Resumen

La visión por computadora proporciona soluciones efectivas en muchos problemas relacionados con imágenes, incluida la segmentación automática de imágenes y la clasificación. Modelos artificialmente entrenados pueden ser empleados para etiquetar imágenes e identificar objetos de manera espontánea. En la fabricación a gran escala, se utilizan cámaras industriales para tomar imágenes constantes de componentes por varias razones. Debido a las limitaciones causadas por el movimiento, la distorsión de la lente y el ruido, algunas imágenes defectuosas son capturadas, las cuales deben ser identificadas y separadas. Una forma común de abordar este problema es examinar manualmente estas imágenes. Sin embargo, esta solución no solo es muy lenta, sino también imprecisa. El artículo propone un sistema inteligente artificial basado en el aprendizaje profundo que puede entrenar y identificar rápidamente imágenes defectuosas. Para este propósito, se emplea una red neuronal convolucional preentrenada basada en el marco de trabajo PyTorch para extraer características discriminantes del conjunto de datos, las cuales luego se utilizan para la tarea de clasificación. Con el fin de eliminar las posibilidades de sobreajuste, el modelo propuesto también empleó la tecnología Dropout para ajustar la red. El estudio experimental revela que el sistema puede clasificar con precisión las imágenes normales y defectuosas con una precisión de más del 91%.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Visión por computador; Segmentación de imágenes; Clasificación; Inteligencia artificial; Aprendizaje profundo; Red neuronal convolucional.
• Keywords:Computer vision; Image segmentation; Classification; Artificial intelligence; Deep learning; Convolutional neural network