Clasificador de objetos en MATLAB® con redes neuronales de aprendizaje profundo

Autores/as

  • Allison Guzmán Lembo Universidad Autónoma de Nuevo León
  • Carlos Daniel Mayorga Alvarado Universidad Autónoma de Nuevo León
  • Jimena Fernanda Dávila Vázquez Universidad Autónoma de Nuevo León
  • Jonathan Martínez Reyna Universidad Autónoma de Nuevo León
  • Angel Rodriguez-Liñan Universidad Autónoma de Nuevo León https://orcid.org/0000-0002-0204-4424
  • Luis M. Torres-Treviño Universidad Autónoma de Nuevo León

DOI:

https://doi.org/10.29105/ingenierias24.90-16

Palabras clave:

Red neuronal artificial, aprendizaje profundo,, AlexNet, GoogLeNet, VGG-16, reconocimiento de imágenes

Resumen

En este trabajo, de manera introductoria se ilustra la implementación de tres redes neuronales preentrenadas con el paradigma de aprendizaje profundo en el software MATLAB®, que pueden reconocer objetos en imágenes capturadas por una cámara. Mediante experimentos para reconocer objetos, se determinó cuál de estas redes tuvo mejor desempeño, aprovechando una base de datos estándar de imágenes. Dichos resultados se ilustran con ejemplos del uso del software y con datos comparativos de los aciertos.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

Allison Guzmán Lembo, Universidad Autónoma de Nuevo León

Estudiante de la carrera Ingeniero en Electrónica y Automatización en la Facultad de Ingeniería Mecánica y Eléctrica de la Universidad Autónoma de Nuevo León.

Carlos Daniel Mayorga Alvarado, Universidad Autónoma de Nuevo León

Profesional Técnico Bachiller en Electromecánica Industrial (2015) y actualmente estudiante de la carrera Ingeniero en Electrónica y Automatización en la Facultad de Ingeniería Mecánica y Eléctrica de la Universidad Autónoma de Nuevo León.

Jimena Fernanda Dávila Vázquez, Universidad Autónoma de Nuevo León

Profesional Técnico Bilingüe Progresivo en Mantenimiento Aeronáutico (2015) y estudiante de la carrera Ingeniero en Electrónica y Automatización en la Facultad de Ingeniería Mecánica y Eléctrica de la Universidad Autónoma de Nuevo León. Actualmente trabaja en Automatización en Schneider Electric.

Jonathan Martínez Reyna, Universidad Autónoma de Nuevo León

Estudiante de la carrera Ingeniero en Electrónica y Automatización en la Facultad de Ingeniería Mecánica y Eléctrica de la Universidad Autónoma de Nuevo León.

Angel Rodriguez-Liñan, Universidad Autónoma de Nuevo León

Ingeniero en Electrónica y Comunicaciones (2003), Maestro en Ciencias de Ingeniería Eléctrica con especialidad en Control (2005) y Doctor en Ingeniería Eléctrica (2009) por la FIME, UANL. Pertenece al Cuerpo Académico Tecnología e Innovación Mecatrónica. Es profesor en el Centro de Innovación, Investigación y Desarrollo en Ingeniería y Tecnología. Obtuvo el Premio de Investigación UANL 2009. Desde 2011 fue reconocido por PRODEP y SNI.

Luis M. Torres-Treviño, Universidad Autónoma de Nuevo León

Ingeniero Mecánico, Maestro en Ciencias y Doctorado en Ingeniería de Materiales por la FIME-UANL. Posdoctorado en University of Texas at Austin, USA. Actualmente es profesor investigador en la FIME. Nivel II en el SNI.

Citas

Coronel Tobar, Hernán Fabricio. (2007). Reconocimiento de rostros utilizando redes neuronales. Tesis, Escuela Politécnica Nacional, Quito, Ecuador.

Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. DOI: https://doi.org/10.1038/nature21056

Yun Liu, Krishna Gadepalli, Mohammad Norouzi, George E. Dahl, Timo Kohlberger, Aleksey Boyko, Subhashini Venugopalan, Aleksei Timofeev, Philip Q. Nelson, Gregory S. Corrado, Jason D. Hipp, Lily Peng, Martin C. (2017). Detecting Cancer Metastases on Gigapixel Pathology Images. CoRR abs/1703.02442.

Ramírez González, D., Pulido Sarmiento, G., Gerardino Arévalo, B., Cruz Romero, J., Estupiñán Escalante, E., & Cancino Suárez, S. (2009). Adquisición y reconocimiento de imágenes por medio de técnicas de visión e inteligencia artificial. ITECKNE, 6(1), 5-13. DOI: https://doi.org/10.15332/iteckne.v6i1.290

García García, Pedro Pablo. (2013). Reconocimiento de imágenes utilizando redes neuronales artificiales. Tesis de Maestría, Universidad Complutense de Madrid, España.

Castro García, José Francisco. (2006). Fundamentos para la implementación de red neuronal perceptrón multicapa mediante software. Tesis, Universidad de San Carlos, Guatemala.

Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton. “ImageNet Classification with Deep Convolutional Neural Networks.” Advances in neural information processing systems. 2012.

Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, Alexander C. Berg and Li Fei-Fei. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115(3), 211-252. DOI: https://doi.org/10.1007/s11263-015-0816-y

Pretrained GoogLeNet convolutional neural network. http://la.mathworks.com/help/deeplearning/ref/googlenet.html

Zhou, B., Khosla, A., Lapedriza, À., Torralba, A., & Oliva, A. (2017). Places: An Image Database for Deep Scene Understanding. CoRR, abs/1610.02055. DOI: https://doi.org/10.1167/17.10.296

Pretrained VGG-16 convolutional neural network. http://la.mathworks.com/help/deeplearning/ref/vgg16.html

Siddharth, Das. (2017) CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet.

Pretrained AlexNet convolutional neural network. http://la.mathworks.com/help/deeplearning/ref/alexnet.html

Descargas

Publicado

2021-01-30

Cómo citar

Guzmán Lembo, A., Mayorga Alvarado, C. D., Dávila Vázquez, J. F., Martínez Reyna, J., Rodriguez-Liñan, A., & Torres-Treviño, L. M. (2021). Clasificador de objetos en MATLAB® con redes neuronales de aprendizaje profundo. Ingenierias, 24(90), 41–54. https://doi.org/10.29105/ingenierias24.90-16