DESCRIPTORES ESPACIO-FRECUENCIA PARA IDENTIFICACIÓN AUTOMÁTICA DE PATRONES DE TEXTURA EN PRODUCTOS TEXTILES UTILIZANDO APRENDIZAJE SUPERVISADO

Autor: Carlos Alberto Henao Baena, Andrés Felipe Calvo Salcedo, Arley Bejarano Martínez
Jazyk: Spanish; Castilian
Rok vydání: 2018
Předmět:
Zdroj: Ciencia e Ingeniería Neogranadina, Volume: 28, Issue: 2, Pages: 63-82, Published: DEC 2018
Ciencia e Ingeniería Neogranadina, Vol 28, Iss 2, Pp 63-82 (2018)
Popis: RESUMEN En este artículo se presenta una evaluación de descriptores espacio frecuencia y técnicas de análisis de texturas para la clasificación de textiles. La metodología de trabajo consta de tres etapas fundamentales: la caracterización, la clasificación y la validación. En la etapa de caracterización se utilizan descriptores como la Transformada Wavelet, la Transformada de Fourier, un método de caracterización de textura del estado del arte como lo es segmentación fractal para el análisis de texturas (SFTA) y la adaptación de la transformada corta de Fourier en espacio. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte, como lo son las Redes Neuronales Artificiales (RNA), Máquinas de Soporte Vectorial (SVM) y el Proceso Gaussiano (GP), a estos dos últimos se les incluyeron el uso de kernels lineales, Gaussianos y polinomiales. Para validar el método se construye una base de datos anotada con diez tipos de telas, con un total de 1.000 fotos, a las cuales se les aplica el proceso caracterización y clasificación por medio de un experimento Montecarlo. En esta etapa se generan configuraciones aleatorias de entrenamiento (70 %) y prueba (30 %), obteniendo el desempeño de cada modelo de clasificación. Por último, se obtiene la matriz de confusión y se determinan los porcentajes de acierto de cada experimento, adicionalmente se realiza un análisis de tiempos para cada uno de los algoritmos, tanto a nivel de descriptor como a nivel de clasificador, con el fin de determinar la configuración que mejores prestaciones presenta y su costo computacional. ABSTRACT This article presents an evaluation of frequency-space descriptors and texture analysis techniques for textile classification. The work methodology consists of three fundamental stages: characterization, classification and validation. The characterization stage uses descriptors such as wavelet transform, Fourier transform, a state-of-the-art texture characterization method such as segmentation-based fractal texture analysis (SFTA) and the adaptation of the short-space Fourier transform. The classification stage analyzes the use of three state-of-the-art methods such as Artificial Neural Networks (ANN), Support Vector Machines (SVM) and the Gaussian Process (GP); linear, Gaussian and polynomial kernels were included in SVM and GP. To validate the method, an annotated database is built with ten types of fabrics and 1,000 photos, to which the characterization and classification process is applied by means of a Monte Carlo experiment. At this stage, random training (70 %) and testing (30 %) configurations are generated, finding the performance of each classification model. Finally, the confusion matrix is obtained, and the success percentages of each experiment are determined. Additionally, a time analysis is carried out for each algorithm, both at the descriptor and classifier levels, in order to determine the configuration that offers better features and its computational cost.
Databáze: OpenAIRE
Externí odkaz: