SciELO - Scientific Electronic Library Online

 
vol.28 issue2CONFIGURATION OF OPERATION MODES FOR A SCINTILLATING FIBER SUB-DETECTOR IN THE LHCb EXPERIMENTSYSTEM OF POLYPHONIC ARRANGEMENTS GENERATION FOR TRADITIONAL MUSIC OF THE COLOMBIAN ANDEAN REGION BASED ON GENETIC ALGORITHMS author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

  • On index processCited by Google
  • Have no similar articlesSimilars in SciELO
  • On index processSimilars in Google

Share


Ciencia e Ingeniería Neogranadina

Print version ISSN 0124-8170

Abstract

MARTINEZ, Arley Bejarano; SALCEDO, Andrés Felipe Calvo  and  BAENA, Carlos Alberto Henao. DESCRIPTORES ESPACIO-FRECUENCIA PARA IDENTIFICACIÓN AUTOMÁTICA DE PATRONES DE TEXTURA EN PRODUCTOS TEXTILES UTILIZANDO APRENDIZAJE SUPERVISADO. Cienc. Ing. Neogranad. [online]. 2018, vol.28, n.2, pp.63-82. ISSN 0124-8170.  https://doi.org/10.18359/rcin.3212.

En este artículo se presenta una evaluación de descriptores espacio frecuencia y técnicas de análisis de texturas para la clasificación de textiles. La metodología de trabajo consta de tres etapas fundamentales: la caracterización, la clasificación y la validación. En la etapa de caracterización se utilizan descriptores como la Transformada Wavelet, la Transformada de Fourier, un método de caracterización de textura del estado del arte como lo es segmentación fractal para el análisis de texturas (SFTA) y la adaptación de la transformada corta de Fourier en espacio. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte, como lo son las Redes Neuronales Artificiales (RNA), Máquinas de Soporte Vectorial (SVM) y el Proceso Gaussiano (GP), a estos dos últimos se les incluyeron el uso de kernels lineales, Gaussianos y polinomiales. Para validar el método se construye una base de datos anotada con diez tipos de telas, con un total de 1.000 fotos, a las cuales se les aplica el proceso caracterización y clasificación por medio de un experimento Montecarlo. En esta etapa se generan configuraciones aleatorias de entrenamiento (70 %) y prueba (30 %), obteniendo el desempeño de cada modelo de clasificación. Por último, se obtiene la matriz de confusión y se determinan los porcentajes de acierto de cada experimento, adicionalmente se realiza un análisis de tiempos para cada uno de los algoritmos, tanto a nivel de descriptor como a nivel de clasificador, con el fin de determinar la configuración que mejores prestaciones presenta y su costo computacional.

Keywords : análisis de textura; aprendizaje de máquina; segmentación fractal; textiles; tiempo frecuencia; Transformada de Fourier.

        · abstract in English     · text in Spanish     · Spanish ( pdf )