Conteo de gránulos usando redes neuronales tipo U-Net y componentes conectados

DOI: https://doi.org/10.26439/ing.ind2022.n.5804
Palabras clave: inteligencia artificial, visión por computadora, redes neuronales, automatización

Resumen

Este trabajo desarrolla una metodología para automatizar el conteo de gránulos remanentes en una taza sanitaria (prueba ASME A112.19.2-2018/CSA B45.1-18). Esta metodología integra una red convolucional U-Net que fue entrenada con 3678 imágenes y una variación del algoritmo de componentes conectados. Los resultados arrojan una precisión superior al 98 % para valores entre 0 y 180 gránulos. La metodología se implementó en la línea de producción.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Juan Felipe Monsalvo Salazar, Organización Corona, Medellín, Colombia

Magíster en Mecánica Computacional por la Universidad EAFIT de Medellín, Colombia, y magíster en Diseño Mecánico por la École Nationale d’Ingénieurs de Tarbes, Francia. Ingeniero mecánico por la Universidad EAFIT. Actualmente, se desempeña como ingeniero de desarrollo de producto en la Organización Corona, empresa colombiana con 140 años de trayectoria en la industria de cerámica, y apoya los procesos de transformación digital, machine learning y business analytics en la organización. Sus áreas de trabajo incluyen desarrollos en visión artificial, detección de objetos, predicción de la demanda y optimización de la cadena de suministro.

Juan Rodrigo Jaramillo Posada, Adelphi University, Facultad de Negocios, Nueva York, Estados Unidos

Doctor en Ingeniería Industrial por la Universidad de Virginia Occidental, Estados Unidos. Director de la maestría en Analítica en la Facultad de Negocios de la Universidad de Adelphi en Nueva York, Estados Unidos. Codirector del prestigioso Innovative Applications in Analytics Award. Sus publicaciones incluyen las áreas de logística, optimización y analítica aplicada, y es invitado con frecuencia a participar en paneles y conferencias sobre analítica e inteligencia artificial.

Citas

Alam, M., & Islam, M. (2019). Machine learning approach of automatic identification and counting of blood cells. Healthcare Technology Letters, 6(4), 103-108. DOI: 10.1049/htl.2018.5098

Bradski, G. (2000). The OpenCV Library. Journal of Software Tools, 25, 120-125.

Dobrescu, A., Giuffrida, M., & Tsaftaris A. (2019). Understanding deep neural networks for regression in leaf counting. En IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 2600-2608). DOI: 10.1109/CVPRW.2019.00316

Fukushima, K. (1980). Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193-202. https://doi.org/10.1007/BF00344251

Hough, P. (1962). Method and means for recognizing complex patterns (US Patent 3, 069,654, Ser. N.o 17,7156 Claims).

Ilyas, N., Shahzad, A., & Kim, K. (2020). Convolutional-neural network-based image crowd counting: review, categorization, analysis, and performance evaluation. Sensors, 20(1). https://doi.org/10.3390/s20010043

Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: convolutional networks for biomedical image segmentation. https://arxiv.org/abs/1505.04597

Shamsaldin, A., Fattahb, P., Rashid, T., & Al-Salihi, N. (2019). A study of the convolutional neural networks applications. UKH Journal of Science and Engineering, 3(2), 31-40. https://doi.org/10.25079/ukhjse.v3n2y2019.pp31-40

Wu, J., Yang, G., Yang, X., Xu, B., Han, L., & Zhu, Y. (2019). Automatic counting of in situ rice seedlings from UAV images based on a deep fully convolutional neural network. Remote Sensing, 11(6), 691. https://doi.org/10.3390/rs11060691

Yong, H., Hong, Z., Yangyang, F., Shuaisheng, J., & Jianjian, W. (2019). Application of deep learning in integrated pest management: a real-time system for detection and diagnosis of oilseed rape pests. Mobile Information Systems, 2019, Artículo 4570808. https://doi.org/10.1155/2019/4570808

Zhao, M., Zhang, J., Zhang, C., & Zhang, W. (2018). Towards locally consistent object counting with constrained multi-stage convolutional neural networks. En Asian Conference on Computer Vision (pp. 247-261). Springer. https://doi.org/10.1007/978-3-030-20876-9_16

Publicado
2022-04-22
Cómo citar
Monsalvo Salazar, J. F., & Jaramillo Posada, J. R. (2022). Conteo de gránulos usando redes neuronales tipo U-Net y componentes conectados. Ingeniería Industrial, 137-153. https://doi.org/10.26439/ing.ind2022.n.5804
Número
2022: Edición Especial
Sección
Artículos
Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.