Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligente
Modalidad Presencial
ecomina@tecnologicoismac.edu.ec
0983071285
Cuarto semestre
Resumen General del Curso
2
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 1
INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
11
Conceptos Básicos
Objetivos de la IA 12
Técnicas Básicas 13
Aplicaciones 14
Estrategias 20
REPRESENTACIÓN DEL CONOCIMIENTO
Introducción 21
Tipos de conocimiento 22
Problemas 23
3
Diferencia entre información y conocimiento 24
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 1
REPRESENTACIÓN DEL CONOCIMIENTO
Representación del conocimiento 27
Esquema de representación 29
Esquema de representación: parte estática 31
Esquema de representación: parte dinámica 32
TIPOS DE CONOCIMIENTO
Conocimiento relacional simple 35
Conocimiento heredable 36
Conocimiento inferible 37
4 Conocimiento procedimental 38
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 1
BÚSQUEDA DE SOLUCIONES
Búsqueda 39
Árboles 40
Métodos de Búsqueda 41
General Problem Solvern 42
Búsqueda Heurística 43
Función Heurística 44
Resumen 45
PARADIGMAS DE LA IA
Sistemas Expertos
5 46
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 1
PARADIGMAS DE LA IA
Lógica Borrosa 47
Búsqueda Heurística 48
Redes Neuronales 49
Algoritmos Genéticos 50
Machine Learning 51
Visión Artificial 52
6
Resultados de aprendizaje
Al finalizar este módulo estarás en capacidad de:
7
Introducción
Clase: Introducción a la Inteligencia Artificial
Tarea: Realice una consulta sobre los criterios y
La importancia de los sistemas de Inteligencia Artificial
la Inteligencia
Plataforma YouTube.
Artificial Tarea: Tras haber revisado los temas responda, ¿Cómo manejamos
actualmente la Inteligencia Artificial ? Justifique su respuesta.
(Video: Limites éticos para la inteligencia artificial)
https://www.youtube.com/watch?v=sHVwwriaT6k
Plataforma YouTube.
8
Módulo 1 Clase: Paradigmas de la Inteligencia Artificial
Tarea: Realice un cuadro comparativo de las diferentes técnicas de
la Inteligencia
Clase: Paradigmas de la Inteligencia Artificial
Tarea: Identificar aplicaciones de las diferentes técnicas de Inteligencia
Artificial.
Artificial
9
SISTEMAS DE INSPECCIÓN INTELIGENTES
Conceptos básicos de la Inteligencia Artificial
10
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Conceptos Básicos
DEFINICIÓN
• Conjunto de técnicas que se aplican en el diseño de programas para
computador, que tengan capacidad de razonar, en el sentido de
inferir nueva información, y que por la dificultad del problema a
resolver requieren una solución con un cierto grado de inteligencia.
11
Fuente: https://www.computerworld.es/tecnologia
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Objetivos de la Inteligencia Artificial
• Ello implica desarrollar las capacidades de las computadores más allá de su uso
tradicional.
12
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Técnicas Básicas
13
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Aplicaciones
• Ingeniería (robótica, control de procesos, inspección aeronáutica, etc)
• Medicina
• Gestión y planificación
• Sociales (ajedrez, juegos, etc)
14
Fuente: https://manufactura.mx/industria
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Aplicaciones
Robot guía de museo Análisis de datos en FESTO
Fuente: http://www.etsii.upm.es/estudios/masteres/automatica_robotica.es.htm
Fuente: https://www.infoplc.net/noticias
15
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Aplicaciones
Robot en la Industria Química - Análisis Predictivo Mantenimiento Predictivo de Robots
18
Fuente: https://blog.infaimon.com//
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Aplicaciones
Células de Inspección Total
19
Fuente: https://blog.infaimon.com//
INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL
Estrategias
Existen diferentes estrategias basados en diferentes algoritmos y técnicas de
inteligencia artificial que se implementan a los sistemas de inspección
inteligentes, como son:
Lógica Borrosa
Búsqueda
Heurística
Algoritmos
Genéticos
Machine Learning
20 Visión Artificial
REPRESENTACIÓN DEL
CONOCIMIENTO
Introducción
• Se trata de buscar la forma de organizar el conocimiento que se tiene sobre un problema, para
que los programas de I.A. puedan utilizarlos de la forma más eficiente posible.
• El conocimiento son los datos o hechos que son verdaderos en un determinado mundo.
• Todo problema es más sencillo de resolver si disponemos de conocimiento específico
sobre él.
• Este conocimiento dependiente del dominio se combina con el conocimiento general
sobre cómo resolver problemas.
• Este conocimiento ha de permitir guiar a los mecanismos de IA para obtener soluciones
de manera más eficiente.
21
REPRESENTACIÓN DEL
CONOCIMIENTO
Tipos de Conocimiento
• Hechos básicos
• Relacional simple
• Heredable
• Deductivo
• Procedimental
22
REPRESENTACIÓN DEL
CONOCIMIENTO
Problemas
• ¿Cómo escoger TIPO de representación que permita hacer una traducción fácil del mundo
real a la representación?
• ¿Cómo ha de ser esa representación para que pueda ser utilizada de forma eficiente?
23
REPRESENTACIÓN DEL
CONOCIMIENTO
Diferencia entre información y conocimiento
INFORMACIÓN
• Es el conjunto de datos básicos, sin interpretar, que se obtienen como entrada del sistema.
EJEMPLO
24
REPRESENTACIÓN DEL
CONOCIMIENTO
Diferencia entre información y conocimiento
CONOCIMIENTO
EJEMPLO
25
REPRESENTACIÓN DEL
CONOCIMIENTO
Diferencia entre información y conocimiento
• Los sistemas de IA necesitan diferentes tipos de conocimiento que no suelen estar disponibles
en bases de datos y otras fuentes de información:
26
REPRESENTACIÓN DEL
CONOCIMIENTO
Representación del conocimiento
Su forma o
estructura
necesita saber:
Que uso le dará una
inteligencia artificial
Como adquirir el
conocimiento
Como almacenarlo o
27
manipularlo
REPRESENTACIÓN DEL
CONOCIMIENTO
Representación del conocimiento
28
REPRESENTACIÓN DEL
CONOCIMIENTO
Esquema de representación
29
REPRESENTACIÓN DEL
CONOCIMIENTO
Esquema de representación
Partes
Estática Dinámica
• Interpretar los datos del problema (de la parte estática) a partir del
conocimiento del dominio (de la parte dinámica)
• Controlar el uso de los datos: estrategias de control
• Adquirir nuevo conocimiento
32
REPRESENTACIÓN DEL
CONOCIMIENTO
Tipos de
conocimiento
Conocimiento Conocimiento
Declarativo Procedimental
CONOCIMIENTO PROCEDIMENTAL
36
REPRESENTACIÓN DEL
CONOCIMIENTO
Conocimiento Inferible
• Conocimiento descrito mediante lógica.
• Se puede utilizar la semántica de los operadores y el Modus Ponens para inferir nuevo
conocimiento.
37
REPRESENTACIÓN DEL
CONOCIMIENTO
Conocimiento Procedimental
• Conocimiento que, a diferencia del declarativo, incluye la especificación de los procesos
de uso del conocimiento:
• Este tipo de conocimiento suele ser más eficiente computacionalmente, pero hace más
38 difícil la inferencia y la adquisición/modificación.
BÚSQUEDA DE SOLUCIONES
Búsqueda
• Una búsqueda es una selección de alternativas.
B
A
E C
G
F
D
39
BÚSQUEDA DE SOLUCIONES
Árboles
Ejemplo: el juego del ajedrez.
ESTADO INICIAL
E11 E12
• Escalada
• Anchura primero
• Mejor primero
• Reducción
• Restricciones
41
BÚSQUEDA DE SOLUCIONES
General Problem Solver
42
BÚSQUEDA DE SOLUCIONES
Búsqueda Heurística
43
BÚSQUEDA DE SOLUCIONES
Función Heurística
′
𝑓 = 𝑔 + ℎ′
44
BÚSQUEDA DE SOLUCIONES
Resumen
•ÁRBOL
Representación
del
conocimiento
•EXPLORACIÓN DEL
Algoritmo de ÁRBOL
control
45
PARADIGMAS DE LA IA
Sistemas Expertos
Los sistemas expertos son llamados así porque emulan el razonamiento de un
experto en un dominio concreto y en ocasiones son usados por éstos. Con los
sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando
así lugar a una mejora de la productividad del experto.
• Programa de computador.
• Gran cantidad de conocimiento fruto de la
experiencia.
• Razonamiento similar al humano.
• Puede operar con datos cualitativos además de
cuantitativos.
• Independencia entre el conocimiento y el
razonamiento.
46 Fuente: http://inteligencia-artificial-unsxx
PARADIGMAS DE LA IA
Lógica Borrosa
• Variables borrosas o fuzzy.
• Todas las reglas se cumplen en cierto grado.
• Borrosificación y desborrosificación.
47
PARADIGMAS DE LA IA
Búsqueda Heurística
Búsqueda eficiente en la selección de
alternativas:.
B
A
E C
G
F
D
48
PARADIGMAS DE LA IA
Redes Neuronales
Capa de Salida
Capas Ocultas
Capa de Entrada
E1
49
PARADIGMAS DE LA IA
Algoritmos Genéticos
Análisis de calidad
50
PARADIGMAS DE LA IA
Machine Learning / Aprendizaje automático
Entrada
perro
+
Etiqueta
Algoritmo
Machine
Learning
Predicción
?
= Etiqueta
gato perro
51
PARADIGMAS DE LA IA
Visión Artificial
• La visión artificial es una tecnología industrial aplicable a diferentes sectores
y fases de producción.
• Es de los métodos automatizados e inteligentes más efectivo e innovador
para adquirir, procesar y analizar imágenes en los procesos de producción.
52
Fuente: https://www.infoplc.net/
INTRODUCCIÓN A LA
INTELIGENCIA ARTIFICIAL
53
Progreso del curso
En este punto de la materia el estudiante debería disponer de los conocimientos básicos
de la Inteligencia Artificial y haber realizado la práctica necesaria que permita continuar
con el programa de estudio.
54
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 2
MÉTODOS DE BÚSQUEDA
62
Métodos, Algoritmos, Programas
63
Método General-Esquema
64
Clasificación Métodos de Búsqueda
Métodos Exactos - Clasificación 65
Métodos Aproximados – Clasificación 66
Grafos 67
Tipos de Grafos 68
Tipos de Grafos - Pesos 69
Tipos de Grafos – Aristas 70
Tipos de Grafos – Conectividad 71
55 Tipos de Grafos – Árboles, bosques, ciclos 72
Aplicaciones 73
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 2
LÓGICA BORROSA
Introducción 78
Sistemas borrosos – Modelado borroso 80
Modelado borroso - Etapas 82
Control borroso 83
Acciones de control 84
Estructura del controlador 85
Ventajas 86
Inconvenientes 88
Aplicaciones 89
56 Herramientas 93
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 2
REDES NEURONALES
Introducción 94
Biología 98
Modelo de McCulloch-Pitts 100
Tipos de redes 102
Arquitecturas 103
Perceptron de cada red 104
Ventajas 106
Inconvenientes 107
57
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 2
ALGORITMOS GENÉTICOS
Introducción 108
Conceptos Básicos 109
Genes y Genoma 111
Elementos 112
Cruce 113
Mutación 114
El ciclo de la Evolución 115
Ventajas 116
Inconvenientes 117
58
Módulo 2 Métodos de Búsqueda
Lógica Borrosa
Técnicas de Inteligencia Redes Neuronales
Algoritmos Genéticos
Artificial
59
Clase: Métodos de Búsqueda
Módulo 2
(Video Métodos de Búsqueda a ciegas y heurísticas)
Plataforma YouTube.
https://www.youtube.com/watch?v=g6l685-LMbU
Técnicas de Inteligencia
Tarea: Analice los diferentes métodos y realice un resumen de los
mismos.
61
Métodos de Búsqueda
Métodos, Algoritmos, Programas
62
Métodos de Búsqueda
Método General - Esquema
REPRESENTACIÓN
PROBLEMA COMO ESPACIO DE
ESTADOS
SOLUCIÓN
63
Métodos de Búsqueda
Clasificación
Métodos de
Búsqueda
Métodos
Métodos Exactos
Aproximados
64
Métodos de Búsqueda
Clasificación – Métodos exactos
• Búsqueda desinformada
❑ Primero en profundidad
❑ Primero en anchura
65
Métodos de Búsqueda
Clasificación – Métodos aproximados
Heurístico
Conjunto de reglas de “sentido común” que tienden a aumentar la
probabilidad de resolver un problema específico.
66
Métodos de Búsqueda
Grafos
Es un conjunto de objetos llamados vértices o nodos unidos por
enlaces llamados aristas o arcos, que permiten representar relaciones
binarias entre elementos de un conjunto.
67
Fuente: https://revistadigital.inesem.es/
Métodos de Búsqueda
Tipos de Grafos
• Pesos (etiquetados)
-Vértices
-Aristas
• Aristas
-Dirigidos vs. no dirigidos
• Conectividad
-Conexos vs. no conexos
• Ciclos
-Árboles y bosques
-Dirigidos sin ciclos (DAG)
• Multigrafos
68 -Múltiples aristas entre la misma pareja de vértices
Métodos de Búsqueda
Tipos de Grafos: Pesos
3
3 4
1
7
2
10
6 7
8
5
5
69 0 4
0
Métodos de Búsqueda
Tipos de Grafos: Aristas
0
0 1
1
2
2
3 4
3 4 DIRIGIDO
NO DIRIGIDO
70
Métodos de Búsqueda
Tipos de Grafos: Conectividad
1 0 0
0 1 1
6
4
4 4
5
2
2 2
3 3 3
NO CONEXO DOS
COMPONENTES CONEXOS
CONEXO*: κ (G)=1 CONEXO*: κ (G)=2
• Árbol de búsqueda
• Problemas que se reducen a una búsqueda en un grafo
• Problemas de análisis de grafos / redes Búsqueda del camino más corto / de
menor coste (TSP)
❑ Problemas derivados del coloreado de grafos (VCP)
❑ Problemas derivados de dividir un grafo (graph partitioning)
❑ Problemas derivados de la cobertura de un grafo
❑ Determinación de agrupaciones (graph clustering)
73
Métodos de Búsqueda
Aplicaciones
Plano de autopistas
74
Fuente: https://slideplayer.es/slide/7306807/
Métodos de Búsqueda
Aplicaciones
Visión Artificial
75
Métodos de Búsqueda
Aplicaciones
Construcción de grafos a partir de redes viales
76
Fuente: http://informesdelaconstruccion.revistas.csic.es/
Métodos de Búsqueda
Aplicaciones
Correspondencia de huellas dactilares
77
Lógica Borrosa
Introducción
• La lógica borrosa ha sido durante años un caldo de cultivo para desarrollar nuevos
teoremas matemáticos replanteando los que se habían desarrollando previamente
para lógica clásica.
78
Lógica Borrosa
Introducción
El ser humano posee grandes habilidades para comunicar su experiencia empleando
reglas lingüísticas vagas. Por ejemplo, un famoso cocinero de televisión podría dar
instrucciones para tostar pan como:
1,Cortar dos rebanadas de pan MEDIANAS.
2. Poner el horno a temperatura ALTA.
3. Tostar el pan hasta que quede de color LIGERAMENTE MARRÓN.
El uso de esos términos lingüísticos en cursiva podrían ser seguidos sin problema por
un humano, que es capaz de interpretar estas instrucciones rápidamente. La lógica
convencional no es adecuada para procesar este tipo de reglas.
Estas reglas son muy descriptivas y pueden ser fácilmente entendibles por un humano,
pero difícilmente representables en un idioma que pueda ser entendido por un
computador. Palabras como “lejos”, “muy cerca” no tienen fronteras bien definidas, y
cuando se quieren trasladar a código pueden resultar descripciones artificiales. Por
ejemplo, el término Distancia se podría codificar con este conjunto de intervalos:
MEDIANAS : rebanadas entre 2 y 3 cm
79 ALTA: Temperatura entre 20°C– 40°C
Lógica Borrosa
Modelado Borroso
❑ Ebrahim Mamdani
• Artículo Application of fuzzy algorithms for the control of a simple
dynamic plant, 1974.
•A él se debe el diseño del primer controlador borroso.
80
Lógica Borrosa
Modelado Borroso
• El modelo de Mamdani es el más simple de los utilizados.
• En él las reglas están expresadas de la forma:
x SISTEMA y
BORROSO
Por ejemplo,
SI el caudal es alto ENTONCES la altura del tanque es grande
81
Lógica Borrosa
Modelado Borroso - Etapas
1. Borrosificación
Obtención del peso de cada regla
2. Aplicación de reglas
Obtención de la salida borrosa de cada regla
3. Conclusión borrosa
Obtención de la salida borrosa del conjunto de reglas
4. Desborrosificación
Obtención de la salida nítida del sistema
82
Lógica Borrosa
Control Borroso
83
Lógica Borrosa
Acciones de control
Las acciones de control equivalentes en un controlador borroso:
• Control FP
SI (e es 𝐸𝑖 ) ENTONCES (u es 𝑈𝑖 )
• Control FPI
Dónde:
SI (e es 𝐸𝑖 ) Y (se es S𝐸𝑗 ) ENTONCES (u es 𝑈𝑖𝑗 )
• e : señal de error
SI (ce es C𝐸𝑖 ) Y (e es 𝐸𝑗 ) ENTONCES (cu es C𝑈𝑖𝑗 ) • ce : derivada o cambio en el error
• Control FPD • se : integral o suma del error
• u : acción de control
SI (e es 𝐸𝑖 ) Y (ce es C𝐸𝑗 ) ENTONCES (u es 𝑈𝑖𝑗 ) • cu : derivada o cambio en la función de control
• Control FPID
85
Lógica Borrosa
Estructura del controlador
86
Lógica Borrosa
Ventajas
87
Lógica Borrosa
Inconvenientes
88
Lógica Borrosa
Aplicaciones
89
Lógica Borrosa
Aplicaciones
• A nivel industrial:
90
Lógica Borrosa
Aplicaciones
VALIDACIÓN DE SENSORES
91
Lógica Borrosa
Aplicaciones
ANÁLISIS MODAL DE FALLOS Y DEFECTOS
92
Lógica Borrosa
Herramientas
Fuzzy toolbox de MATLAB
• Dispone de un entorno de desarrollo gráfico para editar las reglas y las funciones de
pertenencia.
93
Redes Neuronales
Introducción
• Las redes neuronales (ANNs) y los algoritmos genéticos (EAs) son técnicas bio-inspiradas
❑ La Naturaleza ha sido siempre una fuente de inspiración para ingenieros y
científicos.
• El cerebro es un dispositivo muy potente
• Masivamente paralelo
• Tiene capacidad de aprendizaje y generalización
• Es robusto y tolerante a fallos
• El funcionamiento depende de “muchas” neuronas, luego el fallo de “unas” no
compromete “mucho” el funcionamiento
• Trata con información imprecisa, ruidosa, …Gracias a la capacidad de generalización
94
Redes Neuronales
Introducción
• Las redes de neuronas (Neural Networks) son redes de células que se encuentran en
mucho organismos
• Las Neuronas Artificiales son modelos MUY aproximado de dichas células (físico o
simulado)
• Por lo tanto, las redes de neuronas artificiales (ANNs) son modelos de redes de
neuronas, o sea de (parte de) cerebros reales
• Estos modelos son MUY aproximados
• Las ANNs solo son un sistema de computación paralela inspirados por las redes de
neuronas biológicas
95
Redes Neuronales
Introducción
Las ANN se pueden usar para
• tener un modelo del cerebro y así poder entender mejor su funcionamiento
96
Redes Neuronales
Introducción
¿Sistema de computación eficiente ?
• Masivamente paralelo
• Con capacidad de aprendizaje y generalización
• Tolerante a fallos (de las unidades)
• Tolerantes al “ruido”
97
Redes Neuronales
Biología
98
Redes Neuronales
Biología
Entradas
99
Salidas
Redes Neuronales
Modelo de McCulloch-Pitts
• Unidad lógica con umbral (𝜃)
𝑖𝑛1
𝑖𝑛2
Σ 𝑜𝑢𝑡
𝑖𝑛𝑛
𝑛 𝑛
100
Redes Neuronales
Modelo de McCulloch-Pitts
Más en general: entradas con pesos y función de transferencia
𝑤𝑖1
𝑤𝑖2
𝑦𝑗
Σ 𝑓 𝑦𝑖
𝑤𝑖𝑛
𝑦𝑖 = 𝑓 𝑤𝑖𝑗 𝑦𝑗
𝑗
102
Fuente: https://www.microsiervos.com/
Redes Neuronales
Arquitecturas
• Una capa FEED FORWARD(*) (Perceptron)
• Redes multicapas FEED FORWARD(*)
• Redes recurrentes
104 0 θ
Redes Neuronales
Perceptron- Una capa FEED FORWARD
En general, el perceptron define un hiperplano (plano en n dimensiones = “decision
hyperplane”)
El perceptron solo puede aplicarse a conjuntos de datos linealmente separables
105
Redes Neuronales
Ventajas
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se
llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como
entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
Auto organización: Una RNA crea su propia representación de la información en su
interior, descargando al usuario de esto.
Tolerancia a fallos: Debido a que una RNA almacena la información de forma
redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña
parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la información de
entrada, como señales con ruido u otros cambios en la entrada (ej. si la información
de entrada es la imagen de un objeto, la respuesta correspondiente no sufre
cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente)
Tiempo real: La estructura de una RNA es paralela, por lo cuál si esto es
implementado con computadoras o en dispositivos electrónicos especiales, se
pueden obtener respuestas en tiempo real.
106
Redes Neuronales
Inconvenientes
• Complejidad de aprendizaje para grandes tareas, cuanto más cosas se necesiten que
aprenda una red, mas complicado será enseñarle.
• Tiempo de aprendizaje elevado. Esto depende de dos factores: primero si se incrementa la
cantidad de patrones a identificar o clasificar y segundo si se requiere mayor flexibilidad o
capacidad de adaptación de la red neuronal para reconocer patrones que sean sumamente
parecidos, se deberá invertir mas tiempo en lograr que la red converja a valores de pesos
que representen lo que se quiera enseñar.
• No permite interpretar lo que se ha aprendido, la red por si sola proporciona una salida, un
número, que no puede ser interpretado por ella misma, sino que se requiere de la
intervención del programador y de la aplicación en si para encontrarle un significado a la
salida proporcionada.
• Elevada cantidad de datos para el entrenamiento, cuanto mas flexible se requiera que sea
la red neuronal, mas información tendrá que enseñarle para que realice de forma adecuada
la identificación.
Otros problemas con las redes neuronales son la falta de reglas definitorias que ayuden a
realizar una red para un problema dado.
107
Algoritmos Genéticos
Introducción
Son algoritmos de optimización búsqueda y aprendizaje
inspirados en los procesos de:
EVOLUCIÓN NATURAL
EVOLUCIÓN GENÉTICA
108
Fuente: http://dineroclub.net/
Algoritmos Genéticos
Conceptos Básicos
• Trait - “Rasgo”
• Genotype - Conjunto de los genes de un individuo (RAE)
• Phenotype - Manifestación (…) del genotipo (RAE)
• Rasgos fenotípicos:
• Comportamiento / diferencias físicas que afectan la respuesta a ambiente
• Determinado en parte por la herencia, en parte por factores durante
desarrollo
• Único para cada individuo, en parte como resultado de cambios aleatorios
• Si los rasgos fenotípicos:
• Conducen a mayores posibilidades de reproducción
• Puede ser heredado entonces tenderán a aumentar en las generaciones
siguientes
109
Algoritmos Genéticos
Conceptos Básicos
• La población se compone de un conjunto diverso de individuos
• Los individuos son "unidades de selección"
• La población es la "unidad de evolución"
• Las combinaciones de rasgos mejor adaptados tienden aumentar la
representación en la población
• Las variaciones ocurren a través de cambios aleatorios que producen
fuente constante de diversidad, junto con la selección
• La información necesaria para construir un organismo vivo está codificada
en el ADN de ese organismo
• El genotipo (Genotype) (ADN en el interior) determina el fenotipo (phenotype)
• Genes → rasgos fenotípicos (phenotypic traits) es un mapeo complejo
• Un gen puede afectar muchos rasgos (pleiotropy)
• Muchos genes pueden afectar un rasgo (polygeny)
• Los cambios en el genotipo conducen a cambios en el organismo.
(por ejemplo, altura, color de cabello)
110
Algoritmos Genéticos
Genes y Genoma
• Los genes están codificados en cadenas de ADN llamadas cromosomas
• En la mayoría de las células, hay dos copias de cada cromosoma.(diploidy)
• El material genético completo en el genotipo de un individuo es llamado el
genoma
• Dentro de una especie, la mayor parte del material genético es el mismo
111
Algoritmos Genéticos
Elementos
112
Algoritmos Genéticos
Cruce
• Los pares de cromosomas se alinean y duplican
• Los pares internos se enlazan en un centrómero e intercambian partes de sí
mismos.
114
Algoritmos Genéticos
El ciclo de la evolución
115
Algoritmos Genéticos
Ventajas
116
Algoritmos Genéticos
Inconvenientes
• Como ocurre en muchos problemas de optimización, si tiene una alta complejidad
entonces la función de evaluación puede resultar demasiado costosa en términos de
tiempo y recursos.
• Hay casos en los que, dependiendo de los parámetros que se utilicen para la
evaluación, el algoritmo puede no converger a una solución óptima, o bien terminar en
una convergencia prematura con resultados no satisfactorios (es decir, devolviendo un
óptimo local o incluso un punto arbitrario).
• No poseen una buena escalabilidad con la complejidad. En sistemas en los que
intervienen muchas variables, componentes o elementos el espacio de búsqueda
asociado puede crecer de manera exponencial debido, entre otras cosas, a las
relaciones no lineales que puedan surgir entre los subconjuntos de variables.
• La mejor solución lo es solo en comparación a otras soluciones, por lo que no se tiene
demasiado claro un criterio de cuándo detenerse ya que no se cuenta con una solución
específica.
• El diseño de la función de aptitud (fitness) y la selección de los criterios de mutación
entre otros, necesitan de cierta pericia y conocimiento previo del problema para
117 obtener buenos resultados.
Progreso del curso
En este punto de la materia el estudiante debería disponer de los conocimientos básicos
de los métodos de búsqueda, lógica borrosa, redes neuronales, algoritmos genéticos y
haber realizado la práctica necesaria que permita continuar con el programa de estudio.
118
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 3
MACHINE LEARNING
Introducción 126
Algoritmos 127
Ventajas 128
Deep Learning 129
Aplicaciones 130
VISIÓN ARTIFICIAL
Introducción 135
Etapas 136
119
Procesamiento de imágenes 137
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 3
Visión por computador 138
Machine Vision 139
Imaging 140
Reconocimiento de patrones 141
Estructura de un sistema VC 142
SISTEMAS DE INSPECCIÓN ARTIFICIAL
Introducción 143
Ventajas 145
Células de Inspección de Visión 146
Importancia 148
120 Más aplicaciones 149
Contenido
El semestre se dividirá en tres módulos. A continuación observaremos los
contenidos generales de cada uno de ellos.
Módulo 3
Práctica 1 Adquisición 151
Práctica 2 Imagen 167
Práctica 3 Transformaciones 170
Ejemplo Práctico 176
121
Módulo 3
Machine Learning
Sistemas de
Visión Artificial
Inspección Artificial
122
Módulo 3 Clase: Machine Learning
(Video Diferencias entre Inteligencia Artificial – Machine Learning –
Deep Learning)
124
Resultados de aprendizaje
Al finalizar este módulo estarás en capacidad de:
125
Machine Learning
Introducción
• Eficacia de la operación
• Detección de anomalías y resolución de problemas
• Incremento de ingresos en la operación
• Disminución de costes en la operación
• Crecimiento del mercado global
128
Machine Learning
Deep Learning
129
Machine Learning
Aplicaciones VEHÍCULOS INTELIGENTES
Fuente: https://www.greencarcongress.com/
Según el informe Automotive 2025: industry without borders de IBM, en 2025 ya veremos
coches inteligentes en las carreteras. Gracias al aprendizaje automático, estos vehículos
podrán ajustar la configuración interna (temperatura, música, inclinación del respaldo, etc.)
130 de acuerdo a las preferencias del conductor e, incluso, mover el volante solos para
reaccionar al entorno.
Machine Learning
AplicacionesPROCESAMIENTO DE LENGUAJE NATURAL (PNL)
Fuente: https://www.destreaming.es/
A través de la comprensión del lenguaje humano, asistentes virtuales como Alexa o Siri
pueden traducir instantáneamente de un idioma a otro, reconocer la voz del usuario e
incluso analizar sus sentimientos. Por otro lado, el PLN también se utiliza para otras tareas
131 complejas como traducir la jerga legal de los contratos a un lenguaje sencillo o ayudar a
los abogados a ordenar grandes volúmenes de información relativos a un caso.
Machine Learning
Aplicaciones REDES SOCIALES
Fuente: https://tentulogo.com/
Twitter, por ejemplo, se sirve de algoritmos de Machine Learning para reducir en gran
medida el spam publicado en esta red social mientras que Facebook, a su vez, lo utiliza
para detectar tanto noticias falsas como contenidos no permitidos en retransmisiones en
132 directo que bloquea automáticamente.
Machine Learning
Aplicaciones
MEDICINA
Fuente: https://www.paradigmadigital.com/
Fuente: https://computerhoy.com/
135
Visión Artificial
Etapas
• Adquisición
• Procesamiento
• Preprocesamiento
• Transformaciones de la imagen para mejorar sus
características
• Facilita las siguientes etapas
• Segmentación
• División de la imagen en regiones con significado
• Descripción
• Parametrización de las regiones de interés en la imagen
• Reconocimiento
• Comparación de la descripción con la base de
conocimiento
136
Visión Artificial
Procesamiento de imágenes
• Transformación de una imagen en otra
• Operaciones pixel a pixel
• Transformaciones de imagen
• Operaciones geométricas
• No se formulan hipótesis previas
• No se generan interpretaciones de la imagen
137
Visión Artificial
Visión por Computador
• Recuperar información de la escena 3D partiendo de una/varias
imagen/es
• Normalmente se basa en una/varias hipótesis sobre la escena
138
Visión Artificial
Machine Vision
• Suele hacer referencia a aplicaciones industriales
• guiado de robots
• inspección
• medida...
• Suele implicar la integración de:
• tecnología de sensores
• teoría de control
• sistemas de tiempo real
139
Visión Artificial
Imaging
• Suele hacer referencia al proceso de generar una imagen
• En ocasiones también incluye aspectos de procesamiento y análisis
• Medical imaging
140
Visión Artificial
Reconocimiento de Patrones
• Métodos para extraer información de señales en general
• Normalmente estadísticos
• Una parte importante de esta disciplina se ocupa
de imágenes
141
Visión Artificial
Estructura Sensor
Escena
143
Fuente: https://www.sieogroup.com/
Sistemas de Inspección Artificial
Introducción
• Los SISTEMA DE INSPECCIÓN ARTIFICIAL aplicados a la industria permiten obtener,
procesar y analizar imágenes con la finalidad de puedan ser procesadas por un
ordenador. Esto permite automatizar una amplia gama de tareas al aportar a las
máquinas la información que necesitan para la toma de decisiones correctas en cada
una de las aplicaciones DE INSPECCIÓN que les han sido asignadas.
144
Sistemas de Inspección Artificial
Ventajas
• Reducir costes
Un objetivo prioritario en toda actividad y en la que la visión artificial industrial
interviene con antelación, detectando lotes en mal estado, evitando que estos sean
entregados al cliente final e informando dónde están los errores y las correcciones
necesarias que hay que introducir en cada fase.
• Aplicar consistencia a la cadena de montaje
Al tratarse de un proceso automatizado y programado previamente bajo unos estándares,
los controles de calidad e inspección de piezas y procesos se realizan con total
objetividad, replicando el mismo proceso sin variaciones.
• Realizar tareas repetitivas sin que el rendimiento se vea afectado
Al aplicar un proceso de control bajo las mismas condiciones, se asegura que los robots
inteligentes actúen de la misma forma y repitan las mismas acciones y las mismas
decisiones en toda la producción.
Al funcionar bajo unos parámetros establecidos, da igual que haya repetido la misma
acción una que cientos de veces, ya que el sistema automatizado va a comportarse igual y
siempre va actuar desde su capacidad de procesar y analizar datos que se convierten en
145 información.
Sistemas de Inspección Artificial
Células de Inspección de Visión
• Es uno de los SISTEMAS DE INSPECCIÓN DE VISIÓN ARTIFICIAL INDUSTRIAL que se
aplica directamente sobre la cinta transportadora de la línea de producción. Un sensor
detecta la presencia de una pieza o producto, de manera que la cámara se activa y
prepara para tomar la imagen.
146
Fuente: https://www.bcnvision.es/blog-vision-artificial/
Sistemas de Inspección Artificial
Células de Inspección de Visión
• El propio software integrado en la cámara inteligente envía la imagen a un ordenador
donde se analiza la imagen, obteniendo mediciones y datos que garantizan si el objeto
es correcto o defectuoso. Si es correcto, el objeto continúa su camino dentro de la
línea de producción. En cambio, si tiene algún fallo o defecto, el propio sistema actúa
en este momento y toma la decisión de expulsarlo de la línea para que no continúe
hasta la fase final.
• A simple vista, aunque parezca que en este proceso de inspección solo ha actuado la
cámara, el sistema de visión está compuesto por diferentes elementos que le permiten
actuar de forma exitosa, como los sensores, la iluminación de la cámara para tomar la
imagen en detalle, el ordenador que procesa y proporciona datos o la apertura que
expulsa al objeto si no cumple los requisitos de calidad.
• Todo esto es posible gracias a la interrelación y conectividad que hay entre los
diferentes sistemas automatizados, y lo que hoy se conoce como M2M: Comunicación
de Máquina a Máquina.
147
Sistemas de Inspección Artificial
Importancia
• Esto demuestra que los sistemas de inspección a base de cámaras de visión artificial
no actúan como células aisladas, sino que son sistemas automatizados dotados de la
suficiente inteligencia como para transmitir datos, recibirlos y actuar sobre la línea de
producción.
• Actualmente se está trabajando en que los sistemas de visión artificial puedan realizar
predicciones con los datos que obtienen de las tareas de inspección, facilitando
detectar en qué proceso o fase ha habido un error y corregirlo antes de seguir
generando objetos defectuosos.
Esto puede ser, por ejemplo, simplemente emitiendo una señal de que un robot
automatizado necesita el reemplazo de una pieza por desgaste y calcular con antelación
la vida útil de esa pieza, antes de que el desgaste afecte a la calidad del producto final. Y
esto no es más que el comienzo de las posibilidades de aunar la visión artificial con las
últimas tecnologías.
148
Sistemas de Inspección Artificial
Más Aplicaciones
SISTEMAS DE INSPECCIÓN POR VISIÓN PARA EL CONTROL DE ETIQUETADO
151
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: INFORMACIÓN DE LA CÁMARA
152
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: INFORMACIÓN DE LAS CÁMARAS
153
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: INFORMACIÓN DE FORMATOS
154
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: OBJETO DE VIDEO
155
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: VISUALIZACIÓN
156
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: CAPTURA
157
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: ACCESO A LA INFORMACIÓN
158
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: CANALES DE IMAGEN
159
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: VISUALIZACIÓN DE DATOS
160
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: LEER Y ESCRIBIR
161
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: RESUMEN
162
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: CONVERSIÓN DE COLOR
163
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: CÁMARA DEL MÓVIL
Instalar IP Webcam
164
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: CONECTARSE A LA CÁMARA
• Crear punto de acceso con el móvil
• Conectar el computador al punto de acceso creado
165
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 1: ACCESO A LA CÁMARA
166
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 2: IMAGEN
167
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 2: RESOLUCIÓN ÓPTIMA
168
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 2: INFORMACIÓN DE COLOR
169
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 2: FUNCIONES DE MATLAB
• Entre espacios de color
170
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 3: TRANSFORMACIONES
171
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 3: TRANSFORMACIONES
172
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 3: TRANSFORMACIONES
173
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 3: TRANSFORMACIONES
174
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
PRÁCTICA 3: TRANSFORMACIONES
175
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
EJEMPLO PRÁCTICO
177
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Sistemas de Inspección Artificial
Matlab Visión Por Computador
EJEMPLO PRÁCTICO
178
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
Progreso del curso
En este punto de la materia el estudiante debería disponer de los conocimientos básicos
de machine learning, visión artificial y de los sistemas de Inspección Inteligentes, haber
realizado la práctica necesaria que permita continuar con el programa de estudio.
179
Referencias bibliográficas
180
Somos camaleones!
Muchas Gracias
www.ismac.edu.ec
Somos camaleones!
181