| Revue: | Computación y sistemas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000247813 |
| ISSN: | 1405-5546 |
| Autores: | Ramírez Alonso, Graciela María de Jesús1 Chacón Murguía, Mario Ignacio |
| Instituciones: | 1Instituto Tecnológico de Chihuahua, Chihuahua. México |
| Año: | 2005 |
| Periodo: | Jul-Sep |
| Volumen: | 9 |
| Número: | 1 |
| Paginación: | 17-27 |
| País: | México |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado |
| Resumen en español | Este artículo describe un clasificador neural que diferencía entre 7 tipos de defectos en maderas llamados botones. La inspección visual de estos defectos por humanos tiene un alto grado de complejidad debido a la varianza intraclase. Las características utilizadas se extrajeron de las imágenes de maderas mediante filtros Gabor de 2D. Estos filtros son pasa banda selectivos a la orientación y frecuencia, muy utilizados para imágenes en donde la textura es un factor importante. Para optimizar las características se realizó una reducción de dimensión del resultado de los filtros Gabor mediante el método de Análisis de Componentes Principales. La red neural que se implementó fue una red Perceptrón multicapa de 3 capas entrenada con el algoritmo de Resalient Backpropagation. La tasa de reconocimiento de la red fue de un 83.91%, siendo este resultado aceptable teniendo en cuenta que un inspector humano alcanza un reconocimiento entre el 75 y 85% |
| Resumen en inglés | This paper describes a neural classifier to classify 7 different wood defects called knots. Human visual inspection of these defects involves a high degree of complexity due to inter–class variance. 2D Gabor filters were used for feature extraction. These filters are selective band pass filters to orientation and frequency. These filters are used where texture is an important feature. The method of principal component analysis was used to reduce the number of features generated by the Gabor filters. The neural network implemented was a multilyer perceptron with 3 layers trained with the Resalient backpropagation algorithm. The performance of the classifier was 83.91% of correct classification. This result is acceptable considering that the performance of a human inspector is 75% to 85% |
| Disciplinas: | Ingeniería |
| Palabras clave: | Ingeniería electrónica, Madera, Defectos, Redes neuronales artificiales, Imágenes |
| Keyword: | Engineering, Electronic engineering, Woods, Defects, Artificial neural networks, Images |
| Texte intégral: | Texto completo (Ver HTML) |
