Sistemas de Inspeccion Inteligente Ismac

Sistemas de Inspección
Inteligente
Modalidad Presencial
ecomina@tecnologicoismac.edu.ec
0983071285
Cuarto semestre
Resumen General del Curso
Los sistemas de inspección inteligentes son conjuntos de dispositivos y sistemas que

ayudan, a través de la inteligencia artificial, a verificar que los productos tengan las
especificaciones adecuadas. Aplicaremos conceptos básicos de sistemas expertos, lógica
borrosa, búsqueda heurística, redes neuronales, algoritmos genéticos, machine learning y
visión artificial.
Que aprenderás al finalizar ?

Al finalizar la asignatura tendrás la capacidad de manejar conceptos básicos de
inteligencia artificial, identificación de los diferentes algoritmos, ventajas y desventajas
de las diferentes técnicas aplicadas a sistemas electromecánicos
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
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
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
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:
• Manejar conceptos básicos de inteligencia artificial

• Definir los problemas basados en razonamiento y aprendizaje
• Identificar los métodos de búsqueda de soluciones
• Determinar las diferencias entre las diferentes técnicas de la inteligencia artificial
7
Introducción
Clase: Introducción a la Inteligencia Artificial
Tarea: Realice una consulta sobre los criterios y
La importancia de los sistemas de Inteligencia Artificial
Módulo 1 Clase: Objetivos de la Inteligencia Artificial

Tarea: Realice un resumen de los sistemas de visión artificial aplicados
Introducción a (Video: Inteligencia Artificial - IBM)

https://www.youtube.com/watch?v=5rvZBsueMoc
la Inteligencia
Plataforma YouTube.
Clase: Paradigmas de la Inteligencia Artificial
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
Introducción a Inteligencia Artificial.
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
El estudiante estará en capacidad al finalizar el de Identificar los conceptos básicos de

la Inteligencia Artificial y sus aplicaciones.
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
ARTIFICIAL
Objetivos de la Inteligencia Artificial
• Desarrollar máquinas inteligentes capaces de:
- Aprender a través de la experiencia

-Exhibir verdadera creatividad
-Tomar sus propias decisiones
-E interactuar con el medio que las roda.
• Ello implica desarrollar las capacidades de las computadores más allá de su uso
tradicional.
12
ARTIFICIAL
Técnicas Básicas
• Lenguajes y herramientas de programación

• Representación del conocimiento
• Razonamiento lógico
• Reglas de inferencia
• Algoritmos de búsqueda
• Lenguaje natural
13
ARTIFICIAL
Aplicaciones
• Ingeniería (robótica, control de procesos, inspección aeronáutica, etc)
• Medicina
• Gestión y planificación
• Sociales (ajedrez, juegos, etc)
EN TODAS LAS ACTIVIDADES
14
Fuente: https://manufactura.mx/industria
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
ARTIFICIAL
Aplicaciones
Robot en la Industria Química - Análisis Predictivo Mantenimiento Predictivo de Robots
16 Fuente: https://www.forbes.com.mx Fuente: http://www.automaticaeinstrumentacion.com/

ARTIFICIAL
Aplicaciones
Control de Calidad
• El control de calidad siempre ha sido uno de los
procesos más decisivos y relevantes en una
planta industrial. Principalmente, porque esta
fase tiene importantes consecuencias tanto en el
resultado del producto final y con ello en la
satisfacción del cliente-, como en
la ORGANIZACIÓN Y EFICIENCIA de la cadena de
montaje.
• Toda industria que se precie y quiera mantener
un buen nivel de competitividad y
posicionamiento en el mercado dedica
importantes recursos y esfuerzos en ver cómo
mejorar la automatización de los procesos y
comprobar los resultados que arrojan
17 estos, gracias a los sistemas de inspección y los
Fuente: https://blog.infaimon.com// RIGUROSOS CONTROLES DE CALIDAD.
ARTIFICIAL
Aplicaciones
Sistemas de selección y evaluación inteligente
basadas en imágenes
• Detectar errores en las piezas elaboradas en la

cadena de montaje y productos finales.
18
Fuente: https://blog.infaimon.com//
ARTIFICIAL
Aplicaciones
Células de Inspección Total
• La visión artificial industrial es capaz de operar a

nivel global, por lo que se garantiza integrar un
sistema de inspección y control en todas las
fases, de manera que se consigue una
producción totalmente supervisada y que opera
bajo los estándares de calidad necesarios para
obtener un producto final satisfactorio y
rentable.
19
Fuente: https://blog.infaimon.com//
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
Estrategias Redes Neuronales
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?
• ¿ Con qué nivel de detalle?
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
❑ Los datos numéricos que aparecen en una analítica de sangre

❑ Los datos de los sensores de una planta industrial
24
REPRESENTACIÓN DEL
CONOCIMIENTO
CONOCIMIENTO
• Es el conjunto de datos de primer orden, que modelan de forma estructurada la experiencia

que se tiene sobre un cierto dominio o que surgen de interpretar los datos básicos.
EJEMPLO
❑ La interpretación de los valores de la analítica de sangre o de los sensores de la planta

industrial para decir si son normales, altos o bajos, preocupantes, peligrosos, ...
❑ El conjunto de estructuras de datos y métodos para diagnosticar a pacientes a partir de la
interpretación del análisis de sangre, o para ayudar en la toma de decisiones de que hacer en la
planta industrial
25
REPRESENTACIÓN DEL
CONOCIMIENTO
• Los sistemas de IA necesitan diferentes tipos de conocimiento que no suelen estar disponibles
en bases de datos y otras fuentes de información:
• Conocimiento sobre los objetos en un entorno y posibles relaciones entre ellos.

• Conocimiento sobre los procesos en los que interviene o que le son útiles.
• Conocimiento difícil de representar como datos básicos, como la intensionalidad, la
causalidad, los objetivos, información temporal, conocimiento que para los humanos es “de
sentido común”, etc.
• Intuitivamente se puede decir que:
Conocimiento = Información + Interpretación
26
REPRESENTACIÓN DEL
CONOCIMIENTO
Representación del conocimiento
Su forma o
estructura
Para representar algo se

Que uso le dan los
seres inteligentes
necesita saber:
Que uso le dará una
inteligencia artificial
Como adquirir el
conocimiento
Como almacenarlo o
27
manipularlo
REPRESENTACIÓN DEL
CONOCIMIENTO
Representación del conocimiento
• Por desgracia no hay respuestas completas para todas estas preguntas

desde el punto de vista biológico o neurofisiológico.
-Se construirán modelos que simulen la ADQUISICIÓN, ESTRUCTURACIÓN Y

MANIPULACIÓN DEL CONOCIMIENTO y que permitan crear sistemas artificiales
inteligentes.
28
REPRESENTACIÓN DEL
CONOCIMIENTO
Esquema de representación
Un ESQUEMA DE REPRESENTACIÓN es un instrumento para codificar la realidad en un

ordenador
Es importante distinguir entre:
• El mundo real (lo que se desea representar) → DOMINIO

• Su representación → uno o más ESQUEMAS DE REPRESENTACIÓN
Desde un punto de vista informático un esquema de representación puede ser descrito

como una combinación de: PARTE ESTÁTICA Y PARTE DINÁMICA.
29
REPRESENTACIÓN DEL
CONOCIMIENTO
Partes
Estática Dinámica
Estructuras de datos que almacenan

conocimiento referente al entorno
Estructuras de datos que codifican en el que se desarrolla el problema
el problema en curso con el que se y procedimientos que manipulan las
enfrenta el agente estructuras de forma consistente
con una interpretación plausible de
30 las mismas.
REPRESENTACIÓN DEL
CONOCIMIENTO
PARTE ESTÁTICA
• La parte estática está formada por:
• Estructura de datos que codifica el problema
• Operaciones que permiten crear, modificar y destruir elementos en la estructura
• Predicados que dan un mecanismo para consultar esta estructura de datos
• Semántica de la estructura: se necesita definir la relación entre la realidad y la

representación escogida.
R(Elemento_estructura, Mundo Real)

31
REPRESENTACIÓN DEL
CONOCIMIENTO
PARTE DINÁMICA
• La parte dinámica esta formada por:
• Estructuras de datos que almacenan conocimiento referente al entorno/dominio en

el que se desarrolla el problema.
• Procedimientos que permiten:
• 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 Conocimiento Conocimiento

Relacional Heredable Inferible
33
REPRESENTACIÓN DEL
CONOCIMIENTO
Tipos de conocimiento
CONOCIMIENTO DECLARATIVO
• El conocimiento se representa de forma independiente a su uso

• posterior.
• El control del uso adecuado se logra:
• Mediante heurísticas de propósito general que determina la mejor

• Manera de usar el conocimiento
• Mediante la adición de información sobre el control del uso del
• Conocimiento declarativo que dirija al mecanismo de resolución
CONOCIMIENTO PROCEDIMENTAL
• El conocimiento representado implica la inclusión de información sobre

34 como usarlo
REPRESENTACIÓN DEL
CONOCIMIENTO
Conocimiento Relacional Simple
• La forma más simple de representar hechos declarativos es mediante un conjunto de
relaciones expresables mediante tablas (como en una Base de Datos). EJEMPLO: colección
de información sobre los clientes de una empresa
CLIENTE DIRECCIÓN VOLUMEN COMPRAS …
A. Perez Av. America 1278963
J. Lopez Av. Amazonas 3369874
,,,,
• Problema: tal cual no aporta mucha información

• Hemos de aportar procedimientos que lo enriquezcan → Motor de inferencia: genera
conocimiento a partir de información. Ejemplo:media de compras en una población,
mejor cliente, tipología de clientes.
35 • Las Bases de Datos pueden proporcionar información a los SBC.
REPRESENTACIÓN DEL
CONOCIMIENTO
Conocimiento Heredable
• Suele ser muy útil el disponer de una estructuración jerárquica del conocimiento
(taxonomía jerárquica).
• Se trata de construir un árbol o grafo de conceptos basado en la generalización y/o
especialización.
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.
∀ 𝑥, 𝑦: 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑥 ˄ ¬𝑚𝑒𝑛𝑜𝑟 𝑥 ˄ ¬ 𝑜𝑐𝑢𝑝𝑎𝑐𝑖𝑜𝑛 𝑥, 𝑦 → 𝑝𝑎𝑟𝑎𝑑𝑜 (𝑥)
• El mecanismo de inferencia en el caso de la lógica de primer orden se obtiene eligiendo

entre los métodos generales de resolución automática de teoremas que existen.
37
REPRESENTACIÓN DEL
CONOCIMIENTO
Conocimiento Procedimental
• Conocimiento que, a diferencia del declarativo, incluye la especificación de los procesos
de uso del conocimiento:
❑ Programas: utilizan funciones para obtener el conocimiento a partir de información o de

otro conocimiento que ya se tiene:
Fecha_nacimiento= DD-MM-AAAA; función Edad (Fecha_nacimiento:entero)
❑ Reglas de producción: si se cumplen unas condiciones entonces se realizan unas

acciones u otras.
SI condición ENTONCES acción
• Este tipo de conocimiento suele ser más eficiente computacionalmente, pero hace más
38 difícil la inferencia y la adquisición/modificación.
Búsqueda
• Una búsqueda es una selección de alternativas.
•Ejemplo: el problema del viajante de comercio.
B
A
E C
G
F
D
39
Árboles
Ejemplo: el juego del ajedrez.
ESTADO INICIAL
E11 E12
E21 E22 E23
E31 E.F E33 E34

40
Métodos de Búsqueda
• Ensayo y Error (Profundidad)
• Escalada
• Anchura primero
• Mejor primero
• Reducción
• Restricciones
• Análisis de medios y fines
41
General Problem Solver
• Newell y Simon, 1963, Ernst y Newell, 1969.
• “Todos los procesos de búsqueda pueden tratarse como un recorrido

sobre una estructura en forma de árbol en el que cada nodo representa
un estado y cada enlace una relación entre los estados”.
42
Búsqueda Heurística
• “Heuriken” significa descubrir: “Heurika”.
• Una heurística es una técnica que aumenta la eficiencia del proceso de

búsqueda.
43
Función Heurística
• ¿Es un estado mejor que otro?
′
𝑓 = 𝑔 + ℎ′
• g Medida de coste para llegar a este nodo (camino).
• h’ Estimación del coste adicional necesario para alcanzar un nodo

objetivo a partir del actual.
44
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
Generación de reglas mutadas
Análisis de calidad
Eliminación de reglas malas
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
Como cambia nuestra sociedad la inteligencia artificial

Véase https://www.youtube.com/watch?v=CM71Zu7E00E
también
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
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
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
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
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
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.
Clase: Redes neuronales

Artificial (Video ¿Qué es una red neuronal?)
Plataforma YouTube.
https://www.youtube.com/watch?v=MRIv2IwFTPg
Tarea: Indique cuáles son las características de las redes
neuronales.
Clase: Algoritmos Genéticos

(Video ¿Qué son los algoritmos genéticos?)
Plataforma YouTube.
https://www.youtube.com/watch?v=K88hTnzo-tI
Tarea: Indique cuáles son las características y el funcionamiento
60
de los algoritmos genéticos
• Identificar las diferentes técnicas de la Inteligencia Artificial

• Reconocer los diferentes métodos de búsqueda
• Identificar los componentes de las redes neuronales y los algoritmos genéticos.
61
Métodos, Algoritmos, Programas
Un MÉTODO (o Paradigma) es un framework general para la búsqueda de

soluciones (no es específico de un problema concreto).
Un ALGORITMO es una instanciación de un Método para un problema específico.

-Nivel de abstracción bajo: plantilla
-Nivel de abstracción alto: estructuras de datos concretas, trucos de
programación para mejorar la eficiencia
Un PROGRAMA es la implementación en un lenguaje de programación de un

algoritmo.
62
Método General - Esquema
REPRESENTACIÓN
PROBLEMA COMO ESPACIO DE
ESTADOS
SOLUCIÓN
DISEÑO E IMPLEMENTACIÓN DE REPRESENTACIÓN EN LA

UN ÁRBOL MEMORIA DE UN COMPUTADOR
(Genera un árbol de búsqueda) (Lenguaje de programación)
63
Clasificación
Métodos de
Búsqueda
Métodos
Métodos Exactos
Aproximados
64
Clasificación – Métodos exactos
• Búsqueda desinformada
❑ Primero en profundidad
❑ Primero en anchura
• Búsqueda informada (heurístico de decisión)

❑ Primero el mejor
❑ A* (coste hasta el momento y estimación a destino)
❑ Ramificación y poda
Suelen incluir algún mecanismo de vuelta-atrás (backtracking)
65
Clasificación – Métodos aproximados
Heurístico
Conjunto de reglas de “sentido común” que tienden a aumentar la
probabilidad de resolver un problema específico.
• Basados en el refinamiento de soluciones (local search)
❑ Se parte de una solución candidata ilegal. Se definen

heurísticos que permiten refinar dicha solución hasta
que convertirla en legal.
• Basados en la construcción de soluciones (greedy

algorithms)
❑ Se parte de una solución parcial. Se definen
heurísticos para completar dicha solución.
66
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.
Análisis de redes sociales

mediante teoría de grafos
67
Fuente: https://revistadigital.inesem.es/
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)
• Algunos grafos relevantes

-Simples
-Completos
-Bipartitos
• Multigrafos
68 -Múltiples aristas entre la misma pareja de vértices
Tipos de Grafos: Pesos
3
3 4
1
7
2
10
6 7
8
5
5
69 0 4
0
Tipos de Grafos: Aristas
0
0 1
1
2
2
3 4
3 4 DIRIGIDO
NO DIRIGIDO
70
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
• Definición: Un grafo es conexo si para 0 0

toda pareja de vértices (u, v) existe un 1 1
camino de u a v
• Corte: Conjunto de aristas que, al
4 4
quitarlas, convierten al grafo en no 2
conexo 2
• Conectividad κ(G): Tamaño del corte 3 3
71
más pequeño
CONEXO: κ (G)=? CONEXO: κ (G)=?
Árboles, bosques y ciclos
0
8
• Árbol: Grafo no dirigido tal que dos
vértices cualesquiera están conectados 3 2 1 0 9
7
por exactamente un camino
• Bosque: Unión disjunta de árboles 4 6 5 3 2 1
• Ciclo: Camino que empieza y acaba en
un mismo vértice
0 4 6 5
• Ciclo dirigido: Ciclo en grafo dirigido
coherente con el sentido de las aristas 1
• DAG (Directed Acyclic Graph): un grafo
3
dirigido sin ciclos dirigidos 0 0
2
1 1
3 3
2 2
72
DAG
Aplicaciones
• 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
Aplicaciones
Plano de autopistas
74
Fuente: https://slideplayer.es/slide/7306807/
Aplicaciones
Visión Artificial
75
Aplicaciones
Construcción de grafos a partir de redes viales
76
Fuente: http://informesdelaconstruccion.revistas.csic.es/
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.
• Esto implica la existencia de mucha bibliografía sobre la componente matemática

de la lógica borrosa y bastante menos sobre sus aplicaciones (en concreto, a
control).
• La Lógica Difusa es una lógica multivaluada que permite representar

matemáticamente la incertidumbre y la vaguedad, proporcionando herramientas
formales para su tratamiento
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:
SI (x es Xi) ENTONCES (y es Yi)
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
• Tras la aparición de la lógica borrosa en los años 60, a partir de los

años 70, tras publicarse el controlador de Mamdani, comienzan a
extenderse sus aplicaciones en el campo del control de procesos.
• Desde entonces han sido más cada vez sus aplicaciones

industriales.
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
SI (e es 𝐸𝑖 ) Y (ce es C𝐸𝑗 ) Y (se es S𝐸𝑘 ) ENTONCES (u es 𝑈𝑖𝑗𝑘 )

84
Lógica Borrosa
Estructura del controlador
El esquema es el siguiente:
85
Lógica Borrosa
Estructura del controlador
86
Lógica Borrosa
Ventajas
• No es necesario un modelo preciso del sistema a controlar.

• Se implementan fácilmente los conocimientos del operador humano (reglas
en términos lingüísticos).
• Resulta posible alcanzar con facilidad las especificaciones de tiempo y
transitorio fijadas.
• El controlador borroso es poco sensible a cambios de los parámetros del
sistema a controlar (no es lineal).
• Permiten contemplar situaciones excepcionales del estado del proceso,
gracias a su forma de representar el conocimiento.
87
Lógica Borrosa
Inconvenientes
• Resulta imprescindible la presencia de un experto que

suministre el conocimiento necesario.
• Una modificación en los parámetros del controlador obliga a una revisión de

todo el conjunto de reglas para detectar la aparición de nuevas inconsistencias
o tendencias hacia la inestabilidad.
88
Lógica Borrosa
Aplicaciones
• La elección entre lógica borrosa y lógica clásica es función del problema a

resolver.
• La lógica borrosa es apropiada cuando trabajamos:
• En presencia de incertidumbre.
• Con información cualitativa.
• Con problemas que es capaz de resolver un experto humano.
• A pesar de manejar conceptos vagos es posible dar soluciones a problemas
que aparecen en el mundo real.
89
Lógica Borrosa
Aplicaciones
• A nivel industrial:
• Procesos difíciles de AUTOMATIZAR y que, paradójicamente, son

controlados fácilmente por operadores humanos.
• Procesos con INCERTIDUMBRE, poco definidos.
• Casos en los que es difícil la ESTIMACIÓN de los parámetros que
definen el proceso.
• Sistemas COMPLEJOS, no lineales, de orden elevado, variantes
con el tiempo.
• Situaciones en las que resulta difícil la MEDICIÓN del valor de las
variables a controlar (procesos biológicos, reacciones químicas
complejas).
90
Lógica Borrosa
Aplicaciones
VALIDACIÓN DE SENSORES
Obtención de valores de confianza

en [0, 1] para los sensores.
91
Lógica Borrosa
Aplicaciones
ANÁLISIS MODAL DE FALLOS Y DEFECTOS
En procesos de fabricación por

lotes.
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
Pero sobre todo para

• tener un sistema de computación eficiente
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
1. Las dendritas son receptores: reciben señales químicas de

otras neuronas
2. El cuerpo procesa el conjunto de las señales de entrada y las
convierte en una señal de salida
3. Las señal de salida se trasmite a través del axón
4.Las conexiones entre axones y dendritas se llaman sinapsis
5, El núcleo de la neurona contiene el material genético
98
Redes Neuronales
Biología
Entradas
Modelo: si la suma de las señales de entrada supera un cierto

umbral, la neurona dispara una señal de Salida.
Señal: potencial, tren de impulsos.
99
Salidas
Redes Neuronales
Modelo de McCulloch-Pitts
• Unidad lógica con umbral (𝜃)
• Entradas y salida binarias (0/1)
𝑖𝑛1
𝑖𝑛2
Σ 𝑜𝑢𝑡
𝑖𝑛𝑛
𝑛 𝑛
𝑜𝑢𝑡 = 1 𝑖𝑓 ෍ 𝑖𝑛𝑘 ≥ 𝜃 𝑜𝑢𝑡 = 0 𝑖𝑓 ෍ 𝑖𝑛𝑘 < 𝜃

𝑘=1 𝑘=1
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
101 𝒇 = "𝒇𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒕𝒓𝒂𝒏𝒔𝒇𝒆𝒓𝒆𝒏𝒄𝒊𝒂"

Redes Neuronales
Tipos de redes neuronales
102
Fuente: https://www.microsiervos.com/
Redes Neuronales
Arquitecturas
• Una capa FEED FORWARD(*) (Perceptron)
• Redes multicapas FEED FORWARD(*)
• Redes recurrentes
103 (*) Sin conexiones hacia atrás

(
Redes Neuronales
Perceptron- Una capa FEED FORWARD
1 capa de neuronas de McCulloch-Pitts 𝑛
𝑜𝑢𝑡𝑗 = 𝑓 ෍ 𝑜𝑢𝑡𝑖 𝑤𝑖𝑗 − 𝜃𝑗

𝑖=1
𝑓=1 𝑖𝑓 ෍ 𝑜𝑢𝑡𝑖 𝑤𝑖𝑗 − 𝜃𝑗 > 𝜃

𝑖=1
𝑓=0 𝑖𝑓 ෍ 𝑜𝑢𝑡𝑖 𝑤𝑖𝑗 − 𝜃𝑗 ≤ 0

𝑖=1
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
Introducción
Son algoritmos de optimización búsqueda y aprendizaje
inspirados en los procesos de:
EVOLUCIÓN NATURAL
EVOLUCIÓN GENÉTICA
108
Fuente: http://dineroclub.net/
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
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
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
Elementos
112
Cruce
• Los pares de cromosomas se alinean y duplican
• Los pares internos se enlazan en un centrómero e intercambian partes de sí
mismos.
• El resultado es una copia del cromosoma materno / paterno más dos

combinaciones completamente nuevas
• Después de cruzar uno de cada par entra en cada gameto
113
Mutación
• Ocasionalmente, parte del material genético cambia muy ligeramente durante
este proceso (error de replicación)
• Esto significa que el niño podría tener información del material genético no
heredada de ninguno de los padres
• Esto puede ser
• catastrófico: la descendencia no es viable (lo más probable)
• neutral: la nueva característica no influye en el estado físico
• ventajoso: se produce una nueva característica importante
• La redundancia en el código genético constituye una buena forma de
comprobación de errores
114
El ciclo de la evolución
115
Ventajas
• Basados en una metáfora biológica: evolución

• Gran potencialidad de aplicación
• Muy populares en muchos campos en los que otras
técnicas no encuentran solución
• Muy potentes en diversas aplicaciones
• Altas prestaciones a bajo costo
116
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
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
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
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
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)
Sistemas de Plataforma YouTube.

https://www.youtube.com/watch?v=6iVUKYgOihQ
Tarea: Realizar un cuadro comparativo de Inteligencia Artificial,
Inspección Artificial Machine Learning, Deep Learning.
Clase: Vision Artificial

(Video Visión Artificial Introducción)
Plataforma YouTube.
https://www.youtube.com/watch?v=xJrC0v2NcxI
Tarea: Identificar las etapas y características de la Visión Artificial
123
Módulo 3
Clase: Sistemas de inspección artificial
Sistemas de Tarea: Investigue los elementos, la importancia y las aplicaciones que

implementan sistemas de inspección artificial
(Video: Sistemas de visión artificial económico para medición e
Inspección Artificial inspección)
Plataforma YouTube.
https://www.youtube.com/watch?v=bv-gLIfjUww
124
• Estudiar los conceptos de Machine Learning ó Aprendizaje Automático

• Determinar las diferencias entre Machine Learning y Deep Learning
• Identificar los elementos de un sistema de Visión Artificial
• Determinar los conceptos de los Sistemas de Visión Artificial
125
Machine Learning
Introducción
• Es una disciplina científica del ámbito de la Inteligencia Artificial que crea

sistemas que aprenden automáticamente. Aprender en este contexto quiere
decir identificar patrones complejos en millones de datos.
• A través de algoritmos, dota a los ordenadores de la capacidad de identificar

patrones en datos masivos para hacer Predicciones.
• Este aprendizaje permite a los computadores realizar tareas específicas de

forma autónoma, es decir, sin necesidad de ser programados.
• El término se utilizó por primera vez en 1959. Sin embargo, ha ganado

relevancia en los últimos años debido al aumento de la capacidad de
computación y al boom de los datos. Las técnicas de aprendizaje automático
126 son, de hecho, una parte fundamental del Big Data.
Machine Learning
Algoritmos
• APRENDIZAJE SUPERVISADO: estos algoritmos cuentan con un aprendizaje previo
basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar
decisiones o hacer predicciones. Un ejemplo es un dependidetector dde los patrones
que e spam que etiqueta un e-mail como spam o no endo ha aprendido del histórico de
correos (remitente, relación texto/imágenes, palabras clave en el asunto, etc.).
• APRENDIZAJE NO SUPERVISADO: estos algoritmos no cuentan con un conocimiento

previo. Se enfrentan al caos de datos con el objetivo de encontrar patrones que permitan
organizarlos de alguna manera. Por ejemplo, en el campo del marketing se utilizan para
extraer patrones de datos masivos provenientes de las redes sociales y crear campañas
de publicidad altamente segmentadas.
• APRENDIZAJE POR REFUERZO: su objetivo es que un algoritmo aprenda a partir de la

propia experiencia. Esto es, que sea capaz de tomar la mejor decisión ante diferentes
situaciones de acuerdo a un proceso de prueba y error en el que se recompensan las
decisiones correctas. En la actualidad se está utilizando para posibilitar
127 el reconocimiento facial, hacer diagnósticos médicos o clasificar secuencias de ADN.
Machine Learning
Ventajas
• 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/
Investigadores del Instituto de Tecnología de Massachusetts (MIT) ya utilizan el Machine

Learning para detectar con mayor antelación el cáncer de mama, algo de vital importancia
ya que su detección temprana aumenta las probabilidades de curación. Asimismo, también
133 se utiliza con una alta eficacia para detectar neumonía y enfermedades de la retina que
pueden provocar ceguera.
Machine Learning
Aplicaciones
CIBERSEGURIDAD
Fuente: https://computerhoy.com/
Los nuevos antivirus y motores de detección de malware ya se sirven del aprendizaje

134 automático para potenciar el escaneado, acelerar la detección y mejorar la habilidad de
reconocer anomalías.
Visión Artificial
Introducción
• Rama de la inteligencia artificial y el procesamiento de imágenes
que se ocupa del procesamiento por computadora de imágenes del
mundo real.
• La visión por computadora generalmente requiere una
combinación de procesamiento de imágenes de bajo nivel para
mejorar la calidad de la imagen (por ejemplo, eliminar el ruido,
aumentar el contraste) y un reconocimiento de patrones de mayor
nivel y comprensión de la imagen para reconocer las características
presentes en la imagen.
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
Tarjeta de Adquisición de Datos

142 Host
Sistemas de Inspección Artificial
Introducción
• Los Sistemas de Inspección Visual Automatizados permiten controlar la calidad de todo
tipo de productos industriales haciendo uso de técnicas relacionadas con la VISIÓN y la
INTELIGENCIA ARTIFICIAL.
• La implantación de estos sistemas en las cadenas de producción permite no sólo
reducir los costes de fabricación sino mejorar simultáneamente la calidad final de los
productos.
143
Fuente: https://www.sieogroup.com/
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
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.
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/
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
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
Más Aplicaciones
SISTEMAS DE INSPECCIÓN POR VISIÓN PARA EL CONTROL DE ETIQUETADO
Soluciones inteligentes basadas en

cámaras para la mayoría de las
aplicaciones comunes de inspección de
149
Fuente: https://www.mt.com/es/es
etiquetas.
Más Aplicaciones
CELDA DE CARGA ROBÓTICA POR VISIÓN
Detección y registro de productos: una

cámara de visión y un codificador
registran las posiciones de los productos
y almacenan de forma dinámica los
valores en un búfer de datos FIFO (del
inglés First In, First Out, primero en
entrar, primero en salir) antes de
enviarlos al robot.
150
Fuente: https://www.mt.com/es/es
Matlab Visión Por Computador
PRÁCTICA 1: ADQUISICIÓN
151
Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019.
PRÁCTICA 1: INFORMACIÓN DE LA CÁMARA
152
PRÁCTICA 1: INFORMACIÓN DE LAS CÁMARAS
153
PRÁCTICA 1: INFORMACIÓN DE FORMATOS
154
PRÁCTICA 1: OBJETO DE VIDEO
155
PRÁCTICA 1: VISUALIZACIÓN
156
PRÁCTICA 1: CAPTURA
157
PRÁCTICA 1: ACCESO A LA INFORMACIÓN
158
PRÁCTICA 1: CANALES DE IMAGEN
159
PRÁCTICA 1: VISUALIZACIÓN DE DATOS
160
PRÁCTICA 1: LEER Y ESCRIBIR
161
PRÁCTICA 1: RESUMEN
162
PRÁCTICA 1: CONVERSIÓN DE COLOR
163
PRÁCTICA 1: CÁMARA DEL MÓVIL
Instalar IP Webcam
• Abrir la app y ajustar la resolución de video

• Iniciar servidor (scroll down)
• URL en pantalla de preview (abajo)
164
PRÁCTICA 1: CONECTARSE A LA CÁMARA
• Crear punto de acceso con el móvil
• Conectar el computador al punto de acceso creado
165
PRÁCTICA 1: ACCESO A LA CÁMARA
166
PRÁCTICA 2: IMAGEN
• Determinar la resolución óptima de imagen

• Analizar la información de color
• Espacio de color
• Canal(es) discriminante(s)
167
PRÁCTICA 2: RESOLUCIÓN ÓPTIMA
• Determinar el tamaño de imagen

• Ancho x alto (pixeles)
• Detalles distintivos visibles
• Menor cantidad de información
168
PRÁCTICA 2: INFORMACIÓN DE COLOR
• Tantear espacios de color

• Seleccionar el más adecuado a nuestro problema
• qué espacio separa mejor la información?
• en qué canal aparece esa información?
• solución factible en escala de grises (1 canal)?
169
PRÁCTICA 2: FUNCIONES DE MATLAB
• Entre espacios de color
• RGB a escala de grises
170
PRÁCTICA 3: TRANSFORMACIONES
• Estudio de la umbralización de la imagen

• Filtrados lineales: convolución
• Eliminación de ruido
• Detección de contornos
171
• Separación de objeto y fondo

• Trabajando sobre los canales de color (PII)
• Trabajando sobre el canal de luminancia (PII)
172
• Fijando el umbral a mano sobre el histograma
• Aplicando el umbral definido por Otsu
173
• Aproximación del histograma a plano
• Stretching de la imagen (ajuste de rango dinámico
174
• Añadir ruido aleatorio
• Añadir ruido gaussiano
• Filtrado del ruido

• Filtro de la media: paso bajo
• Filtro de la mediana: no paso bajo
175
EJEMPLO PRÁCTICO
176 OBJETO DE INTERÉS SEGMENTACIÓN EXTRACCIÓN DE

Fuente: Visión Por Computador, Máster en Automática Y Robótica, Universidad Politécnica de Madrid, Madrid, 2019. CARACTERÍSTICAS
EJEMPLO PRÁCTICO
177
EJEMPLO PRÁCTICO
178
Progreso del curso
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
• SZELISKI, Richard. Electrónica. “Computer Vision: Algorithms and Applications”. http://szeliski.org/Book/

• ZIMMERMANN, H.J. “Fuzzy Set Theory and Its Applications”.
• SAN SEGUNDO, Pablo. “Introducción a la Teoría de Grafos”.
• MATÍA, FERNANDO. “Paradigmas de la Inteligencia Artificial”.
180
Somos camaleones!
Muchas Gracias
www.ismac.edu.ec
Somos camaleones!
181

Sistemas de Inspeccion Inteligente Ismac

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sistemas de Inspeccion Inteligente Ismac

Cargado por

Copyright:

Formatos disponibles

Sistemas de Inspección

Los sistemas de inspección inteligentes son conjuntos de dispositivos y sistemas que

Que aprenderás al finalizar ?

• Manejar conceptos básicos de inteligencia artificial

Módulo 1 Clase: Objetivos de la Inteligencia Artificial

Introducción a (Video: Inteligencia Artificial - IBM)

Clase: Paradigmas de la Inteligencia Artificial

Introducción a Inteligencia Artificial.

El estudiante estará en capacidad al finalizar el de Identificar los conceptos básicos de

• Desarrollar máquinas inteligentes capaces de:

- Aprender a través de la experiencia

• Lenguajes y herramientas de programación

EN TODAS LAS ACTIVIDADES

16 Fuente: https://www.forbes.com.mx Fuente: http://www.automaticaeinstrumentacion.com/

• Detectar errores en las piezas elaboradas en la

• La visión artificial industrial es capaz de operar a

Estrategias Redes Neuronales

• ¿ Con qué nivel de detalle?

❑ Los datos numéricos que aparecen en una analítica de sangre

• Es el conjunto de datos de primer orden, que modelan de forma estructurada la experiencia

❑ La interpretación de los valores de la analítica de sangre o de los sensores de la planta

• Conocimiento sobre los objetos en un entorno y posibles relaciones entre ellos.

• Intuitivamente se puede decir que:

Conocimiento = Información + Interpretación

Para representar algo se

• Por desgracia no hay respuestas completas para todas estas preguntas

-Se construirán modelos que simulen la ADQUISICIÓN, ESTRUCTURACIÓN Y

Un ESQUEMA DE REPRESENTACIÓN es un instrumento para codificar la realidad en un

Es importante distinguir entre:

• El mundo real (lo que se desea representar) → DOMINIO

Desde un punto de vista informático un esquema de representación puede ser descrito

Estructuras de datos que almacenan

• La parte estática está formada por:

• Estructura de datos que codifica el problema

• Operaciones que permiten crear, modificar y destruir elementos en la estructura

• Predicados que dan un mecanismo para consultar esta estructura de datos

• Semántica de la estructura: se necesita definir la relación entre la realidad y la

R(Elemento_estructura, Mundo Real)

• La parte dinámica esta formada por:

• Estructuras de datos que almacenan conocimiento referente al entorno/dominio en

• Procedimientos que permiten:

Conocimiento Conocimiento Conocimiento

• El conocimiento se representa de forma independiente a su uso

• Mediante heurísticas de propósito general que determina la mejor

• El conocimiento representado implica la inclusión de información sobre

• Problema: tal cual no aporta mucha información

∀ 𝑥, 𝑦: 𝑝𝑒𝑟𝑠𝑜𝑛𝑎 𝑥 ˄ ¬𝑚𝑒𝑛𝑜𝑟 𝑥 ˄ ¬ 𝑜𝑐𝑢𝑝𝑎𝑐𝑖𝑜𝑛 𝑥, 𝑦 → 𝑝𝑎𝑟𝑎𝑑𝑜 (𝑥)

• El mecanismo de inferencia en el caso de la lógica de primer orden se obtiene eligiendo

❑ Programas: utilizan funciones para obtener el conocimiento a partir de información o de

Fecha_nacimiento= DD-MM-AAAA; función Edad (Fecha_nacimiento:entero)

❑ Reglas de producción: si se cumplen unas condiciones entonces se realizan unas

SI condición ENTONCES acción

•Ejemplo: el problema del viajante de comercio.

E21 E22 E23

E31 E.F E33 E34

• Ensayo y Error (Profundidad)

• Análisis de medios y fines

• Newell y Simon, 1963, Ernst y Newell, 1969.

• “Todos los procesos de búsqueda pueden tratarse como un recorrido

• “Heuriken” significa descubrir: “Heurika”.

• Una heurística es una técnica que aumenta la eficiencia del proceso de

• ¿Es un estado mejor que otro?