Icono govco
 

Publicación:
Implementación de un algoritmo de aprendizaje automático para determinar características de espejos utilizando los patrones de prueba de Ronchi en el taller de óptica de la Unillanos

Vista sencilla de ítem
dc.contributor.advisorJiménez López, Andrés Fernando
dc.contributor.advisorCruz Roa, Ángel Alfonso
dc.contributor.authorZapata Medina, Daniel
dc.date.accessioned2023-09-13T21:22:24Z
dc.date.available2023-09-13T21:22:24Z
dc.date.issued2017
dc.descriptionIncluye cuadros y figuras.spa
dc.description.abstractLa prueba de Ronchi es un procedimiento que permite obtener patrones visuales (Ronchigramas), los cuales pueden usarse para determinar características ópticas en la superficie de espejos, como lo son las aberraciones y deformaciones ópticas. En este libro se presenta la implementación de un algoritmo de aprendizaje automático para la clasificación de imágenes de Ronchigramas, utilizando la técnica de extracción y descripción de características locales con el método Scale Invariant Feature Transform (SIFT), una bolsa de palabras visuales (BOVWs) para representación de imágenes y el entrenamiento del algoritmo de árboles de decisión (Random ForestRF) en el esquema de clasificación con un rendimiento alcanzado de 0; 88 en términos de la medida de precisión media. Se realizó la selección de este algoritmo porque arrojó mejores resultados al ser comparado con el rendimiento del algoritmo de una Máquina de Vectores de Soporte (Support Vector Machine-SVM) que fue entrenado y evaluado con el mismo conjunto de datos y alcanzó un rendimiento de clasificación de 0; 74 en la medida de precisión media. El algoritmo es implementado en el Módulo de análisis de Ronchigramas (MARC), en la herramienta de Software ANGMAR - Image Processing V1.0, que compone el Sistema Asistido por Computador de la Prueba de Ronchi en el taaller de óptica de la Universidad de los Llanos (SAPRULL)spa
dc.description.abstractThe Ronchi test is a procedure that allows to obtain visual patterns (Ronchigramas), which can be used to determine the optical characteristics on the surface of the mirrors, such as aberrations and optical deformations. This book presents the implementation of an algorithm of automatic learning for the classi cation of images of Ronchigramas, using the technique of extraction and the description of local features with the Scale Invariant Feature Transform (SIFT) method, a bag of visual words (BOVWs) for the representation of images and the training decision tree algorithm (Random Forest-RF ) in the classi cation scheme with a performance achieved 0; 88 in terms of the average precision measure. The selection of this algorithm was performed because it showed better results in comparison to the Support Vector Machine (SVM ) performance that was trained and evaluated with the same data set and the performance achieved was 0; 74 of the average precision measure. The algorithm is implemented in the Analysis Module of Ronchigramas (MARC ), in the Software Tool ANGMAR - Image Processing V1.0, which composes the Computer Assisted System for the Ronchi test at the Optics Laboratory of the University of Los Llanos (SAPRULL).eng
dc.description.degreelevelEspecializaciónspa
dc.description.degreenameEspecialista en Ingeniería de Softwarespa
dc.description.programEspecialización en Ingeniería de Softwarespa
dc.description.tableofcontentsDedicación. -- Introducción. -- Agradecimientos. -- Índice de cuadros. -- Índice de figuras. -- Resumen. -- Abstract. -- Prueba ronchi realizada en el laboratorio de óptica de la universidad de los llanos. -- Fabricación de espejos. -- Prueba ronchi. -- Fenómenos de difracción e Interferencia. -- Teoría geométrica. -- Patrones de ronchi para aberraciones primaria. -- Determinación de las deformaciones en espejos. -- Visión por computador. -- Representación de las imágenes. -- Imágenes digitales. -- Clasificación de imágenes. -- Extracción de características. -- Scale invariant feature transform (sift). -- Característica local (local feature). -- Representación de la imagen. -- Construcción del vocabulario visual. -- Histograma normalizado. -- Algoritmos de aprendizaje. -- Tareas de aprendizaje automático. -- Clasificación: -- Regresión: -- Datos de entrenamiento y datos de prueba. -- Máquina de vectores de soporte (support vector machine-svm). -- Formulación básica: svm lineal: -- Desarrollo matemático del svm. -- Kernels especiales. -- Árboles de decisión (métodos de ensamble). -- Árboles cart. -- Bosques aleatorios (random forest-rf). -- Métodos de evaluación. -- Desarrollo del proyecto. -- Aspectos prácticos de la prueba de ronchi. -- Clasificación de ronchigramas. -- Experimentos con Clasificadores svm y random forest. -- Entrenamiento del clasificador svm y random forest. -- Resultados de Evaluación del clasificador svm y random forest. -- Implementación en Python. -- Interfaz gráfica. -- Conclusiones y trabajo futuro. -- Conclusiones. -- Trabajo futuro. -- Referencias.spa
dc.format.extent86 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.citationZapata Medina, D. (2017). Implementación de un algoritmo de aprendizaje automático para determinar características de espejos utilizando los patrones de prueba de Ronchi en el taller de óptica de la Unillanos [Tesis de especialización, Universidad de los Llanos]. Repositorio digital Universidad de los Llanos.spa
dc.identifier.instnameUniversidad de los Llanosspa
dc.identifier.reponameRepositorio digital Universidad de los Llanosspa
dc.identifier.repourlhttps://repositorio.unillanos.edu.co/spa
dc.identifier.urihttps://repositorio.unillanos.edu.co/handle/001/2993
dc.language.isospaspa
dc.publisherUniversidad de los Llanosspa
dc.publisher.facultyFacultad de Ciencias Básicas e Ingenieríaspa
dc.publisher.placeVillavicenciospa
dc.relation.referencesMalacara, D.: Optical shop testing. Volume 59. John Wiley & Sons (2007)spa
dc.relation.referencesPrieto, M., Forero, Á.R.: Diseño e implementación de un sistema asistido por computador de la prueba de Ronchi en el Taller de Óptica de la Universidad de los Llanos - SAPRULL. Universidad de los Llanos (2015)spa
dc.relation.referencesMoya, J.P.A.: Procesamiento y análisis de imágenes digitales. libro electrónico disponible en www. ie. itcr. ac. cr/palvarado/PAID/paid. pdf [consultada el 17 de julio de 2012] (2012)spa
dc.relation.referencesKuncheva, L.I.: Combining pattern classifiers: methods and algorithms. John Wiley & Sons (2004)spa
dc.relation.referencesEveraldo Aguiar, R.J.: Data mining course cse - spring 2014, university of notre dame. Validation & Interpretation, Week 13 (4/7-4/13), Random forests, Ensemble methods (2014-2017)spa
dc.relation.referencesFriedman, J., Hastie, T., Tibshirani, R.: The elements of statistical learning. Volume 1. Springer series in statistics New York (2001)spa
dc.relation.referencesToto-Arellano, N.I., Rodríguez-Zurita, G., Serrano-García, D.I., HernándezOrduña, G.: Teoria Fisica de Rejillas de Amplitud y Fase. Noel Ivan Toto Arellano (2011)spa
dc.relation.referencesValveny Ernest, González Sabaté Jordi, B.C.R.: Clasificación de imágenes: cómo reconocer el contenido de una imagen (2010)spa
dc.relation.referencesBernard, S.: Random forests-parametrization and dynamic induction, document and learning research team litis laboratory university of rouen, france (2014)spa
dc.relation.referencesDing, S., Chen, L.: Intelligent optimization methods for high-dimensional data classification for support vector machines. Intelligent Information Management 2(06) (2010) 354spa
dc.relation.referencesLiu, M., Liu, X., Li, J., Ding, C., Jiang, J.: Evaluating total inorganic nitrogen in coastal waters through fusion of multi-temporal radarsat-2 and optical imagery using random forest algorithm. International Journal of Applied Earth Observation and Geoinformation 33 (2014) 192-202spa
dc.relation.referencesJiménez López, A.F., et al.: Diseño de un sistema para la medición de potencia refractiva de lentes progresivas empleando el test de Hartmann Design of a refractive power measurement system of Progressive Addition Lenses by Using the Hartmann Test. PhD thesis, Universidad Nacional de Colombia (2011)spa
dc.relation.referencesSerway, R.A., Beichner, R.J., Jewett, J.W.: Physics for scientists and engineers with modern physics. Saunders College Publishing Philadelphia PA (2000)spa
dc.relation.referencesackeling, G.: Mastering Machine Learning with scikit-learn. Packt Publishing Ltd (2014)spa
dc.relation.referencesBowles, M.: Machine learning in Python: essential techniques for predictive analysis. John Wiley & Sons (2015)spa
dc.relation.referencesscikit-learn developers: An introduction to machine learning with scikit-learn. An introduction to machine learning with scikit-learn (2010-2016)spa
dc.relation.referencesLowe, D.G.: Distinctive image features from scale-invariant keypoints. International journal of computer vision 60(2) (2004) 91 110spa
dc.relation.referencesHowse, J.: OpenCV Computer Vision with Python. Packt Publishing Ltd (2013)spa
dc.relation.referencesCsurka, G., Dance, C., Fan, L., Willamowski, J., Bray, C.: Visual categorization with bags of keypoints. In: Workshop on statistical learning in computer vision, ECCV. Volume 1., Prague (2004) 1-22spa
dc.relation.referencesCruz Roa, A.A., et al.: Anotación Automática de Imágenes Médicas Usando la Representación de Bolsa de Características. PhD thesis, Universidad Nacional de Colombia (2011)spa
dc.relation.referencesWitten, I.H., Frank, E., Hall, M.A., Pal, C.J.: Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann (2016)spa
dc.relation.referencesJoachims, T.: Training linear svms in linear time. In: Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, ACM (2006) 217-226spa
dc.relation.referencesGrauman, K., Darrell, T.: The pyramid match kernel: Discriminative classification with sets of image features. In: Computer Vision, 2005. ICCV 2005. Tenth IEEE International Conference on. Volume 2., IEEE (2005) 1458-1465spa
dc.relation.referencesLazebnik, S., Schmid, C., Ponce, J.: Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In: Computer vision and pattern recognition, 2006 IEEE computer society conference on. Volume 2., IEEE (2006) 2169-2178spa
dc.relation.referencesBreiman, L.: Random forests. Machine learning 45(1) (2001) 5-32spa
dc.relation.referencesHidalgo Ruiz-Capillas, S., et al.: Random forests para detección de fraude en medios de pago. Master's thesis, Universidad Autónoma de Madrid, Escuela Politécnica Superior, Departamento de Ingeniería Informática (2014)spa
dc.relation.referencesscikit-learn developers: An introduction to machine learning with scikit-learn. Ensemble methods (2010-2016)spa
dc.relation.referencesMartínez G., V.: Metodología de Minería de datos contra el fraude empresarial. Facultad de Estudios Estadísticos (2015)spa
dc.relation.referencesBiau, G.: Analysis of a random forests model. Journal of Machine Learning Research 13(Apr) (2012) 1063-1095spa
dc.relation.referencesWyner, A.J., Olson, M., Bleich, J., Mease, D.: Explaining the success of adaboost and random forests as interpolating classi ers. arXiv preprint arXiv:1504.07676 (2015)spa
dc.relation.referencesRuiz, F.E., Pérez, P.S., Bonev, B.I.: Information theory in computer vision and pattern recognition. Springer Science & Business Media (2009)spa
dc.relation.referencesRaschka, S.: Python machine learning. Packt Publishing Ltd (2015)spa
dc.relation.referencesGeurts, P., Ernst, D., Wehenkel, L.: Extremely randomized trees. Machine learning 63(1) (2006) 3-42spa
dc.relation.referencesCordero-Dávila, A., González-García, J.: Surface evaluation with ronchi test by using malacara formula, genetic algorithms, and cubic splines. In: International Optical Design Conference 2010, International Society for Optics and Photonics (2010) 76521F-76521Fspa
dc.relation.referencesCordero-Dávila, A., González-García, J., Robledo-Sánchez, C.I., Leal-Cabrera, I.: Local and global surface errors evaluation using ronchi test, without both approximation and integration. Applied optics 50(24) (2011) 4817-4823spa
dc.relation.referencesSánchez-Paredes, J., Silva-Ortigoza, G., Castro-Ramos, J., Sasian, J.: 1- ronchi tester to obtain the wave front aberration in converging optical systems using phase shifting interferometry. Opt. Pura Apl 45(4) (2012) 461-473spa
dc.relation.referencesBaquero, N., Hernández, W., Rincón, R.: Diseño y construcción de un telescopio cassegrain clásico. Orinoquia 10(2) (2006) 7-12spa
dc.relation.referencesKian [email protected], Gilles [email protected], A.M.a.b.: Oob errors for random forests. Scikit-Learn (2010-2016)spa
dc.relation.referencesChen, C., Liaw, A., Breiman, L.: Using random forest to learn imbalanced data. University of California, Berkeley 110 (2004)spa
dc.rightsDerechos Reservados - Universidad de los Llanos, 2017spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.proposalBolsa de palabras visualesspa
dc.subject.proposalProcesamiento de imágenesspa
dc.subject.proposalAprendizaje de máquinaspa
dc.subject.proposalDefectos ópticosspa
dc.subject.proposalEspejosspa
dc.subject.proposalRonchi testspa
dc.subject.proposalMáquina de Vectores de Soportespa
dc.subject.proposalÁrboles de decisiónspa
dc.subject.proposalImage processingeng
dc.subject.proposalMachine learningeng
dc.subject.proposalOptical defectseng
dc.subject.proposalMirrorseng
dc.subject.proposalSupport Vector Machineeng
dc.subject.proposalDecision treeeng
dc.titleImplementación de un algoritmo de aprendizaje automático para determinar características de espejos utilizando los patrones de prueba de Ronchi en el taller de óptica de la Unillanosspa
dc.typeTrabajo de grado - Especializaciónspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication

Archivos

Bloque original
Mostrando 1 - 3 de 3
Miniatura
Nombre:
1121871537.pdf
Tamaño:
2.94 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de especialización
Descargar
Miniatura
Nombre:
Anexo 1.pdf
Tamaño:
286.22 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de autorización
Descargar
Miniatura
Nombre:
Anexo 2.pdf
Tamaño:
1002.19 KB
Formato:
Adobe Portable Document Format
Descripción:
Artículo
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
14.43 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis y Trabajos de Grado