Supervised learning models for control quality by using color descriptors: A study case

Martínez, Arley Bejarano; Salcedo, Andrés Felipe Calvo; Henao, Carlos Alberto

doi:10.1109/stsiva.2016.7743368

Cited by 1 publication

(2 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Métodos que combinan factores como frecuencia estadística y espacial combinada, de resolución múltiple; matriz de campo aleatorio de Markov; matrices de nivel de grises; co-ocurrencia; entre otros; también han sido formulados como solución a la problemática de la detección de errores en productos textiles, obteniendo resultados de hasta el 96,6 % por cada 25 muestras [22], [27].…”

Section: Estado Del Arteunclassified

“…se Uno vs Todos. Este método cuenta con el algoritmo de optimización mínima secuencial (OMS) para el entrenamiento del modelo [38]. Con el fin de realizar un análisis de separabilidad del espacio de características, se propone el uso de tres Kernels (Lineal, Polinomial y Gaussiano con radio adaptativo), para lograr la implementación de este algoritmo se utiliza la función Fitcecoc de Matlab  y para la clasificación con el método binario GP, se implementa una estrategia uno vs todos [37].…”

Section: I(cf)unclassified

See 1 more Smart Citation

Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado

Martínez

Salcedo

Baena

2018

Cien.Ing.Neogranadina

View full text Add to dashboard Cite

En este documento se presenta un caso de estudio para evaluar la eficiencia que presentan los descriptores espacio frecuencia en la clasificación de patrones 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 y la adaptación de la Transformada corta de Fourier en espacio para la generación de un vector de características, a este vector se le computa los momentos estadísticos como Kurtosis, sesgo, media y desviación estándar. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte como lo son las Máquinas de Soporte Vectorial (SVM), las Redes Neuronales Artificiales (RNA) y el Proceso Gaussiano (GP). Para validar el método se construye una base de datos anotada con diez tipos de telas con un total de 1000 fotos, a las cuales se le 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.

show abstract

Section: Estado Del Arteunclassified

Section: I(cf)unclassified