El cáncer de mama es uno de los que tiene mayor índice de mortalidad entre las mujeres y la detección temprana incrementa las posibilidades de curación, por lo que hacerlo a tiempo ha demostrado ser uno de los mejores tratamientos para esta grave enfermedad. Las microcalcificaciones son un tipo de lesión dentro de la mama y su presencia está altamente correlacionada con la presencia del cáncer. En este artículo se presenta un método para la detección automática de microcacificaciones usando procesamiento digital de imágenes basado en un enfoque gaussiano de filtrado, el cual permite realzar el contraste entre las microcalcificaciones y el tejido sano de la mama, para luego aplicar un algoritmo de identificación de las microcalcificaciones sospechosas basado en su morfología. El clasificador usado para determinar el grado de Malignidad o Benignidad de las microcalcificaciones es el K-Vecinos más Cercanos (KNN) y la validación de los resultados se realiza mediante las curvas ROC.
Este artículo presenta un método de navegación Robótico basado en patrones estáticos usando técnicas de visión artificial implementadas sobre el sistema embebido CMUcam3, además presenta un análisis de procesamiento de cómputo para este sistema embebido. El patrón a determinar es una línea negra con cruces, guiando al agente robótico a través de ésta. Luego de la adquisición de las imágenes mediante la CMUcam3, se utiliza un algoritmo de segmentación basado en umbral, se determina el esqueleto de los patrones y luego se aplica la transformada de Hough lineal para determinar, las líneas, los ángulos y los tipos de cruces. Debido a que la transformada de Hough lineal es un método que requiere alto procesamiento, en este trabajo, se limita el rango de los ángulos y se normaliza su espacio de acumulaciones. En los resultados obtenidos se pudo determinar que el método desarrollado para la navegación es preciso y confiable, ya que en un 87% de los segmentos de decisión se pudo determinar correctamente el tipo de cruce y el ángulo de corrección. Él sistema embebido CMUcam3 logró procesar una imagen entre 0.15 y 0.28 segundos, dependiendo del tipo de cruce que encuentre.
Industry 4.0 places great importance on collaborative robotics in industrial production and, therefore, on the safe interaction between humans and robots. In previous decades, robots that were part of flexible manufacturing systems remained isolated from human operators through physical enclosures, but current human-robot collaboration activities require a simultaneous concurrent workspace for both actors. Collaborative robotics security systems have used (among others) artificial vision systems based on red, green and blue additive color model images, as proven solutions in detecting humans within the work area of robots. In recent work, the combination of red, green, and blue additive color model imaging with depth imaging systems has demonstrated low sensitivity to lighting changes and a high positional match between distance data and color pixels in both types of acquired images. However, a detailed review resulted in the absence of databases of industrial robotic environments in this type of images. In this paper, an extensive database is delivered in the format already explained that contains people in robotic industrial settings. Furthermore, evaluating the database using machine learning techniques enables computer vision researchers to gain a better understanding of human detection using a Kinect sensor and convolutional neural networks.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.