Jiménez López, Andrés FernandoCruz Roa, Ángel AlfonsoZapata Medina, Daniel2023-09-132023-09-132017Zapata 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.https://repositorio.unillanos.edu.co/handle/001/2993Incluye cuadros y figuras.La 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)The 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).Dedicación. -- 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.86 páginasapplication/pdfspaDerechos Reservados - Universidad de los Llanos, 2017Trabajo de grado - EspecializaciónAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessBolsa de palabras visualesProcesamiento de imágenesAprendizaje de máquinaDefectos ópticosEspejosRonchi testMáquina de Vectores de SoporteÁrboles de decisiónImage processingMachine learningOptical defectsMirrorsSupport Vector MachineDecision treeUniversidad de los LlanosRepositorio digital Universidad de los Llanoshttps://repositorio.unillanos.edu.co/http://purl.org/coar/access_right/c_abf2