SOFTWARE DE RECONOCIMIENTO DE PATRONES AUTOMÁTICO DE BOTELLAS PLÁSTICAS UTILIZANDO REDES NEURONALES ARTIFICIALES

Universidad Popular del Cesar. Romero Kelmer, Vega Jonathan.

Resumen—En este documento se entrega una descripción de las características de las redes neuronales artificiales y las técnicas de procesamiento digital de imágenes. También se evidencia como la unión de estas dos técnicas son útiles en diseño de herramientas para la resolución de problemas donde es necesario implementar el reconocimiento de patrones.

Índice de Términos— IMAGEN: Figura, representación, semejanza y apariencia de algo. MORFOLOGIA: En el procesamiento de imágenes, la morfología se entiende como el estudio de la topología o la estructura de objetos a partir de sus respectivas imágenes. SEGMENTACIÓN: La segmentación de una imagen permite separar o destacar zonas con características específicas de forma o de color. El método más básico de segmentación es la aplicación de filtros.PATRON: Es sinónimo de objeto. En ocasiones se le llama así a los objetos ya clasificados. MATRIZ: Una matriz es una tabla bidimensional (cuadrada o rectangular) conformada por datos llamados elementos o entradas de la matriz.

I.INTRODUCCIÓNLas actividades de investigación desarrolladas en torno al estudio de redes neuronales artificiales, están motivadas en modelar la forma de procesamiento de la información en sistemas nerviosos biológicos. Especialmente, por la forma de funcionamiento del cerebro humano, que es completamente distinta al funcionamiento de un computador digital convencional. “El cerebro humano corresponde al de un sistema altamente

complejo, no lineal y paralelo” [1]. Lo anterior equivale a decir que se pueden realizar muchas operaciones simultáneamente a diferencia de los computadores comunes que son de tipo secuencial, es decir, que solo realizan una operación a la vez. En este sentido, una red neuronal artificial es un procesador de información, de distribución altamente paralela, constituido por muchas unidades sencillas de procesamiento llamadas neuronas.El procesamiento digital de imágenes constituye una etapa fundamental en el proceso de reconocimiento de patrones, debido a que este mejora las condiciones de la imagen que será evaluada por la red neuronal artificial que se esté implementando. De esta manera las técnicas de procesamiento digital de imágenes y las redes neuronales mediante un trabajo en serie, se convierten en piezas importantes en la construcción de sistemas de reconocimiento de imágenes robustos y eficientes.

II. DEFINICIÓN DEL PROBLEMA

“En Colombia se producen aproximadamente 40 mil toneladas diarias de residuos sólidos, se estima que entre el 42% y el 45% lo constituyen materiales reciclables que terminan en rellenos sanitarios y botaderos” [2]. Los desechos provocan graves consecuencias para los ecosistemas, se contaminan las fuentes hídricas, se aumenta la huella de carbono y los rellenos sanitarios se saturan.

SOFTWARE DE RECONOCIMIENTO DE PATRONES AUTOMÁTICO DE BOTELLAS

PLÁSTICAS UTILIZANDO REDES NEURONALES ARTIFICIALES.

Romero, Kelmer. Vega, Jonathan. Pérez, [email protected], [email protected], [email protected]

Facultad de Ingenierías y Tecnológicas, Universidad Popular del Cesar

1

mailto:[email protected]




El plástico es un material inorgánico, compuesto por monómeros y polímeros, por esta razón el tiempo para descomponerse es muy prolongado, el plástico es considerado como muy contaminante, por eso cuando se puede reutilizar, se le hace un bien a la naturaleza y a la salud. La reducción en origen es el primer paso hacia una gestión sostenible de los residuos y ello supone la disminución de la cantidad de plásticos que se utilizan, así como diseñar productos que reduzcan la utilización de estos materiales y se simplifique el número de distintos plásticos utilizados [3]. Al reciclar una tonelada de plástico se ahorran 40.000 litros de agua y 5.000 kW/h de energía, es decir, recuperar dos toneladas de plástico equivale a ahorrar una tonelada de petróleo [4].“La capital del departamento del Cesar, produce más de 300 toneladas diarias de basuras” [2], por lo que la empresa de aseo INTERASEO promueve la cultura del aprovechamiento de los materiales reciclables, pero en la actualidad evidencian la siguiente problemática: “los habitantes de Valledupar no separan los residuos reciclables de los no reciclables, esto hace que los vehículos compactadores al momento de recolectar los residuos sólidos mezclen todos los materiales y cuando llegan al sitio de disposición final la basura es compactada y luego es depositada en el relleno sanitario de Valledupar ubicado en las afueras de la ciudad, vía los Corazones” [2].Para contrarrestar el impacto negativo sobre el medio ambiente se proporcionan alternativas que solucionan esta problemática, una de estas alternativas es diseñar un software de reconocimiento de patrones, herramienta que será útil para la clasificación y posterior reciclaje automático de botellas plásticas.Esta idea de fusionar tecnología y medio ambiente surge de la exigencia que hoy en día hace la aplicación de las nuevas tecnologías en nuestro entorno, porque sin duda está cambiando la forma en que vivimos y nos relacionamos con el mundo. De esta manera las tecnologías de la información y

el reto del cambio climático, son altamente compatibles.

III. REDES NEURONALES ARTIFICIALES

“Una red neuronal artificial (RNA) es un esquema de computación distribuida inspirada en la estructura del sistema nervioso de los seres humanos” [5]. La arquitectura de una red neuronal es formada conectando múltiples procesadores elementales, siendo éste un sistema adaptivo que posee un algoritmo para ajustar sus pesos (parámetros libres) para alcanzar los requerimientos de desempeño del problema basado en muestras representativas. “Por lo tanto podemos señalar que una RNA es un sistema de computación distribuida caracterizada por” [6]:

Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades de procesamiento.

Una densa estructura interconectada usando enlaces ponderados.

Parámetros libres que deben ser ajustados para satisfacer los requerimientos de desempeño.

Un alto grado de paralelismo.

“Es necesario señalar que la propiedad más importante de las redes neuronales artificiales es su capacidad de aprender a partir de un conjunto de patrones de entrenamiento, es decir, es capaz de encontrar un modelo que ajuste los datos” [5]. El proceso de aprendizaje también conocido como entrenamiento de la red puede ser supervisado o no supervisado. El aprendizaje supervisado consiste en entrenar la red a partir de un conjunto de datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El objetivo del algoritmo de aprendizaje es ajustar los pesos de la red, de manera tal que la salida generada por la RNA sea lo

2


más cercanamente posible a la verdadera salida dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al procesos desconocido que generó la salida Y. Este aprendizaje se llama supervisado pues se conoce el patrón de salida el cual hace el papel de supervisor de la red. En cambio en el aprendizaje no supervisado se presenta sólo un conjunto de patrones a la RNA, y el objetivo del algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que la red encuentre alguna estructura o configuración presente en los datos [5].La Figura 1 muestra el modelo general de una red neuronal artificial.

Figura 1. Modelo general de una red neuronal artificial.

a) FUNCIONAMIENTO DE UNA RED NEURONAL ARTIFICIAL

Una de las misiones de una red neuronal artificial consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador, un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro humano, que se caracterizan por su generalización y robustez.

Figura 2. Modelo matemático de una red neuronal artificial.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida está dada por tres funciones:

Regla de propagación, “proporciona el valor del potencial postsináptico de la neurona en función de sus pesos y entradas” [6].

Función de activación, “proporciona el estado de activación actual de la neurona, en función de su estado anterior y de sus potencial postsináptico actual” [6].

Función de transferencia, “proporciona la salida actual de la neurona en función de sus estado de activación” [6].

La Figura 3 muestra la gráfica de una función de activación tangente hiperbólica.

Figura 3. Grafica de la función de activación tangente hiperbólica.

3


b) DISEÑO Y PROGRAMACIÓN DE UNA RED NEURONAL ARTIFICIAL

El diseño y programación de las redes neuronales artificiales, son definidas como un paradigma convencional de programación en ingeniería del software, donde el objetivo del programador es modelar matemáticamente (con distintos grados de formalismo) el problema en cuestión y posteriormente formular una solución (aplicación) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo, el objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas. En este sentido, el diseño de la red tiene menos que ver con cuestiones como los flujos de datos y la detección de condiciones, y más que ver con cuestiones tales como la selección del modelo de red, la de las variables a incorporar y el pre procesamiento de la información que toma el conjunto de entrenamiento. Así mismo, el proceso por el que los parámetros de la red se adecuan a la resolución de cada problema no se denomina genéricamente programación si no que se suele denominar entrenamiento.

c) ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL

“Las redes neuronales artificiales imitan la estructura hardware de un sistema nervioso, con la intención de construir sistemas de procesamiento de la información paralelos, distribuidos y adaptativos, que puedan presentar un cierto comportamiento inteligente” [6]. Los elementos básicos de una red neuronal artificial son las neuronas, que se agrupan en conjuntos compuestos por millones de ellas, organizadas en capas constituyendo un sistema con funcionalidad propia.

d) REDES NEURONALES MULTICAPAS

Este tipo de red neuronal es muy utilizado para problemas de reconocimiento de patrones [7]. “Inicialmente fueron definidos los patrones “círculo”, “cuadrado” y “no sé”, este último definido para el caso en que un objeto no pertenezca a ninguno de los patrones anteriores” [8].

IV. PROCESAMIENTO DIGITAL DE IMAGENES

El procesamiento digital de imágenes tiene como objetivo mejorar el aspecto de las imágenes y hacer más evidentes en ellas ciertos detalles que se desean hacer notar. La imagen puede haber sido generada de muchas maneras, por ejemplo, fotográficamente, o electrónicamente, por medio de monitores de televisión. El procesamiento de las imágenes se puede en general hacer por medio de métodos ópticos, o bien por medio de métodos digitales, en una computadora.

Figura 4. División de una imagen en pixeles.

El procesamiento digital de imágenes se efectúa dividiendo la imagen en un arreglo rectangular de elementos, como se muestra en la Figura 4. Cada elemento de la imagen así dividida se conoce con el nombre de pixel. El siguiente paso es asignar un valor numérico a la luminosidad promedio de cada pixel. Así, los valores de la luminosidad de cada pixel, con sus coordenadas que indican su posición, definen completamente la imagen.

4


a) IMÁGENES BINARIAS

Una imagen binaria es una imagen en la cual cada píxel puede tener solo uno de dos valores posibles 1 o 0. Como es lógico suponer una imagen en esas condiciones es mucho más fácil encontrar y distinguir características estructurales. En visión computacional el trabajo con imágenes binarias es muy importante ya sea para realizar segmentación por intensidad de la imagen, para generar algoritmos de reconstrucción o reconocer estructuras. También se puede reducir al mínimo los datos necesarios para representar la imagen y esto permite un máximo aprovechamiento de una forma más rápida y fácilmente a partir de las imágenes binarias.

Figura 5. Imágenes binarias representadas en negro y el blanco.

b) BINARIZACIÓN

La binarización tiene su utilidad en el procesamiento automático de imágenes, debido a que reduce enormemente la cantidad de datos de la imagen de una forma muy sencilla. Si se parte de imágenes bien contrastadas, la binarización permite con muy poco procesamiento un análisis fiable de la imagen.

Figura 6. Resultado de birarizar una imagen.

c) FILTROS DE SUAVIZADO

Los filtros de suavizado lineal son filtros pasa-bajos. Eliminan el ruido caracterizado por su alta frecuencia espacial pero desgraciadamente también reducen los detalles de la imagen pues la aplicación de una máscara de suavizado siempre tiene aparejado el efecto indeseable de hacer más borrosa la imagen.

Figura 7. Resultado de aplicar el filtro de suavizado a una imagen.

d) OPERACIONES MORFOLOGICAS

Una de las operaciones más utilizadas en visión sobre imágenes previamente binarizadas es las operaciones morfológicas. Las operaciones morfológicas son operaciones realizadas sobre imágenes binarias basadas en formas. Estas operaciones toman como entrada una imagen binaria regresando como resultado una imagen también binaria.

Figura 8. Selección de pixeles de una imagen.

e) SEGMENTACIÓN

En esta etapa se busca agrupar los píxeles por algún criterio de homogeneidad y de esta forma tener la imagen particionada en regiones significativas.

5


Después de esta etapa la imagen puede ser reconocida e interpretada de acuerdo a la aplicación.

Figura 9. Selección de objeto de interés.

V. RECONOCIMIENTO DE PATRONES

El reconocimiento de patrones es definido como: “una ciencia que se encarga de estudiar las características, clasificaciones de objetos físicos o abstractos” [9]. El reconocimiento de patrones es usado en el reconocimiento facial o de fotografías, que son imágenes en las cuales contienen un conjunto de información o patrones que se pueden clasificar en una clase, mediante un filtrado se saca solo el rasgo necesario el cual con una comparación verifica si la persona de la imagen es la correcta siempre y cuando se parezca al rasgo previamente cargado. “Considerando a una RNA como una caja negra donde se puede representar su interacción funcional con el entorno de la siguiente manera” [9]:

Figura 10. Representación funcional de un sistema de reconocimiento de patrones.

VI. METODOLOGÍA PARA EL DESARROLLO DEL PROYECTO

La metodología seleccionada para este proyecto fue adaptada de la metodología de prototipos, esta metodología consta de cuatro (4) fases:

a) FASE DE ANÁLISIS Y ESPECIFICACIÓN

En esta fase se especificaran las características importantes del sistema como su arquitectura, requerimientos, diagramas y requisitos de hardware y software.

b) FASE DE DISEÑO Y CONSTRUCCION

En esta fase se determinaran las entradas, procedimientos y salidas del sistema. Además de la construcción del prototipo a evaluar.

c) FASE DE PRUEBAS

En esta fase se realizaran las pruebas experimentales al prototipo con cada una de sus mejoras.

d) FASE DE REVISION Y MEJORAMIENTO

En esta fase se realizaran revisiones a cada uno de los resultados obtenidos del prototipo con cada una de sus mejoras en la fase de pruebas y se definirá el prototipo evaluado es el más indicado para ser implementar.

VII. DISEÑO DEL SISTEMA DE LA SOLUCIÓN

1) CONSTRUCCION DE LA UNIDAD MODULAR

a) UNIDAD MODULAR

Esta unidad modular cuenta con una cámara web encargada de hacer las capturas de imágenes de las botellas plásticas, en su interior está equipado con dos cintas de luces tipo led ubicadas a los costados

6


de la caja de manera horizontal como se observa en la Figura 11. La unidad modular se realiza para limitar la influencia de fuentes de luces externa. El ambiente de verificación se encuentra aislado de estímulos externos al sistema.

Figura 11. Unidad modular inicial. Fuente (autores).

b) UNIDAD MODULAR CON CUATRO CINTAS LED

Esta unidad modular hereda las características de la unidad definida anteriormente, además de agregar un nuevo par de cintas tipo led que son ubicadas a los costados de la caja de manera vertical como se observa en la Figura 12.

Figura 12. Prototipo 2 de diseño del sistema.

c) UNIDAD MODULAR CON CINCO CINTAS LED

Por último se modificó la unidad modular que cuenta con las características de la unidad modular inicial y la definida anteriormente, además de agregar un nueva de cinta tipo led que es ubicada en la parte superior de la caja como se observa en la Figura 13.

Figura 13. Prototipo 3 de diseño del sistema.

VIII. DISEÑO DEL SOFTWARE DE RECONOCIMIENTO DE PATRONES

Se desarrolló un sistema en la plataforma Matlab (R2011a) , el cual realiza las siguientes operaciones: captura una imagen en tiempo real en formato RGB24 con un modo de resolución de 160x120 pixeles, se somete la imagen capturada a un procesamiento y tratamiento digital, en donde se extrae de la imagen original la capa de escala de grises para poder trabajar con una matriz de MxN dimensiones, esta imagen en escala de grises se somete a un proceso de binarizacion, que consiste en convertir los valores de cada pixel de la imagen de un rango de 0 a 255 tonalidades, en un rango de 0 a 1 tonalidades, donde 0 es el tono de color negro puro y 1 es tono de color blanco puro . La imagen binarizada es sometida al proceso de extracción de

7


bordes, con la intención de eliminar el mayor ruido posible de la imagen y hacer más eficiente el trabajo de reconocimiento del sistema. Luego de la extracción de los bordes de la imagen, se segmenta la región de interés del objeto (ROI) a una matriz de dimensiones 107x41 pixeles, esta matriz se trasforma mediante un algoritmo en el vector de patrones de entrada que será evaluado por la red neuronal artificial, concluyendo si es una botella plástica o no.

1) DISEÑO DE ENTRADAS

El diseño de entradas planteado a continuación, se realiza mediante la captura de una imagen en tiempo real, a través de una cámara web, luego de que el usuario presiona el botón activar cámara, utilizando como formato de captura el formulario correspondiente visualizado en pantalla.

Figura 14. Captura de la interfaz de entrada del sistema.

2) DISEÑO DE SALIDAS

El diseño de salidas consiste en mostrarle al usuario cada una de las imágenes obtenidas durante el proceso de reconocimiento del sistema. Estas imágenes son presentadas al usuario a través de la

pantalla del computador, el formulario visualizado se presenta en formato de interfaz gráfica de usuario.

Figura 15. Captura de la interfaz de salidas del sistema.

3) DISEÑO DE PROCEDIMIENTOS

a) RED NEURONAL ARTIFICIAL

El proyecto luego de analizar las características de los datos utilizados para el desarrollo de la aplicación, se opta por implementar y codificar una aplicación inteligente basada en la filosofía y arquitectura del algoritmo BACKPROPAGATION, por las siguientes razones específicas:

La arquitectura del algoritmo BACKPROPAGATION multicapas, permite solucionar sistemas linealmente no separables, es decir sistemas que poseen comportamientos no lineales.

Alta confiabilidad e integridad de los datos Alta flexibilidad con los tipos de datos La red neuronal artificial implementada con

algoritmo BACKPROPAGATION o de propagación inversa, es una red multicapas que permite aproximar casi cualquier función, si se escoge una adecuada configuración de los algoritmos de entrenamiento, funciones de activación y un adecuado número de capas y a su vez un número de neuronas en cada capa oculta.

El algoritmo BACKPROPAGATION, es un algoritmo de aprendizaje supervisado, el

8


cual necesita un conjunto de datos, donde en cada grupo de patrones de entrada exista una salida deseada de la red neuronal artificial.

Características neuronales Valor

Numero de capas 3

Numero de neuronas de la capa 1 8

Numero de neuronas de la capa 2 4

Numero de neuronas de la capa de

salida

1

Función de activación de la capa 1 Tansig

Función de activación de la capa 2 Tansig

Función de activación de la capa de

salida

Tansig

Algoritmo de entrenamiento Traingd

Numero de iteraciones 10000

Error alcanzado de la red 1.14e-6

Rata de aprendizaje 0.1

Tabla 1. Características de la Topología de la red neuronal artificial implementada en el software de reconocimiento automático de botellas plásticas.

IX. PRUEBAS

En esta sección se exponen los resultados experimentales que se le realizaron a los prototipos creados en la sección de análisis y especificación.Cada prototipo se evalúa de manera experimental en una sesión de cincuenta (50) iteraciones para

determinar de qué manera el sistema responde al reconocimiento de botellas plásticas.

a) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 1

Grafica 1. Salida del prototipo 1 vs salida deseada del sistema.

b) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 2


9


c) RESULTADOS EXPERIMENTALES DEL PROTOTIPO 2


X. REVISIÓN Y MEJORAMIENTO

En esta sección se realiza una comparación en la certeza al momento del reconocimiento de botellas plásticas por cada uno de los prototipos diseñados anteriormente, como lo muestra la Grafica 4.

Grafica 4. Comparación de certeza del sistema con distintos prototipos del sistema planteados.

Luego de observar los resultados de la Grafica 4 donde se evidencia que el prototipo 3 fue el que tuvo un desempeño más eficiente en la fase de pruebas al reconocimiento de las botellas plásticas, se opta por implementar este prototipo como

herramienta de solución al problema definido en esta investigación.

XI. CONCLUSIONES

Este trabajo investigativo ha pretendido realizar una pequeña introducción hacia lo que son las técnicas de procesamiento digital de imágenes, las redes neuronales artificiales y los algoritmos utilizados en el reconocimiento de patrones.En primer lugar el proyecto desarrollado en esta investigación, trató de mostrar la importancia que tiene aplicar herramientas tecnológicas en el estudio y solución de problemas que afectan al medio ambiente, como lo es la falta de cultura de reciclaje de botellas plásticas.En la investigación se mostró como el procesamiento digital de imágenes y las redes neuronales artificiales son parte fundamental en la construcción de sistemas de reconocimiento de patrones robustos, debido a que brindan una solución eficiente a cualquier problema donde sea necesario aplicar técnicas de la inteligencia artificial.

10


XII. REFERENCIAS BIBLIOGRÁFICAS

[1] F. Uzarieta y C. Saavedra, Redes Neuronales Artificiales, Concepción, Chile, 2010.

[2] M. Mendoza, «Hacia la cultura de reciclaje en Valledupar,» El pilón, pp. Http: //www.elpilon.com.co/inicio/hacia-la-cultura-de-reciclaje., 29 Mayo 2013.

[3] «yolimpio,» [En línea]. Available: http://www.yolimpio.com/recicla/pdf/4_Reciclaje_del_Plastico_2.pdf. [Último acceso: 28 4 2014].

[4] F. Chavarro Mata, f. Soacha Velásquez y Soacha V, «Plan de negocios para una empresa de reciclaje,» 2009. [En línea]. Available: http://www.javeriana.edu.co/biblos/tesis/economia/tesis255.pdf.[Último acceso: 20 3 2014].

[5] R. Salas, «Redes Neuronales Artificiales,» 2 2 2004. [En línea]. Available: http://es.scribd.com/doc/184957152/Redes-Neuronales-Artificiales. [Último acceso: 20 4 2014].

[6] B. Del Brío y A. Sanz, Redes Neuronales y Sistemas Distribuidos (Segunda Edición), Madrid, España: RA-MA, 2001.

[7] R. Bellor, «Curso Introductorio De Redes Neuronales Artificiales,» 1993. [En línea]. Available: http://scielo.sld.cu/scielo.php?pid=S2071-00542011000200005&script=sci_arttext. [Último acceso: 20 4 2014].

[8] R. Duda y P. Hart, «Clasificación De Patrones,» New York, John Wiley & Sons, 2001.

[9] L. López, «Scribd,» [En línea]. Available: https://es.scribd.com/doc/234597166/Definiciones-y-Conceptos-Basicos-de-Reconocimiento-de-Patrones. [Último acceso: 10 10 2014].

11

Documents

SOFTWARE DE RECONOCIMIENTO DE PATRONES AUTOMÁTICO DE BOTELLAS PLÁSTICAS UTILIZANDO REDES NEURONALES ARTIFICIALES