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.
SISTEMA EMBEBIDO PARA
RECONOCIMIENTO Y CONTEO DE
ESPORAS DEL HONGO DE GÉNERO
TRICHODERMA MEDIANTE TÉCNICAS
DE VISIÓN ARTIFICIAL
RESUMEN DE LA TESIS
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.
Diseño del sistema y sus algoritmos
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.
Ejecución de las pruebas de manejo
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.
ETAPAS DE LA VISIÓN ARTIFICIAL
1. Adquisición de la imagen
2. Preprocesamiento de imagen
3. Detección de bordes
4. Segmentación
5. Reconocimiento y localización
6. Interpretación
SOFTWARE UTILIZADO
Lenguaje de programación Python
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.
REQUIRIMIENTOS DE SOFTWARE
Licencia de libre uso
Compatibilidad con
sistemas operativos
Linux
Aplicación para adquisición
de imagen compatible con
Linux y cámara
Programa para
tratamiento de imagen
Procesamiento
de imagen
Técnica de visión
artificial
mediante
aprendizaje
profundo.
Parámetros
compartidos
Compatibilidad con librerías
de visión artificial,
manipulación de imágenes y
aprendizaje profundo
IDE para
programación
Lenguaje de
programación de
alto nivel
Relación
espacial
Código
abierto
Compatibilidad
con Python
Resultados subidos en
servidor publicado en
internet y de fácil acceso
Subida de datos
mediante
técnica HTTP
Especializado con método
de microscopio de luz
transmitida (campo claro)
GPU para procesamiento de
técnicas de visión artificial
HARDWARE UTILIZADO
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.
REQUIRIMIENTOS HARDWARE
Placa embebida
Cámara digital con acople a microscopio, especializada en
captura de imagen a través de este artefacto
Fuente alimentación de poco consumo con la capacidad
de alimentar al sistema
Conexión a internet con tecnología ethernet
Memoria RAM entre 2Gb a 4Gb
Rendimiento CPU mayor o igual a 13,5 Gflop
Ranura para tarjeta microSD
Resolución de cámara de 5Mpx en adelante X
MÉTODOS DE CONVOLUCIÓN
Operación para activación de neurona artificial individual
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:
Error cuadrático medio
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”
GRÁFICA DEL GRADIENTE
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”.