Examinando por Materia "Reconocimiento de patrones"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Clasificación de normalidad en tejido de mamas a partir de imágenes digitales de rayos x
    (Universidad del Valle, 2022) Velasco Giraldo, Diego Fernando; TOBAR BLANDON, MARIA FERNANDA; Loaiza-Correa, Humberto
    Se utilizaron técnicas de procesamiento de imágenes y reconocimiento de patrones. Específicamente, se implementaron dos métodos distintos para la segmentación de la mama, una que se basa en operaciones morfológicas, entropía, etc., y otra en la arquitectura de red neuronal convolucional U-Net. Para la clasificación y detección de anormalidades, se aplicaron técnicas basadas en máquinas de aprendizaje profundas (arquitecturas de redes neuronales convolucionales DenseNet121 + U-Net) y en máquinas de aprendizaje superficiales (perceptrón multicapa MLP y máquina de soporte vectorial SVM). Las entradas de estas dos últimas, son características estadísticas extraídas del histograma de las imágenes, junto con descriptores de textura a partir de la matriz de co-ocurrencia en niveles de gris, de las imágenes originales y de los patrones binarios locales de las imágenes (LBP). Se obtuvieron resultados sobresalientes. En las dos técnicas de segmentación de la mama desarrolladas se obtuvo un índice de similitud de Jaccard de 0,72 con el primer método y de 0,95 con el segundo, respecto a los ground truth. La clasificación de mamografías como normales o anormales con la arquitectura de red profunda DenseNet121 presentó una exactitud del 94% para el conjunto de test y, la detección de anormalidades con la arquitectura U-Net en mamografías de test clasificadas como anormales por DenseNet121, presentó un promedio de intersección con los ground truth de 0,94. Con las máquinas de aprendizaje superficiales, se clasificaron regiones normales y anormales de las imágenes para detectarlas posteriormente con un algoritmo de ventana deslizante. La clasificación de estas regiones tuvo una exactitud de 96,2% con el perceptrón multicapa (MLP) y de 97,1% con la máquina de soporte vectorial (SVM). Con estas dos máquinas de aprendizaje, la ventana deslizante detectó algunas anormalidades en las imágenes, pero se puede mejorar con técnicas complementarias en trabajos futuros. Se espera que este sistema contribuya a la elaboración de herramientas de soporte para los médicos radiólogos y, por ende, reduzca el margen de error en el diagnóstico de mamografías.
  • Miniatura
    PublicaciónAcceso abierto
    Detección de presencia y ausencia de Parkinson en audios de voz
    (Universidad del Valle, 2025) Sandoval Ramírez, Juan David; Loaiza-Correa, Humberto
    El objetivo de este trabajo de grado es la clasificación de presencia y ausencia de Parkinson mediante grabaciones de audio, que fueron extraídas de la base de datos IPVVS con grabaciones de voz en italiano. Además, se realiza la investigación de antecedentes nacionales e internacionales que hayan implementado procesos similares a los previstos en este proyecto, así como la revisión de un marco teórico que provea una contextualización de la aplicación en cuestión. El sistema propuesto consta, primeramente, de la etapa de preprocesamiento a los audios de la base de datos, que incluyó eliminación de silencios, remuestreo de frecuencia, filtrado y aumento de datos, mediante ventanas. En segundo lugar, la etapa de extracción de características y de espectrogramas, basados en los antecedentes consultados, además se aplicaron técnicas como Wrappers y Feature Selection para la selección de las características más discriminantes y la posterior normalización de los datos. Luego, con esta información se implementaron las máquinas de aprendizaje superficial como Random Forest (RF), Decision Trees (DT), Suppor Vector Machines (SVM) y K-Nearest Neighboors (KNN), teniendo dos maneras de clasificación. Finalmente, se implementaron dos redes neuronales convolucionales (CNN), como ResNet 18 y EfficientNet-B0, que fueron previamente entrenadas con ImageNet y aplicadas en este proyecto por medio de TransferLearning, debido al tamaño de la base de datos. En cuanto a los resultados obtenidos a través del sistema descrito, las máquinas de aprendizaje superficial lograron un promedio de exactitud en clasificación de 93.60%, destacándose KNN como el mejor clasificador con 96.38%, mientras que para el caso de las máquinas CNN el mejor desempeño registrado fue 98.56% por parte de EfficientNet-B0. Finalmente, se realiza la discusión de los resultados obtenidos y se establecen conclusiones con base en estos.
  • Miniatura
    PublicaciónAcceso abierto
    Reconocimiento automático de placas de automóviles : automatización de parqueaderos.
    (2011-10-13) Guzmán Castillo, Paola Fernanda; Medina Villalobos, Jorge Alberto; Gualdrón González, Oscar
    En este trabajo se presenta una metodología que permite, mediante el procesamiento de una imagen digital tomada a un automóvil, realizar el reconocimiento de los seis caracteres principales contenidos en su placa. La tarea consiste en transformar una imagen o conjunto de valores de intensidad que no le aportan ninguna información explícita al computador, en una secuencia de caracteres ASCII, que pueden ser manipulados mediante bases de datos en procesos de verificación, comparación e identificación. La investigación se desarrolló considerando una aplicación particular como es el control de acceso a un parqueadero.