Con la finalidad de establecer el grado de exactitud del método, se realizo la prueba del método con 20 imágenes al azar, las cuales se pasaron por el clasificador y los resultados obtenidos fueron revisados para observar la exactitud con la que se clasifican los objetos.
Para ello se realizo la matriz de confusión, que es una matriz bidimensional cuadrada, donde cada columna representa el resultado de la clasificación y las filas representan las categorías reales, la diagonal principal hace referencia a los elementos que son clasificados correctamente, mientras que las demás celdas hacen referencia a los elementos incorrectamente clasificados y en que grupos han sido mal clasificados.
Error de comisión: Se define como los elementos de una misma columna exceptuando la diagonal que reflejan el número de objetos que fueron asignados a una categoría cuando en realidad pertenecen a otra.
Error de omisión: Se define como los elementos de una misma fila exceptuando la diagonal que reflejan el número de objetos que perteneciendo a una misma clase fueron asignados a otras.
POLIESTIRENO MADERA OTROS TOTAL ERROR O
POLIESTIRENO 21 5 12 38 0,44736842
MADERA 1 30 0 31 0,03225806
OTROS 4 26 29 59 0,50847458
TOTAL 26 61 41 128
ERROR C 0,192307692 0,50819672 0,29268293 0,375
Tabla 4. Matriz de confusión.
De igual forma de calcula la fiabilidad global del algoritmo dada por la siguiente formula:
𝐹𝐺 =𝑛𝑎 𝑛𝑒
Donde na es la sumatoria del número de aciertos, es decir, la sumatoria de la diagonal principal y ne es el número de objetos totales.
En el caso del método, la fiabilidad global esta dada por: 𝐹𝐺 = 80
128= 0,63 = 63 %
Se puede observar, por lo tanto, que si bien se pasa el umbral del 50% de fiabilidad aun se tiene un margen bajo eso es debido a que el método aun
presenta ciertas limitaciones que se corregirán conforme se optimice el rendimiento del método y se profundice en su realización.
CONCLUSIÓN
Una vez desarrollado e implementado el algoritmo, se puede concluir que se logra establecer con éxito un aproximado del índice de ocupación del objeto en la arena de la playa para cada una de las tres zonas seleccionadas.
De igual manera se logran determinar las características básicas que nos permitieron clasificar los objetos dentro de cada una de las categorías, si bien por oclusión de la arena sobre los objetos estos muchas veces no se observan en su totalidad, la información que se pierde puede ser restaurada gracias a operaciones básicas de erosión y dilatación, permitiendo así que el objeto recupere en un 99% el tamaño ocupado.
Además se pudo calcular la eficiencia del clasificador mediante una matriz de confusión, estableciendo un porcentaje de efectividad y dejando ver varias limitaciones que no dejan que el método sea 100% seguro, dentro de las limitaciones se encontraron que cuando hay objetos con tonalidades similares a la arena o tiene tonalidades entre el amarillo y el marrón no se clasifican adecuadamente, otra es cuando hay objetos superpuestos no discrimina si hay un objeto o más.
Es importante tener en cuenta que se sentó un precedente en la utilización del procesamiento digital de imágenes en ambientes con poco control, en donde la iluminación no es constante y por lo tanto no es ideal, así mismo, si bien no se abarcan todas las categorías que plantean los desarrolladores del proyecto ICAPTU en el proceso de conteo de los residuos, se logró exitosamente dividirlos en 3 categorías.
La realización de este proyecto abre el camino a áreas de la ingeniería de sistemas, como es el caso del procesamiento digital de imágenes, hacia la colaboración estrecha en la conservación del medio ambiente, brindándole la posibilidad a los profesionales de incursionar en este ámbito de la vida humana que para esta época de consumismo globalizado, de aumento de los niveles de contaminación y de despertar ambiental se ha convertido en una prioridad del ser humano, teniendo en cuenta que de nada sirven los constantes avances tecnológicos cuando el planeta tierra sufre por los maltratos ocasionados y la calidad medioambiental disminuye poniendo en riesgo a toda la humanidad.
REFERENCIAS BIBLIOGRÁFICAS
A. De Rosa, A.M. Bonacchi, V., Cappellini, and M. Barni. (2001). Image segmentation and region filling for virtual restoration of art-works, in Proceedings of
IEEE International Conference on Image Processing (ICIP01), Thessaloniki,
Greece, IEEE, New York, pp. 562–565.
Adams, R., Bischof, L. (1994). Seeded region growing, IEEE Trans. on Patt.
Anal.and Machine Intelligence, 16, 641–647.
Adolfo Moreno, A., & Ballesteros, D., (2010). Prototipo para la automatización del
proceso de clasificación del mango tipo exportación (Mangifera Indica L) basado en visión artificial. Santa Marta, Colombia.
Anequin, R. Boutigny, J. (2004) Curso de ciencias físicas, Óptica. España.
Atencio, P., (2009). Desarrollo de un sistema de visión artificial para el control de
calidad del mango de azúcar de exportación. Santa Marta, Colombia.
Barnard, K., Cardei, V. & Funt, B. (2002). A comparison of computational color constancy algorithms — parts I: Methodology and experiments with synthesized data, IEEE Transactions on Image Processing, 11, 972–984.
Berns, R. (2000). Billmeyer and Saltzman’s Principles of Color Technology, John Wiley & Sons, New York.
Brice, C.R., Fennema, C.L, (1970). Scene analysis using regions. Artif. Intelligence, 1, 205–226.
Castleman, K.R., (1996). Digital Image Processing. Prentice-Hall, Englewood, New Jersey.
Chamorro, J., Sanchez, D. & Prados, B., (2003). Advances in Soft Computing,
Engineering, Design and Manufacturing, ch.A fuzzy color image segmentation
applied to robot vision, J.M. Benitez, O. Cordon, F. Hoffman, R. Roy., Eds., Springer-Verlag, Heidelberg, pp. 129–138.
De La Escalera, A. (2001). Visión por computador. Fundamentos y métodos. Primera Edición.
Domic, A. I. (Ed). 2011. Biodiversidad y conservación: una guía informativa. Asociación para la Biología de la Conservación - Bolivia, La Paz.
Estremadoyro, J. (2004). Lecciones de periodismo televisivo. Primera edición Fairchild, M. (2005). Color Appearance Models, 2nd Edition, Wiley-Interscience, New York.
Fan, J., Yau, D., Elmagarmid, A. & A W. (2001). Ref, Automatic image segmentation by integrating color-edge extraction and seeded region growing,
IEEE Trans. on Image Process., 10, 1454–1466.
Feng Duan, Yao-Nan Wang, Huan-Jun Liu & Yang-Guo Li. (2007). A machine vision inspector for beer bottle. Engineering Applications of Artificial Intelligence,
20(7), 1013-1021.
Finlayson, G. & Hordley, S. (1999). A theory of selection for gamut mapping colour constancy, Im. And Vis. Comput., 17, 597–604.
Finlayson, G., Drew, M., Funt, B. (1994). Spectral sharpening: Sensor transformations for improved color constancy, J. Opt. Soc. Am. A, 11, 1553–1563. Funt, B., Drew, M., & Ho, J. (1991). Color constancy from mutual reflection, Int. J.
Comp.Vis., 6, pp. 5–24.
Gao, H., Siu, W.C., Hou, C.H. (2001) Improved techniques for automatic image segmentation, IEEE Trans. on Circuits and Systems for Video Technol., 11, 1273– 1280.
Glynn, G., Rosales, A., Enríquez R., (2007) Fotografía: manual básico de blanco y
negro. Primera edición
Haralick, R.M., Shapiro, L.G., (1992). Computer and robot vision. Addison-Wesley Publishing Co., New York.
Hartley, R. I., Zisserman, A., (2000) Multiple View Geometry in Computer Vision. Cambridge University Press.
Healey, G. & Slater, D. (1994). Global color constancy: Recognition of objects by use of illumination invariant properties of color distributions, J. Opt. Soc. Am. A, 11, 3003–3010.
Hojjatoleslami, S.A., & Kittler, J. (1998). Region growing: A new approach,
IEEETrans. on Image Process., 7, 1079–1084.
Ikonomakis, N., Plataniotis, K.N. & Venetsanopoulos, A.N. (2000). Unsupervised seed determination for a region-based color image segmentation scheme, in
Proceedings of IEEE International Conference on Image Processing (ICIP00),
Vancouver, Canada, Vol. I, IEEE, New York, pp. 537–540.
KıvançKılıça, İsmailHakkiBoyacıa, HamitKöksela & İsmailKüsmenoğlub. (2007). A classification system for beans using computer vision system and artificial neural networks. Journal of Food Engineering, 78(7), 897-904.
Konstantinos N. Plataniotis. (2007). Color Image Processing: Methods and
Lerma, J. (2002). Fotografía moderna: analítica y digital.
Maloney, L. & Wandell, B. (1986). Color constancy: A method for recovering surface spectral reflectance, J. Opt. Soc. Am. A, 3, 29–33.
Mehnert, A., Jackway, P. (1997) An improved seeded region growing algorithm,
Patt. Recognition Lett. 18, 1065–1071.
Meyer, F. (1992). Color image segmentation, in Proceedings of the IEEE
International Conference on Image Processing and Its Applications, Maastricht, the
Netherlands, IEEE, London, UK, pp. 303–306.
MinCit, (2012). Informe turismo Diciembre 2012, Ministerio de Comercio, Industria y turismo de Colombia.
Mukherjee, J., (2002). MRF clustering for segmentation of color images, Patt.
Recognition Lett. 23,917–929.
Murray, R. G. (1999). Plastics and South Pacific Island shores: environmental
implications, Department of Geology, The University of Auckland.
Ouerhani, N., Archip, N., Huegli, H., & Erard, P.J. (2001).Visual attention guided seed selection for color image segmentation, in Proceedings of the Ninth
International Conference on Computer Analysis of Images and Patterns (CAIP01),
Warsaw, Poland, W. Skarbek, Ed., Springer, pp. 630–637.
Palus, H., & Bereska, D. (1999). Region-based colour image segmentation, in
Proceedings of the Fifth Workshop Farbbildverarbeitung, Ilmenau, Germany, ZBS
e.V., Ilmenau, Germany, pp. 67–74.
Palus, H., (1998). The Colour Image Processing Handbook, ch. Representations of
colour images in different colour spaces, S.J. Sangwine, R.E.N. Horne, Eds.,
Chapman & Hall, London; New York, pp. 67–90.
Prakobkarna K., Saitthitib B., Intaravichib S. (2012). Design and Construction of
Beach Cleaning Trailer by Finite Element Method, THAILAND.
Sánchez, Á. (2005). Aplicaciones de la visión artificial y la biometría informática. Madrid
Sepúlveda, S. (1998). Manejo eficiente de los recursos naturales renovables, San José Costa Rica.
Shafer, S. (1985). Using color to separate reflection components, Color Res. Appl., 10, 210–218.
Shankar Vaidyanathan, Shivakumar Raman. (1995). OMNE-Vision —Object measurement in a noisy environment using vision. Computers in Industry, 27 (1), 23 – 32.
Sinclair, D. (1999). Voronoi Seeded Colour Image Segmentation, Technical Report TR99–4, AT&T Laboratories, Cambridge, United Kingdom
Slevin, Paul, Ha, Taekjip, (2008). Single- molecule techniques: A laboratory
manual.
Taborda, J.A., Botero, C. M., Sánchez, G. & Camargo, L. (fecha) Innovación
Tecnológica En El Programa De Calidad Ambiental De Playas Turísticas Del Caribe Norte Colombiano: Diagnóstico De Problemas Y Soluciones. Universidad
del Magdalena, Facultad de Ingeniería. Santa Marta, Colombia.
Teledetección (2000). Editado por Sobrino J. A. Universitat de València, 2001 - 468 páginas.
Walner, D. (2002). Color management and transformation through ICC profiles,
Colour Engineering: Achieving Device Independent Colour (edited by Phil Green
and Lindsay Macdonald), John Wiley & Sons, New York, pp. 247–261.
Wiley, J. & Sons. (2014). MATLAB: An Introduction with Applications, 5ta Edición. Worthey, J. & Brill, M. (1986). Heuristic analysis of von Kries color constancy, J.
Opt. Soc. Am. A, 3, 10, 1708–1712.
Wyszecki, G. & Stiles, W. (2000). Color Science: Concepts and Methods,
Quantitative Data and Formulae, Wiley-Interscience, New York.
Zhang Tianxu, Sang Nong, WangGuoyou, & Li Xiaowen. (1996). an effective method for identifying small objects on a complicated background. Artificial
Intelligence in Engineering, 10 (4), 343-349.
Zucker, S.W., (1976). Region growing: Childhood and adolescence, Comput.