Clasificación de placas de pizarra mediante técnicas de visión artificial y machine learning

  1. Martínez Torres, Javier
unter der Leitung von:
  1. Javier Taboada Castro Doktorvater
  2. Marcos López Lago Doktorvater
  3. José María Matías Fernández Doktorvater

Universität der Verteidigung: Universidade de Vigo

Fecha de defensa: 28 von Februar von 2011

Gericht:
  1. Fernando García Bastante Präsident
  2. Angeles Saavedra González Vocal
  3. Roberto Martínez-Alegría López Vocal
Fachbereiche:
  1. Enxeñaría dos recursos naturais e medio ambiente

Art: Dissertation

Teseo: 334021 DIALNET

Zusammenfassung

En este trabajo de investigación se desarrolla un sistema que automatiza la fase de clasificaicón de las placas de pizarra que se lleva a cabo dentro del proceso de elaboración, realizada hasta el momento de forma manual por un experto en el área. El sistema se ha desarrollado en base a técnicas de visión artificail y machin learning, y permite simular la fase de clasificaicón en la línea de producción real sin ralentizar la fase de clasificación en línea de producción real sin ralentizar el proceso global, de tal modo que ante la presentación de una nueva placa de pizarrra al sistema, éste proporciona una salida en tiempo real. Sí, se configura un sistema híbrido 2D-3D láser escáner formado por una cámara linea 2D y un láser escáner 3D, de tal modo que extrae la mayor cantidad posible de información de las placas de pizarrra, y en base a dicha información, se ha desarrollado un algoritmo basado en técnicas de visión artificial capaz de construir un conjunto de variables, se han implementado modelos de clasificación con técnicas de machine learning enfrentando los dos enfoques clásicos, el supervisado y el no supervisado. Atendiendo a los resultados obtenidos en esta comparativa, se ha desarrollado un modelo novedoso de multiclasificación con el fin de mejorar los resultados obtenidos por los modelos más relevantes en este ámbito. Los buenos resultados presentados demuestran la viabilidad de la técnica del prototipo desarrollado, tanto a nivel de detección de los defectos que condicionan la calidad final de la placa de pizarra, como de potencial de las técnicas de machine learning para la resolución del problema de clasificación de placas de pizarra para techar.