Professional Documents
Culture Documents
Informe 1 - Sistemas Automáticos de Control - Grupo 18 Con Correcciones
Informe 1 - Sistemas Automáticos de Control - Grupo 18 Con Correcciones
25 Pages 519.1KB
Apr 20, 2022 9:45 AM GMT-5 Apr 20, 2022 9:47 AM GMT-5
Resumen
FACULTAD DE INGENIERÍA
Programa académico de Ingeniería Mecánico – Eléctrica
“Diferenciación de carreteras, zonas verdes, árboles y líneas de alta tensión
mediante imágenes RGB y/o multiespectrales”
INFORME 1
Sistemas Automáticos de Control
Profesor: Dr. Ing. William Ipanaqué Alama
MIGUEL ALBERTO CARRASCO MONTERO
CARLA GIULIANA JIMENEZ SILVA
JOSE RODOLFO PALACIOS ELIAS
ROLANDO JONATHAN SILVA CALDERON
JEAN PAUL FABRICIO SANCHEZ SANTILLAN
El modelo de color RGB es el más utilizado y esto se debe a la relación que existe
directamente en la forma en el que el ser humano percibimos los colores, debido a los tres
tipos de conos en la retina cuya respuesta es modulada por las curvas de sensibilidad x,
y, z. En comparación, aunque la visión de los caninos es mejor durante la noche, su forma
de percibir los colores está limitada en comparación del hombre. Esto es debido a que sus
conos carecen de sensibilidad al color verde. Hipotéticamente, si los caninos fueran
capaces de cambiar su forma de percibir colores, podrían percibir cosas que simplemente
no existían para ellos. ¿Qué pasaría si no solo observáramos el mundo a través de nuestros
tres tipos de conos o de los modelos de color diseñados para nuestra percepción?
Simplemente seríamos capaces de percibir cosas que de acuerdo a nuestra visión no
existen o simplemente no es apreciable. Gracias a los avances tecnológicos, esta
tecnología existe y nos permite percibir a través de métodos más allá de lo que podemos
ver. La animación realizada por la NASA muestra el sol visto mediante tecnología
multiespectral. Esta es una tecnología que es capaz de recolectar múltiples imágenes de
una misma escena. Capturando datos de imágenes dentro de rangos de longitud de onda
específicos a través del espectro electromagnético. Es decir, se obtiene una respuesta
espectral por píxel conocida como firma espectral de píxel, recolectando
intencionalmente por píxeles y longitud de onda un cubo de información de la escena
capturada.
Cuál es el problema?
En cuanto a la agricultura, muchas veces es necesario reconocer si es que existe
presencia de plagas o alguna variante que puede impedir que el cultivo sea de buena
calidad. Algo similar ocurre con las zonas verdes, árboles y carreteras. Existe la necesidad
de establecer una diferenciación de objetos para distintos propósitos, como obtener la
información de cómo han decrecido las áreas de vegetación debido a la deforestación, por
ejemplo. Gracias a la tecnología RGB y/o multiespectral, se puede lograr con una buena
eficiencia la detección de objetos de interés, en base a parámetros característicos.
Objetivos Específicos
2
• Desarrollar un sistema mediante el uso de redes neuronales para la detección de
carreteras y áreas verdes.
• Lograr que los lectores comprendan los conceptos relacionados a las redes
neuronales y cómo el Deep Learning aporta mucho en el procesamiento de
imágenes.
• Poner en práctica los conceptos que se van adquiriendo mediante autoaprendizaje,
ya que para algunos integrantes de este grupo no tienen experiencia programando
una red neuronal.
Alcance
Una de las limitaciones con las que se ha topado el grupo es que no se habla mucho de
cómo detectar líneas de tensión en las fuentes de referencia de este primer informe.
Es parte del problema?
Estado del Arte
1
1.1.Identificación de vegetación en imágenes satelitales
Redacción?
El resultado final del algoritmo fue exitoso ya que logra identificar zonas de
vegetación en distintos ambientes ya sean urbanos, agrícolas, forestales.
4
El presente trabajo elabora un proyecto de detección de carreteras en imágenes RGB
de reconocimiento remoto teniendo como herramienta el Machine Learning y técnicas de
aprendizaje profundo (Deep learning). Cabe resaltar que este proyecto es un desafío de
4
CodaLab y dicho desafío se llama DeepGlobe Road Extration Challenge quien brindó
4
todos los datos utilizados en el proyecto.
4
El conjunto brindado consta de 3 grupos: para el entrenamiento, para la validación y
4
para el test. El primer subconjunto es el único que se pudo realizar ya que para poder
medir la calidad del modelo es necesaria la máscara binaria la cual solo la primera cuenta.
Se cuenta con 6226 imágenes de 1024x1024 cada una con su mascara con la verdad del
4
terreno. Dichas mascaras están formadas por pixeles blancos (carretera) y negros (carreta)
(Urruzola, 2020).
3
1.3.Análisis de imágenes multiespectrales para la detección de cultivos y detección de
plagas y enfermedades en la producción de café.
El presente trabajo trata sobre la identificación de maleza sobre los cultivos por
medio de cámaras RGB teniendo en cuanta varias posibles soluciones como trabajar con
los índices de vegetación, cambios de espacios de colores y algoritmos de inteligencia
artificial.
La precisión de los modelos mencionados fue superior al 87% para árboles, césped,
carriles y aceras. (Wu, Qin, Cheng & Wu; 2019)
Figura 1. Comparación de los efectos de la clasificación.
Fuente: (Wu, Qin, Cheng & Wu; 2019)
3
1.6.Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde
UAS/RPAS
Marco Teórico
2.1.Imagen
13
Se define una imagen como la reproducción de un objeto formada por la
convergencia de los rayos luminosos que, procedentes de él, atraviesan una lente o aparato
óptico, y que puede ser proyectada en una pantalla (RAE).
2.2.Procesamiento de Imagen
11
Son el conjunto de técnicas, las cuales se aplican a las imágenes ya sea para mejorar
su calidad, o extraer información para ciertos propósitos.
La primera vez que se aplicó una técnica de procesamiento de imagen fue en los años
11
veinte, en la transmisión de imágenes periodísticas a través de un cable submarino que
conectaba Londres y Nueva York. Esto permitió que el tiempo entre emisión y recepción
11
de las imágenes pasara de una semana a 3 horas. Tiempo después de esto, se desarrollaron
técnicas de codificación y reproducción de imágenes, llegando a lograr representar una
imagen en 15 tonos de gris, antes eran 5. (Esqueda y Palafox, 2005)
Empleando Imágenes RGB y explorando los métodos desde Machine Learning hasta
Deep Learning como herramientas para procesamiento de imágenes, logra la detección
de carreteras mediante imágenes tomadas de forma remota (Berrondo, 2020)
2.3.Modelos de Color
10
Básicamente, un modelo de color es una especificación de un sistema de coordenadas
y un subespacio dentro de ese sistema en el que cada color está representado por un único
punto.
La mayoría de los modelos de color que se utilizan hoy en día están orientados al
hardware (como los monitores e impresoras en color) o a las aplicaciones en las que la
manipulación del color es un objetivo (como la creación de gráficos en color para la
animación). (Gonzales y Woods, 2002)
El espacio RGB (Red, Green and Blue) fue estandarizado por la CIE (International
1
Commission on Illumination) en 1931, basado en la absorción de luz por los conos rojo,
verde y azul del ojo humano en función de la longitud de onda. (Gonzales y Woods, 2002)
Para poder obtener los parámetros de la imagen original, hay ciertas fases que se
2
deben seguir como el filtrado y procesamiento de imagen. Se trabajan con algoritmos
(trabajan en el procesamiento de mejora de la imagen), los cuales cuentas con distintas
2
funciones como el contraste, resaltado de imagen, eliminación del ruido, etc.
2
Existen diversos grupos de algoritmos para trabajar el procesamiento de imágenes:
1
2.5.1. Método en el dominio espacial
1
Se basa en la manipulación directa de los píxeles de la imagen. La función de
procesamiento de la imagen en el dominio espacial puede expresarse como:
2
Figura 3. Transformación en el dominio espacial.
Fuente: Aguirre, 2013
1
El negativo de una imagen se obtiene empleando la función de transformación, como
se muestra en la imagen siguiente.
Figura 4. Negativo de una imagen.
2
2.5.2. Método en el dominio de la frecuencia
2
Para poder trabajar este método se necesita la transformada discreta de Fourier de la
imagen debido a que esta trabaja en dos dimensiones.
2
Se basa en trabajar las frecuencias de la imagen donde puede suprimir y cambiar
ciertas frecuencias, valga la redundancia.
El trabajo de las bajas frecuencias se relaciona con la intensidad de color en escala
2
de grises, mientras que las altas se caracterizan por los detalles de la imagen. Según el
8
diagrama de bloques, la imagen de entrada 𝑓(𝑥, 𝑦) pasa por etapas como el
procesamiento, la transformada de Fourier, el filtrado, la transformada de Fourier inversa
y finalmente el post procesado para poder obtener una imagen mejorada 𝑔(𝑥, 𝑦).
2
2.5.3. Método en el dominio de extracción de características
8
Este método se enfoca en la extracción de información de la imagen. Esto debido a
2
que es necesario obtener características o atributos de interés para luego analizar
dependiendo de lo que se busca en la imagen.
Las imágenes contienen un sin número de datos que en su mayoría son insignificantes
con las características que uno desea encontrar. Por lo tanto, este método consiste en la
2
extracción de las características que realmente proporcionen la información necesaria
2
para un buen análisis. En los métodos más comunes están: la detección de formas, el
etiquetado y la segmentación.
2.6.Imagen Multiespectral
Para poder dar una mejor definición, primero es necesario entender que es el espectro.
6
Una definición corta sería: división de la intensidad de una radiación en función de una
magnitud característica, como la energía, longitud de onda, la masa o la frecuencia.
Por lo tanto, una imagen espectral es aquel emite la figura de un objeto en función de
la longitud de onda que esté reflejando el objeto en cuestión.
6
Las imágenes multiespectrales están formadas relativamente por pocas bandas, las
cuales van normalmente entre 3 y 20. Estas bandas no son necesariamente contiguas entre
ellas a comparación con las imágenes hiperespectrales que comúnmente están formadas
por un mayor número de bandas y éstas siempre son contiguas.
Las imágenes multiespectral brinda valores de intensidad en las longitudes de onda
discretas en las que el sistema capte radiación.
2.7.Machine Learning
Para casos específicos donde se necesita cubrir una mayor cantidad de superficie se
utilizará imágenes satelitales, sin embargo, en nuestro caso de estudio se usarán imágenes
áreas no obstante el proceso de corrección, selección y evaluación de las imágenes son
muy similares.
2.8.Redes Neuronales
Son el modelo simple del funcionamiento del sistema nervioso. Su unidad base es la
neurona, que se organiza en capas.
2
3.1. Materiales
3.1.1. Python
12
Es una cámara del tipo multiespectral diseñada para la agricultura de precisión
profesional, cuyas imágenes aéreas son de resolución e información confiable.
12
Posee un sensor de luz DLS para una mejor calibración de luz, captura 5 bandas
espectrales, genera índices de vegetación e imágenes a color en solo un vuelo y se acopla
en cualquier dron.
Para la adquisición de la Data, se hará uso del dron y la cámara multiespectral para
obtener las imágenes, para luego ser sometidas a un preprocesamiento antes de ser
usadas para el entrenamiento de la red neuronal.
Bibliografía y Referencias
Gonzales, R. & Woods, Richard. (2002). Digital image processing. New Jersey.
Wu, M., Qin, L., Cheng, S. & Wu, G. (2019). Ground object classification base don
UAV multispectral images.
Las referencias estan incompletas, hay que mejorarlas. Una cosa buena es que
hay actuales
Gestión del Proyecto y Cronograma
Este es el cronograma propuesto a seguir hasta la entrega del informe 2, durante este
período de tiempo, algunos integrantes de grupo:
ACTA N°1
Asistentes:
Temas Tratados: Temas a tocar en el estado del arte, investigación para el marco
teórico.
ACTA N°2
Hora: 1 – 2pm
Asistentes:
ACTA N°3
Asistentes:
Temas Tratados: Elaboración del Informe N°1, con los aportes de cada uno corregidos y
citados.
Reporte de similitud
FUENTES PRINCIPALES
Las fuentes con el mayor número de coincidencias dentro de la entrega. Las fuentes superpuestas no se
mostrarán.
docplayer.es
1 5%
Internet
repositorio.upn.edu.pe
3 2%
Internet
repositorio.unp.edu.pe
5 2%
Internet
energiadehoy.com
6 2%
Internet
1library.co
7 2%
Internet
cristinoramirezsantos.blogspot.com
9 1%
Internet
opac.pucv.cl
10 1%
Internet
hobbytuxtla.com
12 <1%
Internet
ecotec.edu.ec
13 <1%
Internet
Marco Teórico
vsip.info
segúnlo observado en
Universidad Nacional Abierta y a Distancia, UNAD,UNAD on 2021-11-02
Por comodidad
repositorioacademico.upc.edu.pe
Introducción...................................................................................................................
Daegu Gyeongbuk Institute of Science and Technology on 2020-05-27
Modelos de Color
archive.org
en capas.Figura
Daegu Gyeongbuk Institute of Science and Technology on 2020-05-27
píxel
archive.org
multiespectral
oa.upm.es
de modo que el
eprints.ucm.es
que
repositorioacademico.upc.edu.pe
26 de abril
es.wikipedia.org
Entrenamiento de la RedNeuronal
www.repositorio.usac.edu.gt