SISTEMA EMBEBIDO PARA RECONOCIMIENTO Y CONTEO DE ESPORAS DEL HONGO DE GÉNERO TRICHODERMA MEDIANTE TÉCNICAS DE VISIÓN ARTIFICIAL

Description

Mind Map on SISTEMA EMBEBIDO PARA RECONOCIMIENTO Y CONTEO DE ESPORAS DEL HONGO DE GÉNERO TRICHODERMA MEDIANTE TÉCNICAS DE VISIÓN ARTIFICIAL, created by FARID AVILA on 13/11/2022.
FARID AVILA
Mind Map by FARID AVILA, updated more than 1 year ago
FARID AVILA
Created by FARID AVILA over 1 year ago
55
0

Resource summary

SISTEMA EMBEBIDO PARA RECONOCIMIENTO Y CONTEO DE ESPORAS DEL HONGO DE GÉNERO TRICHODERMA MEDIANTE TÉCNICAS DE VISIÓN ARTIFICIAL
  1. RESUMEN DE LA TESIS
    1. Los periodos de este proceso integran el control de calidad dónde se empleará el sistema de identificación y conteo de esporas del hongo Trichoderma, de esta forma se obtendrá la información en cuanto a la proporción de esporas en una muestra vista por medio de un microscopio y capturada con una cámara digital por medio de técnicas de perspectiva artificial.
      1. Diseño del sistema y sus algoritmos
        1. La tesis se enfoca en la perspectiva artificial que se usa en el modelo en espiral para desarrollo del programa, ya que cuenta con diversas fases que van a partir de la conceptualización, el desarrollo, una etapa de mejoras y al final el mantenimiento , fases bastante útiles para el desarrollo del algoritmo de deep learing y el armado del hardware del sistema. El algoritmo de Deep Learingn se desarrollará en el lenguaje de elevado grado python por su vasta selección de librerías y framewroks referentes a perspectiva artificial y Deep Learning.
          1. Ejecución de las pruebas de manejo
            1. Los resultados de la imagen son capturados con los diferentes matices en una tarjeta Micro SD de 128GB en la placa embebida Jetson Nano, con la intención de obtener la identificación de la manera de las esporas del hongo Trichoderma y para su siguiente conteo, separando figuras que no concuerdan y contabilizándolas.
              1. ETAPAS DE LA VISIÓN ARTIFICIAL
                1. 1. Adquisición de la imagen
                  1. 2. Preprocesamiento de imagen
                    1. 3. Detección de bordes
                      1. 4. Segmentación
                        1. 5. Reconocimiento y localización
                          1. 6. Interpretación
              2. SOFTWARE UTILIZADO
                1. Lenguaje de programación Python
                  1. Se selecciona el lenguaje de programación Python debido a que su cantidad de código es menor en comparación a otros lenguajes de programación de alto nivel como JavaScrip. Python es sumamente utilizado en campos de visión artificial, sus bibliotecas como Numpy, OpenCV, Scioy y Pybrain se utilizan en el aprendizaje automático y la posibilidad de usar diferentes IDE para comprobación de errores en el código.
                    1. REQUIRIMIENTOS DE SOFTWARE
                      1. Licencia de libre uso
                        1. Compatibilidad con sistemas operativos Linux
                          1. Aplicación para adquisición de imagen compatible con Linux y cámara
                            1. Programa para tratamiento de imagen
                              1. Procesamiento de imagen
                                1. Técnica de visión artificial mediante aprendizaje profundo.
                                  1. Parámetros compartidos
                                    1. Compatibilidad con librerías de visión artificial, manipulación de imágenes y aprendizaje profundo
                                      1. IDE para programación
                                        1. Lenguaje de programación de alto nivel
                                          1. Relación espacial
                                            1. Código abierto
                                              1. Compatibilidad con Python
                                                1. Resultados subidos en servidor publicado en internet y de fácil acceso
                                                  1. Subida de datos mediante técnica HTTP
                                                    1. Especializado con método de microscopio de luz transmitida (campo claro)
                                                      1. GPU para procesamiento de técnicas de visión artificial
                                                2. HARDWARE UTILIZADO
                                                  1. El hardware básicamente visto para el desarrollo de aplicaciones de visión artificial se compone de un captador: esencialmente una cámara con buena resolución de pixeles y un procesador: unidad funcional de un dispositivo electrónico encargado de la interpretación, búsqueda y ejecución de instrucciones. En varios casos, este hardware es considerado como un sistema embebido.
                                                    1. REQUIRIMIENTOS HARDWARE
                                                      1. Placa embebida
                                                        1. Cámara digital con acople a microscopio, especializada en captura de imagen a través de este artefacto
                                                          1. Fuente alimentación de poco consumo con la capacidad de alimentar al sistema
                                                            1. Conexión a internet con tecnología ethernet
                                                              1. Memoria RAM entre 2Gb a 4Gb
                                                                1. Rendimiento CPU mayor o igual a 13,5 Gflop
                                                                  1. Ranura para tarjeta microSD
                                                                    1. Resolución de cámara de 5Mpx en adelante X
                                                  2. MÉTODOS DE CONVOLUCIÓN
                                                    1. Operación para activación de neurona artificial individual
                                                      1. Primero se define lo que se gestiona cuando una neurona se activa, esta manda información (Y) a la siguiente neurona en la red, este algoritmo esta supervisado por la Ecuación 1 donde se muestra la definición de gestión de una neurona activa:
                                                        1. Error cuadrático medio
                                                          1. Para corregir las predicciones del algoritmo es necesario el monitoreo continuo, como ya se ha mencionado, hasta tener un nivel bajo de error. Una vez hecha una operación de reconocimiento a partir de una tabla de aprendizaje, para comprobar la eficacia del sistema se utiliza el “error cuadrático medio”
                                                            1. GRÁFICA DEL GRADIENTE
                                                              1. Se observa una ejemplificación del gradiente de forma gráfica, donde en este ejemplo Y representa a los parámetros W (peso de conexión) y la X representa los valores obtenidos de neuronas pasadas, su parámetro de altura nos encontramos con el “error cuadrático medio”.
                                                    Show full summary Hide full summary

                                                    Similar

                                                    10 Study Techniques
                                                    PatrickNoonan
                                                    Hitler and the Nazi Party (1919-23)
                                                    Adam Collinge
                                                    Biology Unit 2 - DNA, meiosis, mitosis, cell cycle
                                                    DauntlessAlpha
                                                    Kwasi Enin - College Application Essay
                                                    philip.ellis
                                                    EBW: Onderwerp 1, Gr7 (KABV)
                                                    mvloch
                                                    IB Bio - Mitosis Quiz
                                                    j. stu
                                                    Statistics Key Words
                                                    Culan O'Meara
                                                    Memory-boosting tips for students
                                                    Micheal Heffernan
                                                    Cell Physiology and General Physiology of Excitable Tissues- Physiology PMU 2nd Year
                                                    Med Student
                                                    Macbeth Quotes/Themes
                                                    Michael LEwis
                                                    Anatomie - sistemul respirator 1
                                                    Eugeniu Nicolenco