Iglesias Comesaña
2017
i
ii
TESIS DOCTORAL
Clasificación de placas de pizarra de techar basada en técnicas
de inteligencia artificial mediante visión artificial
Año:
2017
iv
Agradecimientos
Tras un largo camino, al fin me veo escribiendo estas líneas que suponen
la finalización de una etapa tan gratificante como agotadora. En estos años
son muchas las personas a las que debería nombrar en este apartado, pues el
viaje hasta aquí ha estado lleno de buena compañía.
v
vi
vii
viii
I
II
Índice general
1. Introducción 1
1.1. Antecedentes y objetivos . . . . . . . . . . . . . . . . . . . . . 3
1.2. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Aportaciones científicas . . . . . . . . . . . . . . . . . . . . . . 12
1.5. Líneas futuras de investigación . . . . . . . . . . . . . . . . . . 17
2. Industria y caracterización 19
2.1. La industria pizarrera española . . . . . . . . . . . . . . . . . 21
2.1.1. Mercado de la pizarra española . . . . . . . . . . . . . 26
2.2. Geología de la pizarra española . . . . . . . . . . . . . . . . . 31
2.2.1. Descripción de la zona de estudio . . . . . . . . . . . . 35
2.2.2. Estructuras que condicionan la explotabilidad de los
yacimientos de pizarra . . . . . . . . . . . . . . . . . . 37
2.3. Características comerciales . . . . . . . . . . . . . . . . . . . . 40
2.3.1. Calidad de la pizarra. Factores que la definen . . . . . 41
2.3.2. Características técnicas. Normativa . . . . . . . . . . . 47
2.3.3. Marcado CE . . . . . . . . . . . . . . . . . . . . . . . . 51
4. Fundamento matemático 95
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2. El problema de aprendizaje . . . . . . . . . . . . . . . . . . . 98
III
IV ÍNDICE GENERAL
6. Conclusiones 175
Bibliografía 181
V
VI ÍNDICE DE FIGURAS
4.5. Estructura de una red neuronal con sus capas de entrada, in-
termedia (u oculta) y de salida. Ejemplos con a) varias neu-
ronas en la capa de salida y con b) una única neurona en la
capa de salida. Las conexiones entre las distintas capas están
afectadas por los pesos wij y ci . Adaptado de [77]. . . . . . . . 109
4.6. Ejemplo de transformación de un espacio bidimensional (iz-
quierda) en uno tridimensional (derecha) con la función kernel.
Fuente: [151]. . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.7. Hiperplano separador de margen máximo para un problema
de clasificación con dos clases linealmente separables (círculos
y diamantes). Fuente: [151]. . . . . . . . . . . . . . . . . . . . 113
XI
XII ÍNDICE DE TABLAS
Introducción
2 CAPÍTULO 1. INTRODUCCIÓN
1.1. ANTECEDENTES Y OBJETIVOS 3
1.2. Metodología
La investigación aquí presentada se puede definir como interdisciplinar,
ya que engloba distintas áreas científicas y tecnológicas que podemos resumir
en: minería, visión artificial y técnicas de inteligencia artificial. Partiendo de
un problema típicamente minero como es la clasificación de placas de pizarra
según sus características comerciales, se emplean técnicas de visión artificial
y de estadística avanzada (machine learning o aprendizaje automático) para
dar respuesta a dicha necesidad industrial.
El análisis manual del aspecto físico de los materiales es una tarea te-
diosa, prolongada, difícilmente reproducible y altamente subjetiva, por lo
que numerosas empresas están evolucionando de estas tareas manuales hacia
sistemas automáticos de visión artificial, capaces de proveer estándares de
calidad más altos, una mejor reproducibilidad y unos registros del producto
más fiables [86, 120].
Una vez se tienen las losas de mármol finales, la calidad de su color y tex-
tura, sus dimensiones, la calidad de su pulido y otras propiedades se deben
evaluar, pudiendo encontrar varios trabajos que se ocupan del control de los
defectos presentes en dichas losas. El color y la textura son los parámetros
principales empleados para la clasificación en las distintas calidades comer-
ciales [5, 13, 84, 154].
Debe tenerse en cuenta, sin embargo, que ambos trabajos [9, 26] asumen
que las condiciones de iluminación y escala en que se toman las imágenes de
las rocas son siempre las mismas, dada la influencia que tiene sobre el color
una iluminación variable. Así, los autores advierten de que la precisión de la
clasificación puede descender drásticamente en presencia de una iluminación
variable [26].
Con respecto a la pizarra, a día de hoy apenas existen estudios que traten
la clasificación de las placas de pizarra naturales mediante sistemas de visión
artificial (sistemas que combinan herramientas de software y hardware con
la finalidad de obtener, procesar y analizar cualquier información obtenida a
través de cámaras digitales).
Este sistema híbrido 2D–3D láser escáner es el punto de partida del pre-
sente estudio. Con la combinación de los equipos descritos se logró analizar
las características dimensionales de las placas de pizarra y la presencia de
12 CAPÍTULO 1. INTRODUCCIÓN
Figura 1.2: Congresos científicos en los que se han presentado trabajos rela-
cionados con este proyecto.
La pizarra. Industria y
caracterización
20 CAPÍTULO 2. INDUSTRIA Y CARACTERIZACIÓN
2.1. LA INDUSTRIA PIZARRERA ESPAÑOLA 21
parte en bruto [157, 218]. El valor de las exportaciones en dicho año se cifró
en 8.331.840epara la pizarra en bruto o desbastada, por 258.088.270epara
la pizarra elaborada, representando un valor total de las exportaciones de
266.420.110e [218].
-./#$))0+,'%"('#$)*+, !"##$%&'%"('#$)*+,
-.6&(0$)0+,'7$,8$('%"'(&2'
1&#/"' %"'($2'3($)$2'
9(&:8"2
1($2060)$)0+,'2";<,')$(0%$%
4$("/05$%&
Francia
Se trata del principal mercado de la pizarra de nuestro país, siendo las zo-
nas de Normandía, Bretaña, Pirineos y la zona centro donde más se emplean
como elemento para techar. Las dimensiones más demandadas son 32x22
(32 cm de largo y 22 cm de ancho, con forma rectangular), y los mayores
problemas para comercializar las placas suelen deberse a razones estéticas
(alteraciones u oxidaciones), además de los defectos en su fabricación. Admi-
ten, sin embargo, primera, segunda y tercera calidad.
Antes de la entrada en vigor del marcado CE, el país vecino tenía sus pro-
pias normas para certificar la idoneidad de la pizarra, la AFNOR P-32301
y la AFNOR P-32302, siendo el Laboratorio Nacional de Ensayos (LNE) el
organismo encargado de su verificación.
Alemania
Otro de los mercados tradicionales de la pizarra española, más exigente
en general en cuanto a calidad que el francés. El espesor mínimo demandado
es de 5 mm, por los 3 mm de Francia, y sus formatos característicos son los
tipo Schuppen y media luna (Fig. 2.6), que se emplean en Alemania y zonas
fronterizas de los países que lindan con los germanos.
2.1. LA INDUSTRIA PIZARRERA ESPAÑOLA 29
En este caso, las oxidaciones que puedan presentar las placas no reciben la
misma importancia que en otros países. Las antiguas normas DIN tenían ca-
rácter informativo y no era obligatoria la realización de ensayos para emplear
la pizarra en tierras bávaras.
Reino Unido
Es habitual el uso de pizarra en todo el territorio, demandando plantillas
de gran tamaño como 50x25 y 60x30, por lo que las exportaciones desde Es-
paña son menores que a los otros países. Al igual que en el caso de Alemania,
se valora especialmente la planicidad de las placas, no siendo tan importante
la presencia de oxidaciones, y se comercializan todas las calidades.
España
En nuestro país, principal productor a nivel mundial y gran exporta-
dor, las importaciones son tradicionalmente escasas, anecdóticas incluso. Las
regiones que más pizarra consumen son el noroeste (Galicia y León), pero
también las zonas de montaña como la sierra madrileña o los Pirineos.
30 CAPÍTULO 2. INDUSTRIA Y CARACTERIZACIÓN
Figura 2.7: Shizuoka Convention and Arts Center en Osaka, con cubierta de
pizarra verde de Lugo. Fuente: http://www.granship.or.jp.
Dos países que merecen ser mencionados también son Brasil y China, ya
que ambos cuentan con reservas de pizarra y son exportadores. En el caso del
país carioca, la gama de colores de su pizarra es más amplia que en España,
lo que las sitúa en una posición competitiva en el mercado.
2.2. GEOLOGÍA DE LA PIZARRA ESPAÑOLA 31
Figura 2.10: Corte que muestra la estructura del sinclinal de Truchas según
Catalán et al. [47] y Heredia et al. [97]. Tomado de [188].
del Caurel (desde Lugo hasta León) y pizarras de Cándana (en la Terra Chá
lucense). Entre dichas formaciones, la del sinclinal de Truchas (entre León
y Ourense) ha destacado tradicionalmente por la cantidad y calidad de las
explotaciones que atesora [43]. De menor entidad que las anteriores son las
formaciones de Monte Rande (en A Coruña) y Navia-Alto Sil (en la que hay
explotaciones aisladas en León, Lugo y Asturias) [16].
Esta zona se caracteriza por una orografía pronunciada y con dos lineacio-
nes montañosas de importancia: la Serra do Caurel al norte y la Serra do Eixe
al sur, con picos en ambos casos que rondan los 1.500 m de altitud. Abundan
2.2. GEOLOGÍA DE LA PIZARRA ESPAÑOLA 37
Las diaclasas son planos de fractura del material que provocan la divi-
sión del macizo en bloques irregulares de volumen variable. Considerándolas
como estructuras bidimensionales, su continuidad será en general reducida
(desde decímetros hasta decámetros, aproximadamente), pero su presencia
abundante y variedad de orientaciones condiciona el tamaño máximo de los
bloques naturales. Así, si dichos bloques no tienen unas determinadas di-
mensiones mínimas, esa zona del yacimiento resulta no ser rentable y por
lo tanto no se explotará debido a la baja recuperación y el elevado coste
de elaboración de cada tocho resultante. Por lo tanto, el tamaño mínimo de
bloque explotable es otro de los parámetros técnico-económicos definidos en
una explotación.
Factores petrológicos
La composición mineralógica de la pizarra suele estar definida por la
presencia de minerales mayoritarios como cuarzo (17-45 %), filosilicatos (40-
70 %) y plagioclasas (2-25 %), con otros minerales en concentraciones inferio-
res al 10 % como el cloritoide, los carbonatos o los sulfuros de hierro. Estos
dos últimos constituyen grupos de minerales perjudiciales para las placas de
pizarra para cubiertas, pues su descomposición una vez expuestas a los fac-
tores climatológicos puede provocar la aparición de manchas y alteraciones
que incluso pueden llegar a perforar la placa.
Factores tectónicos
Otras consideraciones
Figura 2.16: Tercios de la placa de pizarra con las dos nomenclaturas habi-
tuales. Fuente izquierda: [140]. Fuente derecha: [150].
Por otra parte, se tiene en cuenta también que las características de una
superficie construida dependen no sólo del material que la constituye, sino
que el diseño, su instalación, las condiciones de uso y el entorno en que se
instala son también factores de interés.
Estas normas europeas dictan los requisitos que debe cumplir la pizarra
y la pizarra carbonatada para su uso en tejados y revestimientos externos,
entendiendo como pizarra tal aquella cuyo contenido en filosilicatos y carbo-
natos es de al menos el 20 %, y con una exfoliación esquistosa importante. Se
especifican también los métodos de ensayo de las pizarras y pizarras carbo-
natadas de cara a su empleo en tejados y revestimientos de paredes. A partir
de un cierto número de pizarras de un lote, se caracteriza la roca siguiendo
las siguientes definiciones:
2.3.3. Marcado CE
Con su entrada en vigor en 2006 se homogeneizaron los criterios para
la comercialización de los productos de pizarra en la Unión Europea, con
independencia de su país de origen. La directiva 89/106/CEE de diciem-
bre de 1988 menciona expresamente los productos de construcción dentro
de las medidas de la Comisión Europea para avanzar en el establecimiento
de un mercado único entre los países miembros. Posteriormente, la directiva
93/68/CEE, de julio de 1993, complementa la anterior y define claramente
el marcado CE. En España, el Real Decreto 1630/1992 y su modificación
posterior, el Real Decreto 1328/1995, transponen dicha directiva.
3.1. Introducción
Desde hace años, los científicos y los escritores de ciencia ficción han en-
contrado fascinante la idea de poder construir máquinas inteligentes, para
lo cual deberían estar dotadas de la capacidad de comprender el mundo vi-
sual, del mismo modo que buena parte de nuestro cerebro está dedicado a la
visión [198]. La visión artificial forma parte de la ciencia de la inteligencia
artificial, y se puede definir como la capacidad de un sistema para modelar
objetos mediante procesos matemáticos que equivalen a la percepción visual
de los seres vivos [60]. Sin embargo, el objetivo no se ciñe únicamente a su
modelado, sino también a la toma útil de decisiones sobre objetos físicos
reales y escenas basadas en imágenes adquiridas [198].
Hasta llegar al punto de desarrollo actual han sido necesarias varias dé-
cadas de investigaciones que comenzaron en la década de los 70, resumidas
en [211] y en [235]. En aquel momento, la percepción visual se contempla-
ba como una etapa más de la construcción de robots con comportamiento
inteligente, sin considerarlo de una complejidad especial, sino al contrario,
56 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
Figura 3.2: Iluminación por fibra óptica directa puntual (izquierda), ani-
llo (medio) y para iluminación por contraste o backlight (derecha). Fuente:
http://www.infaimon.com.
Para ello, varias son las técnicas de iluminación posibles, que dependen,
por una parte, de la fuente de generación (halógena o fibra óptica, fluo-
rescente, LED y láser), pero también de la posición de dicha fuente con
respecto al sensor. Con respecto a la fuente de generación, las necesi-
dades de la aplicación en cuanto a intensidad lumínica, duración, flexibilidad
de diseños y precio son los principales factores a tener en cuenta para su
selección.
Iluminación halógena o por fibra óptica: proporciona la mayor inten-
sidad de luz. Se trata de luz fría, lo que hace que sea especialmente
adecuada en aplicaciones donde el calentamiento de los sistemas sea
un problema, o incluso en ambientes deflagrantes. Se componen de una
bombilla halógena, cuya potencia de iluminación se controla mediante
un reostato, una fuente de alimentación y un estabilizador de corriente.
La duración media de las lámparas halógenas es de 1.000-2.000 horas.
Se puede encontrar en distintos tamaños y geometrías, algunas de las
cuales se muestran en la Figura 3.2.
Figura 3.4: Luz láser con patrón de varias líneas (izq.) y mode-
lo empleado en el prototipo desarrollado (dcha.). Fuente imagen izq.:
http://www.infaimon.com.
Tipos de ópticas
El sensor de la cámara recibe la luz de la escena capturada a través de
la óptica de una manera controlada, de modo que el enfoque es el apropiado
para registrar el objeto u objetos deseados. Una de las claves para una buena
definición del sistema de visión artificial radica en seleccionar la óptica, lente
u objetivo adecuado para el trabajo a desarrollar (del mismo modo que un
fotógrafo selecciona el objetivo idóneo según vaya a realizar un retrato, un
evento deportivo o un paisaje).
Figura 3.10: Fotografía tomada con una Nikon D3100 y un objetivo Sigma
10-20mm, de los llamados “gran angular”.
Por otra parte, la actuación de la óptica se puede evaluar con otros pará-
metros como son la uniformidad relativa de iluminación, la función de
modulación de transferencia, la aberración cromática o la distorsión.
El primero de ellos hace referencia a la variación de la intensidad lumínica
que se produce en la superficie de la óptica, en la que se observan pequeñas
66 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
diferencias entre los bordes y la zona central. Puede ser debido a motivos na-
turales en los bordes de la lente, o a un defecto mecánico que bloquea parte
de la luz (vignetting).
(1) Las cámaras lineales constan de sensores lineales de gran calidad con
los cuales se toman líneas individuales del objeto en cuestión para posterior-
mente construir la imagen completa mediante la relación de dichas líneas.
Se precisa el desplazamiento relativo de la cámara y el objeto, de modo que
se capturen líneas de toda su extensión. Se caracterizan habitualmente por
el número de elementos del sensor y por su velocidad. El primero indica el
tamaño del sensor, que condiciona la óptica necesaria, mientras el segundo
determina el número de píxeles que pueden leerse por unidad de tiempo. Este
es precisamente uno de los puntos fuertes de las cámaras lineales frente a las
matriciales: su mayor velocidad [61].
70 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
Otro tipo de equipo son las cámaras 3D, capaces de tomar medidas
en tres dimensiones del espacio a partir de la imagen 2D gracias a distintas
72 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
3.4. Medición en 3D
La medición de objetos en las tres dimensiones con un sistema de visión
artificial se puede realizar de acuerdo con varios métodos que se diferencian
en la manera en que se determina la altura o profundidad del objeto obser-
vado (dimensión que coincide con el eje longitudinal de la cámara). Sea cual
fuere el método de cálculo de la tercera dimensión, una característica común
es la ausencia de contacto físico con el objeto a medir, lo que convierte a este
tipo de técnicas en no-invasivas e inocuas [3].
Figura 3.29: Modelo espacial del modelo de calibración de Tsai [150, 220].
Por otra parte, se define otra ecuación de calibración del plano de trian-
gulación del láser τl , tomando el hiperplano Al x + B l y + C l z + Dl = 0 con
respecto a su sistema de coordenadas e incorporando las anteriores ecuaciones
3.1 y 3.2, definiéndose así la expresión [245]
86 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
Así, las ecuaciones 3.1, 3.2 y 3.3 definen la calibración Tsai completa.
En primer lugar, hay que recordar que las medidas se realizan sobre una
cinta transportadora plana. Sin embargo, aunque la cinta se haya fabricado
con extrema precisión y se mueva sobre una superficie absolutamente plana,
no es posible calibrar todos sus puntos ya que el sistema se detiene por mo-
tivos de calibración, por ejemplo, mientras la cinta continúa en movimiento.
En consecuencia, no siempre es posible saber con exactitud qué sección de la
cinta se está escaneando.
(xu − xuop ) xr + Tx xr + Tx
= df ' df (3.4)
Nx zr + Tz Tz
(yu − yuop ) yr + Ty yr + Ty
= df ' df (3.5)
Nx zr + Tz Tz
Al xr + C l zr = 0 (3.6)
Estas hipótesis son totalmente válidas para el caso de las placas de piza-
rra, ya que la pérdida de precisión se ve compensada por la simplicidad del
proceso. Además, para esta aplicación industrial es perfectamente asumible
una pequeña pérdida en la precisión de las medidas. Esta simplificación de
las ecuaciones (3.4), (3.5) y (3.6) hace que el proceso de calibración pueda
ejecutarlo personal menos experimentado, reduciendo así el coste operacional
de una tarea que deberá repetirse periódicamente para mantener un funcio-
namiento del sistema homogéneo a lo largo del tiempo.
F
C0 =
(max2 ∗ π)
C = mı́n(1, C 0 )
1 X
Distancia = kp − pi k
F
1 X
Sigma2 = (kp − pi k − Distancia)2
F
Sigma
Redondez = 1 −
Distancia
94 CAPÍTULO 3. TÉCNICAS DE VISIÓN ARTIFICIAL
Capítulo 4
Fundamento matemático
96 CAPÍTULO 4. FUNDAMENTO MATEMÁTICO
4.1. INTRODUCCIÓN 97
4.1. Introducción
Las técnicas de aprendizaje automático (machine learning) constituyen
una rama de la inteligencia artificial y comprenden un conjunto de mode-
los matemáticos capaces de resolver problemas de elevada no-linealidad de
distinta naturaleza: predicción, clasificación, asociación de datos o concep-
tualización de datos. Está considerado como un proceso de generación de
conocimiento en el cual los sistemas, una vez entrenados y con una configu-
ración inicial, son capaces de mejorar de manera automática y autónoma con
la experiencia [209].
f (x; θ) con θ ∈ Θ ⊂ Rd
= X Xj ∩ Xl =Ø si j 6= l (4.1)
que asigna cada ejemplo X = x a la clase Cj si x ∈ Xj .
4.3. PROCESO DE APRENDIZAJE 101
Matriz de confusión
La matriz de confusión es una herramienta que se emplea con frecuen-
cia para representar los resultados obtenidos en la clasificación. Se trata de
una tabla de contingencia en la que se relacionan las clases reales yi con las
clases predichas ŷi (Tabla 4.1), de modo que es posible visualizar los errores
de clasificación cometidos. En esta matriz, los elementos de la diagonal prin-
cipal se corresponden con instancias correctamente clasificadas, mientras que
los de fuera de dicha diagonal serán errores de clasificación.
Tasas de error
El indicador más intuitivo de la bondad del ajuste de un modelo clasifica-
dor es quizás el de la tasa de error, obtenida con el método de restitución o
clasificación, que proporciona una medida de las instancias incorrectamente
clasificadas por el modelo en relación a las instancias totales.
Validación cruzada
La validación cruzada [7,78,124,208] es un método de selección del modelo
que se basa en dividir los datos en s grupos de igual tamaño (aproximadamen-
te), estimando el modelo tantas veces como grupos se definen, y empleando
cada vez todos los datos menos los de un grupo si . A continuación, se realiza
la predicción con los datos de dicho grupo si y se calcula el error de predicción
sobre él. De este modo, se define
n
1X
CVs = (yi − fbn(i) (xi ))2
n i=1
(i)
en la que fbn (xi ) es la estimación en xi del modelo estimado con todos los
datos a excepción del grupo al que pertenece la observación i-ésima.
3. Se entrena
S el modelo con los conjuntos restantes s − 1, de modo que se
tiene i6=j Di (primera capa).
Figura 4.3: Ejemplo de un conjunto de datos con dos clases (izquierda) deli-
mitadas por fronteras paralelas a los ejes x1 y x2 . A la derecha, el árbol de
decisión correspondiente.
Figura 4.4: Ejemplo de un conjunto de datos con dos clases delimitadas por
una frontera que no es paralela a los ejes x1 y x2 .
Figura 4.5: Estructura de una red neuronal con sus capas de entrada, inter-
media (u oculta) y de salida. Ejemplos con a) varias neuronas en la capa de
salida y con b) una única neurona en la capa de salida. Las conexiones entre
las distintas capas están afectadas por los pesos wij y ci . Adaptado de [77].
Además, otras características de la red son: (i) los pesos, que actúan so-
bre las entradas de las neuronas y dotan a cada input de una importancia
mayor o menor; (ii) el umbral y la función de activación, que actúan so-
bre las señales de entrada; y (iii) la función de transferencia, de la que se
obtiene la salida de cada neurona. Según estas interconexiones dentro de la
estructura de la red neuronal se pueden otras clasificaciones de tipos de redes.
Una vez establecida la arquitectura de la red, una parte clave del modelo
es el algoritmo de entrenamiento, o de aprendizaje, que será el encargado de
optimizar los valores de las interconexiones de las neuronas en busca de una
respuesta lo más ajustada posible a los datos de salida reales proporcionados.
f (x) = φ(ψ(x))/ φ : X ⊂ Rd → T ⊂ Rp
ψ : T ⊂ Rp → Y ⊂ Rc
los pesos de modo que el dominio del espacio de entrada se distribuya según
las salidas de la red. Además, es de destacar el carácter de consistencia del
algoritmo, logrando incluso tasas de convergencia y demostrando su norma-
lidad asintótica.
condición : kwk = 1
1
mı́n kwk2 (4.6)
w∈Rd ,b∈R 2
condición : yi (hw, xi + b) ≥ 1, i = 1, 2, ..., n
114 CAPÍTULO 4. FUNDAMENTO MATEMÁTICO
( n
)
1 X
mı́n kwk2 + C ξi
w,b,ξ 2 i=1
condición : yi (hw, xi + b) ≥ 1 − ξi , ξi ≥ 0, i = 1, 2, ..., n
y = Ax
con
y1 a11 a12 · · · a1p x1
y2 a21 a22 · · · a2p x2
y= ,A = ,x =
.. .. .. . . . .. ..
. . . . .
yp ap1 ap2 · · · app xp
Las propiedades del operador traza hacen que la suma de las varianzas de
las variables originales sea igual a la suma de las varianzas de las componentes
calculadas,
p
X
traza(Λ) = traza(Σ) = V ar(xi )
i=1
(x − µ)
z=
σ
Este z−score mide la distancia del punto al valor medio, todo ello en
términos de su desviación típica. Así, se convierten las variables iniciales a
otras con media 0 y varianza 1 que conservan las propiedades de forma del
conjunto original.
5.1. Introducción
Este capítulo describe el sistema de clasificación automática de placas
implementado, tanto a nivel físico como de procesado de la información. En
la Figura 5.1 se representa el esquema general del sistema, que incluye varias
etapas que se pueden diferenciar:
1. Adquisición de imágenes: esta primera etapa la realizan los componen-
tes de visión del sistema, explicados en el Capítulo 3. La finalidad es
capturar la información de las placas y proveer al sistema de análisis y
clasificación de los datos necesarios.
ADQUISICIÓN
ADQUISICIÓN DE DATOS
ANÁLISIS PRESENCIA
ANÁLISIS PRESENCIA ANÁLISIS FALTA ANÁLISIS ANÁLISIS FALSA ANÁLISIS
CARBONATOS
IRREGULARIDADES SUPERFICIE
DE MATERIAL ALABEO ESCUADRA PRESENCIA
ANÁLISIS ANÁLISIS SULFUROS
IRREGULARIDAD Medidas de área IMAGEN GRAY IMAGEN RGB
Diferencias de Medidas de
GLOBAL de placa por alturas de ángulos en las
tercios esquinas y centro esquinas Parámetros de zonas Parámetros de
de la placa sospechosas
PROCESO
CRITERIO EXPERTO
Calidad comercial de
la placa
segunda calidad (con defectos estéticos) y rechazo (con defectos que hacen
que la pizarra no sea apta para su puesta en mercado).
Además de esta mejora del sistema de visión a nivel físico, el nuevo soft-
ware proporciona más control sobre los algoritmos de visión empleados, todo
ello en un sistema que puede ser fácilmente trasladado e instalado en nuevas
ubicaciones gracias a la renovada caja de conexiones portátil (letra g en la Fi-
gura 5.2). Una comparativa más detallada entre los prototipos desarrollados
se puede ver en la Tabla 5.2.
En los siguientes apartados se detallan las dos etapas citadas y los códigos
de inspección de las imágenes diseñados a tal efecto.
5.3. ANÁLISIS Y CARACTERIZACIÓN DE LAS PLACAS 129
5.3.1. Preproceso
En esta primera fase de preproceso se distinguen dos operaciones diferen-
ciadas. En primer lugar, debe tenerse en cuenta que las placas llegan a la
zona de clasificación sobre los rodillos en una posición variable, por lo que
las imágenes capturadas por el sistema de visión y recibidas por el PC son
heterogéneas en lo que a la posición y orientación de las placas se refiere.
Es preciso, por lo tanto, realizar unas operaciones previas de tratamiento de
las imágenes para prepararlas para las siguientes etapas de análisis: de este
modo, se realiza un recorte y enderezado de las imágenes 3D, color (las
tres componentes RGB) y escala de grises.
Por otra parte, mientras algunos defectos (falta de material y falsa escua-
dra) se basan en los límites de la placa, las restantes singularidades (presencia
de irregularidades, alabeo, carbonatos y sulfuros) se analizan en la región in-
terior de la placa. Para evitar que las irregularidades típicas de los bordes de
las placas (debido a su corte con las troqueladoras) distorsionen los resulta-
dos de los análisis de dichas singularidades, un segundo paso en el preproceso
consiste en la definición y recorte de la región interior de la placa en
las componentes 3D, color (RGB) y escala de grises.
5.3.2. Proceso
En esta fase es en la que se realiza la inspección de las imágenes en busca
de las singularidades que definirán la calidad comercial de la placa (irregu-
laridades superficiales, falta de material, alabeo, falsa escuadra, presencia de
carbonatos y presencia de sulfuros). El resultado de los códigos de inspec-
ción será un , en base al cual se procederá a su clasificación de calidad en el
siguiente paso.
Falta de material
Alabeo
Para que las placas puedan ser colocadas correctamente en los tejados de-
ben ser lo más planas posibles, siendo el alabeo un defecto crítico. Su análisis
se basa en la inspección de la región interior de los valores de intensidad 3D,
siguiendo el proceso descrito en la Figura 5.9.
Las diferencias entre las alturas de las zonas correspondientes a las es-
quinas y al centro de la placa caracterizarán la planicidad de la superficie e
indicarán el posible alabeo de la misma.
134 CAPÍTULO 5. SISTEMA DE CLASIFICACIÓN
Región real Región real Región real Área región real tercios
Tercio superior Tercio medio Tercio inferior superior, medio, inferior
Ratio áreas
tercios
Cálculo del rectángulo teórico de cada superior,
tercio de placa medio, inferior
(v1,v2,v3)
Figura 5.9: Esquema del proceso de análisis del alabeo de la placa y muestra
de la implementación en Halcon.
Falsa escuadra
Imagen recortada y
enderezada
Figura 5.10: Esquema del análisis del correcto escuadrado de la placa y re-
sultados mostrados en pantalla.
Presencia de carbonatos
(a) Imagen RGB (b) Componente Y del (c) Zonas amarillas de-
espacio YUV tectadas
Presencia de sulfuros
Tercio superior Tercio medio Tercio inferior Tercio superior Tercio medio Tercio inferior
Reg. Sospechosas Reg. Sospechosas Reg. Sospechosas Reg. Sospechosas Reg. Sospechosas Reg. Sospechosas
Tercio superior Tercio medio Tercio inferior Tercio superior Tercio medio Tercio inferior
Filtro: área (15-500 pix) y mínima Filtro: área (15-500 pix) y mínima
circularidad (0.3) circularidad (0.3)
Filtro: área (200-600 pix) y mínima Filtro: área (200-600 pix) y mínima
circularidad (0.5) circularidad (0.5)
Figura 5.15: Placa con sulfuros artificiales empleada para la calibración del
algoritmo de detección y resultados obtenidos con el código de inspección
implementado.
144
Descripción de la muestra
Las calidades asignadas según cada uno de los expertos se han cruzado
en la Tabla 5.5, de modo que se pueden observar cómo hay 58 coincidencias
y 12 discrepancias (tasa de error del 17 %).
Tabla 5.5: Matriz de confusión resultante al enfrentar los criterios de los dos
expertos.
Clase
Experto no 2
1 2 3
Clase 1 3 1 0 4
Experto 2 1 4 1 6
no 1 3 3 6 51 60
7 11 52 70
En el caso que nos ocupa, las variables con amplitud nula eran las re-
lativas a las flores en el tercio inferior de las placas. Es evidente que no es
un parámetro a despreciar, ya que la presencia de carbonatos es un factor
que afecta a la calidad de la pizarra, pasando a calificarse como de segunda
calidad o rechazo, dependiendo de la posición y de la presencia o no de más
carbonatos en los otros tercios. Sin embargo, el procesado de las imágenes
tomadas dio como resultado la no detección de carbonatos en el tercio infe-
rior, por lo que las variables de área, circularidad y redondez medias aparecen
como valores constantes en la base de datos manejada para la construcción
del modelo de clasificación automática.
Tras la inspección de las imágenes de las placas con los códigos diseñados,
un total de 71 variables (53 básicas y 18 auxiliares) caracterizan la placa en
cuestión. Con el objetivo de que las variables aporten la mayor información
posible al modelo de aprendizaje automático construido posteriormente, un
primer paso consiste en eliminar aquellas cuya amplitud es nula en la muestra
analizada (Apartado 5.4).
Comp. Principal 2: las variables que más pesan en esta componente son
relativas a las flores en el tercio superior y las irregularidades superfi-
ciales locales.
20
%Varianza explicada
15
10
0
0 5 10 15 20 25 30 35 40 45 50
Componente principal
83.29
%Varianza explicada acumulada
80
60
40
20
0
13
5 10 15 20 25 30 35 40 45 50
Componente principal
En este caso, las componentes principales que más varianza explican son
las 8 primeras, con cerca del 68 % de la varianza total. Las siguientes com-
ponentes explican porcentajes menores del 3 %, siendo preciso tomar las pri-
meras 17 (cada una de las cuales explica más del 1.5 %) para reunir el 87.6 %
de la varianza explicada total (Fig. 5.17b).
20
%Varianza explicada
15
10
0
0 10 20 30 40 50 60 70
Componente principal
87.6
%Varianza explicada acumulada
80
60
40
20
0 17
10 20 30 40 50 60 70
Componente principal
Comp. Principal 16: integra los mismos defectos que las componentes
9 y 15.
Tabla 5.6: Resumen de los defectos representados por cada componente prin-
cipal de los análisis realizados sobre el Input A e Input B.
Código PCA-A (Input A) Código PCA-B (Input B)
CP1A Escuadrado CP1B Escuadrado
CP2A Carbonatos CP2B Carbonatos
Defectos de superficie Defectos de superficie
CP3A Escuadrado CP3B Escuadrado
Alabeo Alabeo
Defectos de superficie Defectos de superficie
Falta de material
CP4A Escuadrado CP4B Alabeo
Sulfuros Defectos de superficie
Sulfuros
CP5A Sulfuros CP5B Sulfuros
Escuadrado
Falta de material
Defectos de superficie
CP6A Escuadrado CP6B Alabeo
Sulfuros Sulfuros
Falta de material
CP7A Alabeo CP7B Alabeo
Defectos de superficie Defectos de superficie
CP8A Alabeo CP8B Escuadrado
Falta de material Falta de material
Defectos de superficie
CP9A Alabeo CP9B Alabeo
Falta de material Falta de material
Escuadrado Defectos de superficie
CP10A Alabeo CP10B Alabeo
Defectos de superficie Falta de material
CP11A Defectos de superficie CP11B Alabeo
Falta de material Carbonatos
Defectos de superficie
CP12A Alabeo CP12B Alabeo
Defectos de superficie Defectos de superficie
Falta de material Falta de material
Sulfuros Escuadrado
CP13A Escuadrado CP13B Escuadrado
Falta de material Falta de material
Defectos de superficie
CP14B Alabeo
Defectos de superficie
CP15B Alabeo
Falta de material
Defectos de superficie
CP16B Alabeo
Falta de material
Defectos de superficie
CP17B Falta de material
Defectos de superficie
5.4. CLASIFICACIÓN DE PLACAS DE PIZARRA 157
Tabla 5.9: Resumen de tasas de error obtenidas para los modelos CART
implementados con las 8 configuraciones definidas.
Output
Experto no 1 Experto no 2
Input
0.057 0.100
A Fig. 5.19a Fig. 5.19b
Matriz conf.: ver Tabla 5.10
0.057 0.100
B Fig. 5.20a Fig. 5.20b
Matriz conf.: ver Tabla 5.11
0.100 0.086
PCA-A Fig. 5.21a Fig. 5.21b
Matriz conf.: ver Tabla 5.12
0.100 0.086
PCA-B Fig. 5.22a Fig. 5.22b
Matriz conf.: ver Tabla 5.13
Tabla 5.10: Matriz de confusión media del árbol de clasificación obtenido con
el Input A.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 4 0 0 4 1 2
2 1 5 0 0 7 4
3 3 0 57 0 0 52
MAE = 0.100 MAE = 0.129
Tabla 5.11: Matriz de confusión media del árbol de clasificación obtenido con
el Input B.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 4 0 0 4 1 2
2 1 5 0 0 7 4
3 3 0 57 0 0 52
MAE = 0.100 MAE = 0.129
5.4. CLASIFICACIÓN DE PLACAS DE PIZARRA 161
1 2
2 1
1 2
2 1
Tabla 5.12: Matriz de confusión media del árbol de clasificación obtenido con
el Input PCA-A.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 3 0 1 5 0 2
2 2 0 4 2 7 2
3 0 0 60 0 0 52
MAE = 0.114 MAE = 0.114
1 3
CP5A < 0.357166 CP5A >= 0.357166 CP6A < 0.558337 CP6A >= 0.558337
CP5A < -0.633522 CP5A >= -0.633522 CP1A < -1.11417 CP1A >= -1.11417
3 3
1 2 2 3
o
(b) Input PCA-A, Experto n 2
Tabla 5.13: Matriz de confusión media del árbol de clasificación obtenido con
el Input PCA-B.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 4 0 0 5 1 1
2 3 0 3 0 8 3
3 1 0 59 0 1 51
MAE = 0.114 MAE = 0.100
1 3
1 2
Tabla 5.14: Resumen de tasas de error obtenidas para los modelos MLP
implementados con las 8 configuraciones definidas.
Output
Experto no 1 Experto no 2
Input
Tasa error entrenam. = 0.143 Tasa error entrenam. = 0.256
A Tasa error test = 0.142 Tasa error test = 0.254
(37 neuronas) (25 neuronas)
Matriz de confusión: ver Tabla 5.15
Tasa error entrenam. = 0.143 Tasa error entrenam. = 0.181
B Tasa error test = 0.142 Tasa error test = 0.254
(35 neuronas) (20 neuronas)
Matriz de confusión: ver Tabla 5.16
Tasa error entrenam. = 0.035 Tasa error entrenam. = 0.226
PCA-A Tasa error test = 0.156 Tasa error test = 0.254
(2 neuronas) (10 neuronas)
Matriz de confusión: ver Tabla 5.17
Tasa error entrenam. = 0.071 Tasa error entrenam. = 0.234
PCA-B Tasa error test = 0.171 Tasa error test = 0.254
(4 neuronas) (22 neuronas)
Matriz de confusión: ver Tabla 5.18
Del mismo modo que con las redes neuronales, las matrices de confusión
son las medias, redondeada al valor entero más cercano, de las matrices de
confusión obtenidas de los tres conjuntos de test. El error absoluto medio,
asimismo, es nuevamente el promedio de los tres errores absolutos medios de
cada matriz de confusión.
168 CAPÍTULO 5. SISTEMA DE CLASIFICACIÓN
Tabla 5.19: Resumen de tasas de error obtenidas para los modelos SVM
implementados con las 8 configuraciones definidas.
Output
Experto no 1 Experto no 2
Input
Tasa error entrenam. = 0 Tasa error entrenam. = 0
A Tasa error test = 0.142 Tasa error test = 0.196
(C=10, sigma=10) (C=10, sigma=10)
Matriz de confusión: ver Tabla 5.20
Tasa error entrenam. = 0 Tasa error entrenam. = 0
B Tasa error test = 0.142 Tasa error test = 0.211
(C=1, sigma=1000) (C=10, sigma=10)
Matriz de confusión: ver Tabla 5.21
Tasa error entrenam. = 0 Tasa error entrenam. = 0.127
PCA-A Tasa error test = 0.142 Tasa error test = 0.224
(C=1, sigma=100) (C=1, sigma=1)
Matriz de confusión: ver Tabla 5.22
Tasa error entrenam. = 0 Tasa error entrenam. = 0
PCA-B Tasa error test = 0.142 Tasa error test = 0.254
(C=1, sigma=10) (C=1, sigma=10)
Matriz de confusión: ver Tabla 5.23
Tabla 5.20: Matriz de confusión media del modelo SVM óptimo obtenido con
el Input A.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 0 0 1 1 1 1
2 0 1 1 1 2 1
3 0 1 19 0 2 16
MAE = 0.198 MAE = 0.221
Tabla 5.21: Matriz de confusión media del modelo SVM óptimo obtenido con
el Input B.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 0 0 1 1 1 1
2 0 0 2 1 1 2
3 0 0 20 0 1 17
MAE = 0.199 MAE = 0.237
5.4. CLASIFICACIÓN DE PLACAS DE PIZARRA 169
Tabla 5.22: Matriz de confusión media del modelo SVM óptimo obtenido con
el Input PCA-A.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 0 0 1 0 1 1
2 0 0 2 0 2 2
3 0 0 20 0 1 16
MAE = 0.199 MAE = 0.265
Tabla 5.23: Matriz de confusión media del modelo SVM óptimo obtenido con
el Input PCA-B.
Experto no 1 Experto no 2
Pred.
1 2 3 1 2 3
Real
1 0 0 1 0 0 2
2 0 0 2 0 0 4
3 0 0 20 0 0 17
MAE = 0.199 MAE = 0.353
La Tabla 5.24 resume los resultados obtenidos con los modelos matemá-
ticos aplicados al problema de clasificación de placas de pizarra para cada
configuración, discutidos a continuación.
Estos primeros modelos simulan muy bien los criterios de ambos exper-
tos, con unas tasas de error bajas (5.7 % para el Experto no 1 y 10.0 % para
el no 2). La principal diferencia se encuentra en los errores de clasificación:
mientras que simulando el criterio del Experto no 1 se cometen 4 errores (3 de
ellos falsos negativos, 1 neutro y ningún falso positivo), al simular el criterio
del Experto no 2 se cometen 7 errores (1 neutro y 6 falsos positivos, sin falsos
negativos), lo que es una situación menos deseable.
5.4. CLASIFICACIÓN DE PLACAS DE PIZARRA 171
Tabla 5.24: Resumen de los resultados de los modelos CART, MLP y SVM
para la predicción de la calidad de las placas de pizarra.
Input Exp. CART MLP SVM
Tasa error Tasa error entr. = 0.143 Tasa error entr.= 0
1 = 0.057 Tasa error test = 0.142 Tasa error test = 0.142
MAE = 0.100 MAE = 0.199 MAE = 0.198
A (37 neuronas) (C=10, sigma=10)
Tasa error Tasa error entr. = 0.256 Tasa error entr. = 0
2 = 0.100 Tasa error test = 0.254 Tasa error test = 0.196
MAE = 0.129 MAE = 0.353 MAE = 0.221
(25 neuronas) (C=10, sigma=10)
Tasa error Tasa error entr. = 0.143 Tasa error entr. = 0
1 = 0.057 Tasa error test = 0.142 Tasa error test = 0.142
MAE = 0.100 MAE = 0.199 MAE = 0.199
B (35 neuronas) (C=1, sigma=1000)
Tasa error Tasa error entr. = 0.181 Tasa error entr. = 0
2 = 0.100 Tasa error test = 0.254 Tasa error test = 0.211
MAE = 0.129 MAE = 0.340 MAE = 0.237
(20 neuronas) (C=10, sigma=10)
Tasa error Tasa error entr. = 0.035 Tasa error entr. = 0
1 = 0.100 Tasa error test = 0.156 Tasa error test = 0.142
MAE = 0.114 MAE = 0.186 MAE = 0.199
PCA (2 neuronas) (C=1, sigma=100)
-A Tasa error Tasa error entr. = 0.226 Tasa error entr. = 0.127
2 = 0.086 Tasa error test = 0.254 Tasa error test = 0.224
MAE = 0.114 MAE = 0.353 MAE = 0.265
(10 neuronas) (C=1, sigma=1)
Tasa error Tasa error entr. = 0.071 Tasa error entr. = 0
1 = 0.100 Tasa error test = 0.171 Tasa error test = 0.142
MAE = 0.114 MAE = 0.257 MAE = 0.199
PCA (4 neuronas) (C=1, sigma=10)
-B Tasa error Tasa error entr. = 0.234 Tasa error entr. = 0
2 = 0.086 Tasa error test = 0.254 Tasa error test = 0.254
MAE = 0.100 MAE = 0.353 MAE = 0.353
(22 neuronas) (C=1, sigma=10)
Analizando los resultados del CART con las entradas del análisis de com-
ponentes principales, se observan diferencias entre los modelos construidos a
partir del Input PCA–A y del PCA–B, así como diferencias según se tenga
por objetivo el Experto no 1 o el no 2. En el caso del Experto no 1, ninguno
de los inputs aporta suficiente información al modelo como para discernir la
segunda calidad, siendo todas las observaciones de dicha calidad clasificadas
como 1 ó 3. La calidad 3 se predice casi siempre bien, y en general las tasas
de acierto son muy elevadas en las cuatro configuraciones.
Las configuraciones con las que los modelos SVM parecen ser capaces de
aprender a discernir las tres clases son: Input A y ambos expertos, Input
B y Experto no 2, e Input PCA–A y Experto no 2. De ellos, los que simulan
el criterio del Experto no 2 ofrecen resultados muy similares, con errores en
test que rondan el 20 % y cifras de falsos positivos y falsos negativos también
parecidas. El modelo construido con el Input A y el Experto no 1 mejora los
anteriores, con menores errores de clasificación, y es el mejor de los ocho
implementados con esta técnica.
174 CAPÍTULO 5. SISTEMA DE CLASIFICACIÓN
Capítulo 6
Conclusiones
176 CAPÍTULO 6. CONCLUSIONES
177
Con el fin de lograr que la clasificación por calidad comercial siga unos
criterios objetivos y reproducibles, el objetivo de este estudio es construir un
modelo de clasificación automática robusto y adaptable a las características
de un yacimiento y un mercado dados. El sistema desarrollado se compone
de un entorno de visión artificial que registra la información de color y di-
mensional (en las tres dimensiones) de las placas, que una vez transferida al
ordenador es analizada mediante un software avanzado de visión mediante
unos algoritmos de detección de defectos específicamente diseñados para este
problema.
Este estudio supone una evolución del realizado en 2010 con el mismo fin,
el de construir un clasificador objetivo de placas de pizarra. Las diferencias
más notables se sintetizan en la renovación del sistema de visión artificial
para integrar en una sola cámara la adquisición de información, incluyendo
la de color para detectar así los sulfuros, y la implementación de los códigos
de inspección de placas en una librería de visión por computador.
El hecho de que los árboles de decisión se ajusten mejor a los datos que las
redes neuronales y las máquinas de vectores soporte indica que las clases del
problema son linealmente separables. Es decir, que la asignación de una clase
comercial determinada se realiza siguiendo un proceso de decisión escalonado,
179
de manera que unos defectos son más determinantes que otros y la clasifi-
cación es más directa o menos en función de las características de cada placa.
Por otra parte, la mayoría de los errores cometidos por los modelos en ge-
neral y por el decisor empírico en particular se dan en las placas con sulfuros,
y se pueden explicar por el pequeño tamaño de los mismos y la dificultad de
su detección. Derivada de la dificultad de detección de los sulfuros presentes
en las placas de la muestra manejada, se diseñó una placa con sulfuros arti-
ficiales para calibrar el código desarrollado.
Para concluir, entre las líneas de trabajo futuro que se plantean se en-
cuentra la optimización de los elementos de iluminación del sistema de visión,
tratando de proveer al software de análisis de unas imágenes en las que los
sulfuros se aprecien con mayor claridad. Al mismo tiempo, los códigos de ins-
pección podrían optimizarse para aumentar su rendimiento. Por otra parte,
la puesta en práctica de este sistema pasaría por la integración del mismo en
la línea de producción, para lo cual sería necesario adaptar los componentes
para que su funcionamiento sea el adecuado.
180 CAPÍTULO 6. CONCLUSIONES
Bibliografía
[7] D. Allen. The relationship between variable selection and data argu-
mentation and a method for prediction. Technometrics, 16:125–127,
1974.
181
182 BIBLIOGRAFÍA
[20] S. Belongie, J. Malik, and J. Puzicha. Shape matching and object recog-
nition using shape contexts. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 24(4):509–522, 2002.
[21] J.O. Berger. Statistical decision theory and bayesian analysis. Springer,
1985.
[38] C.J.C. Burges. A tutorial on support vector machines for pattern re-
cognition. Data Mining and Knowledge Discovery, 2(2):121–167, 1998.
[43] V. Cárdenes Van den Eynde, V. País Diz, J. García Guinea, and F. Gó-
mez Fernández. Pizarras de techar. In M.Á. García del Cura and J.C.
Cañaveras, editors, Seminarios de la Sociedad Española de Mineralogia
BIBLIOGRAFÍA 185
[50] S. Chen, J. Feng, and L. Zou. Study of fabric defects detection through
gabor filter based on scale transformation. In IASP 10 - 2010 Inter-
national Conference on Image Analysis and Signal Processing, pages
97–99, 2010.
[51] X. Chen and A.L. Yuille. Detecting and reading text in natural scenes.
In Proceedings of the IEEE Computer Society Conference on Computer
Vision and Pattern Recognition, volume 2, pages II366–II373, 2004.
[52] V. Cherkassky and F. Mulier. Learning from data: concepts, theory and
methods. John Wiley and Sons, 1998.
186 BIBLIOGRAFÍA
[54] R. Cipolla and A. Blake. Surface shape from the deformation of appa-
rent contours. International Journal of Computer Vision, 9(2):83–112,
1992.
[55] Bishop. C.M. Neural networks and pattern recognition. Oxford Univer-
sity Press, 1995.
[60] A. Cruz Bernal and G. Moreno Aguilar. Vision System via USB for Ob-
ject Recognition and Manipulation with Scorbot-ER 4U. International
Journal of Computer Applications, 56(18):10–15, 2012.
[62] R. Drobina and M.S. Machnio. Application of the image analysis tech-
nique for textile identification. Autex Research Journal, 6(1):40–48,
2006.
[87] A.D. Gordon. Classification. Chapman and Hall, 2nd edition, 1999.
[88] D.R. Gray and D.W. Durney. Crenulation cleavage differentiation: im-
plications of solution-deposition processes. Journal of Structural Geo-
logy, 1(1):73–80, jan 1979.
[89] D.W. Hansen and Q. Ji. In the Eye of the Beholder: A Survey of
Models for Eyes and Gaze. IEEE Transactions on Pattern Analysis
and Machine Intelligence, 32(3):478–500, 2010.
[90] R.M. Haralick, S.R. Sternberg, and X. Zhuang. Image Analysis Using
Mathematical Morphology. IEEE Transactions on Pattern Analysis
and Machine Intelligence, PAMI-9(4):532–550, 1987.
[101] B.K.P. Horn. Robot vision. MIT Press, Cambridge, Massachusetts, US,
1986.
[103] C.W. Hsu and C.J. Lin. A comparison of methods for multiclass
support vector machines. IEEE Transactions on Neural Networks,
13(2):415–425, 2002.
[112] G.J. Jaffe and J. Caprioli. Optical coherence tomography to detect and
manage retinal disease and glaucoma. American Journal of Ophthal-
mology, 137(1):156–169, 2004.
[115] B.F. Jones. A reappraisal of the use of infrared thermal image analysis
in medicine. IEEE Transactions on Medical Imaging, 17(6):1019–1027,
1998.
[120] M.H. Karimi and D. Asemani. Surface defect detection in tiling Indus-
tries using digital image processing methods: Analysis and evaluation.
ISA Transactions, 53(3):834–844, 2014.
[128] Y.G. Leclerc. Constructing simple stable descriptions for image parti-
tioning. International Journal of Computer Vision, 3(1):73–102, 1989.
[130] A. Levin, R. Fergus, F. Durand, and W.T. Freeman. Image and depth
from a conventional camera with a coded aperture. In Proceedings of
the ACM SIGGRAPH Conference on Computer Graphics, San Diego,
CA (USA), 2007.
[132] J. Li, A.D. Heap, A. Potter, and J.J. Daniell. Application of machine
learning methods to spatial interpolation of environmental variables.
Environmental Modelling and Software, 26(12), 2011.
[133] Peilin Li, Sang-heon Lee, and Hung-Yao Hsu. Review on fruit harves-
ting method for potential use of automatic fruit harvesting systems.
Procedia Engineering, 23:351–366, 2011.
BIBLIOGRAFÍA 193
[136] F. López, J.M. Valiente, J.M. Prats, and A. Ferrer. Performance eva-
luation of soft color texture descriptors for surface grading using experi-
mental design and logistic regression. Pattern Recognition, 41(5):1761–
1772, 2008.
[138] M. López, J. Martínez, J.M. Matías, J.A. Vilán, and J. Taboada. Appli-
cation of a hybrid 3D-2D laser scanning system to the characterization
of slate slabs. Sensors, 10(6):5949–5961, 2010.
[144] W.S. MacCulloch and W.S. Pitts. A logical calculus of the ideas inma-
nent in nervous activity. Bulletin of Mathematical Biophysics, 5:115–
133, 1943.
194 BIBLIOGRAFÍA
[145] J.B. MacQueen. Some methods for classification and analysis of mul-
tivariate observations. In Proceeding of 5th Berkeley Symposium on
Mathematical Statistics and Probability, pages 281–297, 1967.
[146] E.J. Male, W.L. Pickles, E.A. Silver, G.D. Hoffmann, J. Lewicki,
M. Apple, K. Repasky, and E.A. Burton. Using hyperspectral plant
signatures for CO2 leak detection during the 2008 ZERT CO2 seques-
tration field experiment in Bozeman, Montana. Environmental Earth
Sciences, 60(2):251–261, 2010.
[147] R. Manmatha and J.L. Rothfeder. A scale space approach for auto-
matically segmenting words from historical handwritten documents.
IEEE Transactions on Pattern Analysis and Machine Intelligence,
27(8):1212–1225, 2005.
[148] J. Mao and A.K. Jain. Texture classification and segmentation using
multiresolution simultaneous autoregressive models. Pattern Recogni-
tion, 25(2):173–188, 1992.
[159] G. Mori, X. Ren, A. Efros, and J. Malik. Recovering human body con-
figurations: combining segmentation and recognition. In IEEE Com-
puter Society Conference on Computer Vision and Pattern Recognition
(CVPR’2004), pages 326–323, 2004.
[167] H.Y.T. Ngan, G.K.H. Pang, and N.H.C. Yung. Automated fabric defect
detection-A review. Image and Vision Computing, 29(7):442–458, 2011.
[172] S.C. Park, M.K. Park, and M.G. Kang. Super-resolution image re-
construction: A technical overview. IEEE Signal Processing Magazine,
20(3):21–36, 2003.
[173] Karl Pearson. On lines and planes of closest fit to systems of points in
space. Philosophical Magazine, 2(11):559–572, 1901.
[192] G.A. Ruz, P.A. Estevez, and P.A. Ramirez. Automated visual inspec-
tion system for wood defect classification using computational intelli-
gence techniques. International Journal of Systems Science, 40(2):163–
172, 2009.
[196] M.A. Selver, O. Akay, E. Ardali, B.A. Yavuz, O. Önal, and G. Öz-
den. Cascaded and hierarchical neural networks for classifying surface
images of marble slabs. IEEE Transactions on Systems, Man and Cy-
bernetics Part C: Applications and Reviews, 39(4):426–439, 2009.
[199] J. Shi and J. Malik. Normalized cuts and image segmentation. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 22(8):888–
905, 2000.
[204] K.P. Singh, N. Basant, and S. Gupta. Support vector machines in water
quality management. Analytica Chimica Acta, 703(2), 2011.
[205] S. Singh and M Kaur. Machine vision system for automated visual
inspection of tile’s surface quality. IOSR J Eng, 2(3):429–432, 2012.
[206] M.L. Smith and R.J. Stamp. Automated inspection of textured ceramic
tiles. Computers in Industry, 43(1):73–82, 2000.
[212] R. Szeliski and R. Weiss. Robust shape recovery from occluding con-
tours using a linear smoother. International Journal of Computer Vi-
sion, 28(1):27–44, 1998.
[219] D.M. Tsai, P.C. Lin, and C.J. Lu. An independent component analysis-
based filter design for defect detection in low-contrast surface images.
Pattern Recognition, 39(9):1679–1694, 2006.
[221] M. Tuceryan and A.K. Jain. Texture analysis. In C.H. Chen, L.F. Pau,
and P.S.P. Wang, editors, Handbook of Pattern Recognition and Com-
puter Vision, pages 207–248. World Scientific Publishing, 2nd edition,
1998.
[222] R. Vaillant and O.D. Faugeras. Using Extremal Boundaries for 3-D
Object Modeling. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 14(2):157–173, 1992.
[244] J.Y. Zheng. Acquiring 3-D models from sequences of contours. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 16(2):163–
178, 1994.
203
204 ÍNDICE ALFABÉTICO
sombras, 79
sulfuros, 42, 129, 140
SVM, 111
umbral, 90
z-score, 117