Clasificación De Piezas Metalmecánicas Basado En Algoritmos Inteligentes Implementando Procesamiento Digital De Imágenes

Published in: Innovation in Engineering, Technology and Education for Competitiveness and Prosperity: Proceedings of the 12th Latin American and Caribbean Conference for Engineering and Technology
Date of Conference: July 21-24,2014
Location of Conference: Guayaquil,Ecuador
Authors: Margarita R. Gamarra A.
Francisco A. Bertel R.
Refereed Paper: #104

Abstract:

This work aims to develop a computational tool based on intelligent algorithms for classification of three types of metalworking parts. For this, it is necessary to design an intelligent system able to detect the piece by digital image processing, effective feature selection using genetic algorithms (GA) and classification with Artificial Neural Networks (ANN), all integrated in MatLab specialized software. At present, the metalworking companies show great interest in automating their processes, thereby an intelligent system to support the calssification made by operators is sought, due to sometimes their criteria results subjective. In this work appears that classifier implemented with ANN results in lower error percentage compared to the k-means classifier, even with a reduced size of the confidence interval.

Resumen:

Este trabajo tiene como objetivo el desarrollo de una herramienta computacional basada en algoritmos inteligentes para la clasificación de tres tipos de piezas metalmecánicas. Para ello, se hace necesario diseñar un sistema inteligente capaz de detectar la pieza mediante procesamiento digital de imágenes, selección efectiva de características mediante Algoritmos Genéticos (GA) y clasificación con Redes Neuronales Artificiales (RNA), todo esto integrado en el software especializado MatLab. En la actualidad, las compañías metalmecánicas muestran gran interés por la automatización de sus procesos, por ello se busca soportar la clasificación que hacen sus operarios con un sistema inteligente que detecte el tipo de pieza ya que en ocasiones su criterio resulta subjetivo. En este trabajo se obtiene que el clasificador implementado con redes neuronales resulta en un porcentaje de error inferior al clasificador de los k-vecinos, incluso con rango reducido del intervalo de confianza.