Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales

Actualmente las compañías productoras de dientes artificiales realizan las revisiones a cada producto terminado de forma manual, lo cual puede generar errores debido al cansancio producido por tareas repetitivas, además, el desgaste visual que se genera con cada día de labor, esto implica sobre cost...

Full description

Autores:
Cardona Mesa, Daniela
Palacio Uribe, José Antonio
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2015
Institución:
Instituto Tecnológico Metropolitano
Repositorio:
Repositorio ITM
Idioma:
spa
OAI Identifier:
oai:repositorio.itm.edu.co:20.500.12622/6179
Acceso en línea:
http://hdl.handle.net/20.500.12622/6179
Palabra clave:
Vetas, validación cruzada, mejora de contraste, filtros espaciales, perceptrón, regla delta, backpropagación
Streaks, cross validation, contrast enhancement, spatial filters, perceptron, delta rule, backpropagation
Implantes dentarios, materiales dentales, imagen dental, control de calidad
Rights
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id RepoITM2_5c82c88fcdc41f81cb500723a2e18630
oai_identifier_str oai:repositorio.itm.edu.co:20.500.12622/6179
network_acronym_str RepoITM2
network_name_str Repositorio ITM
repository_id_str
dc.title.spa.fl_str_mv Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
dc.title.translated.spa.fl_str_mv Edge detection of low-contrast defects in inhomogeneously illuminated artificial tooth images using neural networks
title Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
spellingShingle Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
Vetas, validación cruzada, mejora de contraste, filtros espaciales, perceptrón, regla delta, backpropagación
Streaks, cross validation, contrast enhancement, spatial filters, perceptron, delta rule, backpropagation
Implantes dentarios, materiales dentales, imagen dental, control de calidad
title_short Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
title_full Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
title_fullStr Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
title_full_unstemmed Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
title_sort Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales
dc.creator.fl_str_mv Cardona Mesa, Daniela
Palacio Uribe, José Antonio
dc.contributor.advisor.none.fl_str_mv Restrepo Martínez, Alejandro
dc.contributor.author.none.fl_str_mv Cardona Mesa, Daniela
Palacio Uribe, José Antonio
dc.subject.spa.fl_str_mv Vetas, validación cruzada, mejora de contraste, filtros espaciales, perceptrón, regla delta, backpropagación
topic Vetas, validación cruzada, mejora de contraste, filtros espaciales, perceptrón, regla delta, backpropagación
Streaks, cross validation, contrast enhancement, spatial filters, perceptron, delta rule, backpropagation
Implantes dentarios, materiales dentales, imagen dental, control de calidad
dc.subject.keywords.spa.fl_str_mv Streaks, cross validation, contrast enhancement, spatial filters, perceptron, delta rule, backpropagation
dc.subject.lemb.spa.fl_str_mv Implantes dentarios, materiales dentales, imagen dental, control de calidad
description Actualmente las compañías productoras de dientes artificiales realizan las revisiones a cada producto terminado de forma manual, lo cual puede generar errores debido al cansancio producido por tareas repetitivas, además, el desgaste visual que se genera con cada día de labor, esto implica sobre costos por los recursos humanos y perdidas por posibles devoluciones de productos defectuosos. Con este proyecto se pretende aportar a la detección automática de defectos denominados vetas para la revisión y validación de los dientes fabricados. Para dicha solución, se cuenta con un número de imágenes suministradas por el docente asesor de este trabajo de grado, las cuales se caracterizan por un efecto de luz no homogénea y constantes cambios en el contraste. Lo cual lleva a posibles confusiones, entre las zonas más oscuras y claras de cada imagen obtenida, creando posibles sombras que pueden posteriormente confundirse con las vetas, estas son consideradas franjas o segmentos que se pueden distinguir dentro de la materia en que se encuentre. Después de tener las imágenes con las mejoras, se implementó el proceso de convolución aplicando diferentes filtros Sobel, Prewitt, Roberts (Aggarwal, 2009), con los cuales se realizó un entrenamiento supervisado con el 90% de estas para las redes neuronales perceptrón, regla delta y bakcpropagation, el 10% restante se usó para la evaluación de cada una de las redes utilizadas. Para determinar el mejor resultado se utilizó las matrices de confusión con las cuales se encontró que método generaba menor error en su clasificación de las vetas. Una vez que se obtuvieron los resultados de las mejores clasificaciones y analizados los datos de las evaluaciones se encontró que los defectos presentes en los dientes no se pueden identificar con un solo tipo de método, por este motivo se hace necesario el uso de redes neuronales con estructuras más complejas.
publishDate 2015
dc.date.issued.none.fl_str_mv 2015
dc.date.accessioned.none.fl_str_mv 2023-10-03T13:56:11Z
dc.date.available.none.fl_str_mv 2023-10-03T13:56:11Z
dc.type.local.spa.fl_str_mv Trabajo de grado de pregrado
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12622/6179
dc.identifier.instname.spa.fl_str_mv instname:Instituto Tecnológico Metropolitano
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Instituto Tecnológico Metropolitano
dc.identifier.repourl.none.fl_str_mv repourl:https://repositorio.itm.edu.co/
url http://hdl.handle.net/20.500.12622/6179
identifier_str_mv instname:Instituto Tecnológico Metropolitano
reponame:Repositorio Institucional Instituto Tecnológico Metropolitano
repourl:https://repositorio.itm.edu.co/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.local.spa.fl_str_mv Acceso abierto
dc.rights.creativecommons.*.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Acceso abierto
Attribution-NonCommercial-NoDerivatives 4.0 International
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingenierías
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
dc.publisher.grantor.spa.fl_str_mv Instituto Tecnológico Metropolitano
institution Instituto Tecnológico Metropolitano
bitstream.url.fl_str_mv https://dspace-itm.metabuscador.org/bitstreams/7e092dd2-ea69-4f66-b824-a38fb757fe66/download
https://dspace-itm.metabuscador.org/bitstreams/1ace8e91-835b-4cea-8913-9d17c1b4818e/download
https://dspace-itm.metabuscador.org/bitstreams/e2bbd7ae-10f1-4164-ba9d-33bb36d52209/download
https://dspace-itm.metabuscador.org/bitstreams/e7a9e1de-272a-4124-810c-a2f9eec6ed85/download
https://dspace-itm.metabuscador.org/bitstreams/81b871c8-c130-4416-94a5-5f638e0eaca7/download
https://dspace-itm.metabuscador.org/bitstreams/446ebb8a-d139-434b-a332-e96ae0688c5e/download
https://dspace-itm.metabuscador.org/bitstreams/f1a1db1a-e9c0-4d62-a102-e66712c63228/download
bitstream.checksum.fl_str_mv 93936d865efa156f3ee78ba6583846a6
8a20b9b1f072c8516bcb21171444142b
7734e4171dd7ba1c98e697a13b9e06eb
9c77cec9281aba2b46981c1e2cfab791
4339fd8a1ab76ff56e8707d31b3f4ff2
5a4d7ecd13b0a9cbf4da5f8b66c0d128
ff4c8ff01d544500ea4bfea43e6108c1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Instituto Tecnológico Metropolitano de Medellín
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1837096887032741888
spelling Restrepo Martínez, AlejandroCardona Mesa, DanielaPalacio Uribe, José Antonio2023-10-03T13:56:11Z2023-10-03T13:56:11Z2015http://hdl.handle.net/20.500.12622/6179instname:Instituto Tecnológico Metropolitanoreponame:Repositorio Institucional Instituto Tecnológico Metropolitanorepourl:https://repositorio.itm.edu.co/Actualmente las compañías productoras de dientes artificiales realizan las revisiones a cada producto terminado de forma manual, lo cual puede generar errores debido al cansancio producido por tareas repetitivas, además, el desgaste visual que se genera con cada día de labor, esto implica sobre costos por los recursos humanos y perdidas por posibles devoluciones de productos defectuosos. Con este proyecto se pretende aportar a la detección automática de defectos denominados vetas para la revisión y validación de los dientes fabricados. Para dicha solución, se cuenta con un número de imágenes suministradas por el docente asesor de este trabajo de grado, las cuales se caracterizan por un efecto de luz no homogénea y constantes cambios en el contraste. Lo cual lleva a posibles confusiones, entre las zonas más oscuras y claras de cada imagen obtenida, creando posibles sombras que pueden posteriormente confundirse con las vetas, estas son consideradas franjas o segmentos que se pueden distinguir dentro de la materia en que se encuentre. Después de tener las imágenes con las mejoras, se implementó el proceso de convolución aplicando diferentes filtros Sobel, Prewitt, Roberts (Aggarwal, 2009), con los cuales se realizó un entrenamiento supervisado con el 90% de estas para las redes neuronales perceptrón, regla delta y bakcpropagation, el 10% restante se usó para la evaluación de cada una de las redes utilizadas. Para determinar el mejor resultado se utilizó las matrices de confusión con las cuales se encontró que método generaba menor error en su clasificación de las vetas. Una vez que se obtuvieron los resultados de las mejores clasificaciones y analizados los datos de las evaluaciones se encontró que los defectos presentes en los dientes no se pueden identificar con un solo tipo de método, por este motivo se hace necesario el uso de redes neuronales con estructuras más complejas.Ingeniero de Sistemaspregradoapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Vetas, validación cruzada, mejora de contraste, filtros espaciales, perceptrón, regla delta, backpropagaciónStreaks, cross validation, contrast enhancement, spatial filters, perceptron, delta rule, backpropagationImplantes dentarios, materiales dentales, imagen dental, control de calidadDetección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronalesEdge detection of low-contrast defects in inhomogeneously illuminated artificial tooth images using neural networksFacultad de IngenieríasIngeniería de SistemasInstituto Tecnológico MetropolitanoTrabajo de grado de pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisPublicationTHUMBNAILDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.jpgDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.jpgGenerated Thumbnailimage/jpeg5823https://dspace-itm.metabuscador.org/bitstreams/7e092dd2-ea69-4f66-b824-a38fb757fe66/download93936d865efa156f3ee78ba6583846a6MD56falseAnonymousREADCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.jpgCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.jpgGenerated Thumbnailimage/jpeg7592https://dspace-itm.metabuscador.org/bitstreams/1ace8e91-835b-4cea-8913-9d17c1b4818e/download8a20b9b1f072c8516bcb21171444142bMD57falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81406https://dspace-itm.metabuscador.org/bitstreams/e2bbd7ae-10f1-4164-ba9d-33bb36d52209/download7734e4171dd7ba1c98e697a13b9e06ebMD53falseAnonymousREADORIGINALDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdfDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdfTrabajo de gradoapplication/pdf2237009https://dspace-itm.metabuscador.org/bitstreams/e7a9e1de-272a-4124-810c-a2f9eec6ed85/download9c77cec9281aba2b46981c1e2cfab791MD54trueAnonymousREADCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdfCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdfCarta de autorizaciónapplication/pdf621856https://dspace-itm.metabuscador.org/bitstreams/81b871c8-c130-4416-94a5-5f638e0eaca7/download4339fd8a1ab76ff56e8707d31b3f4ff2MD55falseAnonymousREAD2070-12-31TEXTDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.txtDaniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.txtExtracted texttext/plain73759https://dspace-itm.metabuscador.org/bitstreams/446ebb8a-d139-434b-a332-e96ae0688c5e/download5a4d7ecd13b0a9cbf4da5f8b66c0d128MD58falseAnonymousREADCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.txtCarta_autorizacion_Daniela_CardonaMesa_JoseAntonio_PalacioUribe_2015.pdf.txtExtracted texttext/plain4https://dspace-itm.metabuscador.org/bitstreams/f1a1db1a-e9c0-4d62-a102-e66712c63228/downloadff4c8ff01d544500ea4bfea43e6108c1MD59falseAnonymousREAD2070-12-3120.500.12622/6179oai:dspace-itm.metabuscador.org:20.500.12622/61792025-06-24 09:22:42.126http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://dspace-itm.metabuscador.orgRepositorio Instituto Tecnológico Metropolitano de Medellínbdigital@metabiblioteca.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