• Repositorio Institucional Universidad de Pamplona
  • Tesis de maestría y doctorado
  • Facultad de Ingenierías y Arquitectura
  • Maestría en Controles Industriales
    • Por favor, use este identificador para citar o enlazar este ítem: http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3326
    Registro completo de metadatos
    Campo DC Valor Lengua/Idioma
    dc.contributor.authorMosquera Mykh, Artur.-
    dc.date.accessioned2022-10-03T14:10:44Z-
    dc.date.available2020-03-02-
    dc.date.available2022-10-03T14:10:44Z-
    dc.date.issued2020-
    dc.identifier.citationMosquera Mykh, A. (2019). Desarrollo de un sistema de visión artificial multiagente para la segmentación de vidrio en ventanas de rascacielos [Trabajo de Grado Maestría, Universidad de Pamplona]. Repositorio Hulago Universidad de Pamplona. http://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3326es_CO
    dc.identifier.urihttp://repositoriodspace.unipamplona.edu.co/jspui/handle/20.500.12744/3326-
    dc.descriptionEl número de rascacielos construidos y en construcción en los últimos años evidencia la dinámica de crecimiento de los rascacielos y, con los requerimientos y tecnológicas empleadas para efectuar la limpieza de sus ventanas, se observa una necesidad de desarrollar nuevas alternativas que realicen esta tarea de forma más segura, rápida y precisa. Este trabajo presenta el desarrollo de un sistema de visión artificial multiagente para la segmentación de vidrio en ventanas de rascacielos, el cual está diseñado para ser integrado en el futuro a un prototipo de brazo robótico y un dron, con el fin de realizar el trabajo de limpieza de ventanas de rascacielos. La función del sistema desarrollado es la de segmentar el vidrio y, a partir de la segmentación, obtener los parámetros de la altura, el ancho y la posición en los ejes X, Y y Z del centro del vidrio con respecto a la posición de la cámara. En la investigación se presenta una introducción teórica de los métodos empleados para el desarrollo del sistema mencionado, un estado del arte de la visión artificial, y la metodología y resultados que guían la selección de los métodos empleados. Los resultados incluyen la compilación de una base de datos de ventanas de rascacielos con una amplia variedad de condiciones físicas y de iluminación; la segmentación del vidrio evaluada de forma preliminar empleando algoritmos de detección de bordes, tales como Canny, Sobel, Prewitt, Roberts y Laplaciano de Gaussiano; las propiedades de región enfocadas a áreas rectangulares; y la detección de líneas utilizando transformada de Hough. Adicionalmente, se presenta la implementación de técnicas de inteligencia artificial como las redes neuronales convolucionales junto con segmentación semántica, y la integración de todos los métodos expuestos anteriormente en un sistema de visión artificial multiagente para la segmentación de vidrio empleando un árbol de decisión. Por último, se propone una forma de lograr la conversión de pixeles a sistema métrico de los parámetros entregados por el sistema multiagente, con el fin de demostrar que el sistema desarrollado puede ser implementado. Lo anterior se logra siguiendo las ecuaciones matemáticas de la relación entre la imagen tomada por la cámara, la medida estimada por un sensor de distancia y los parámetros intrínsecos de la cámara.es_CO
    dc.description.abstractThe number of skyscrapers under construction and built in recent years demonstrates the growth dynamics of skyscrapers and, with the requirements and technologies used to clean their windows, show a clear need to develop new alternatives that perform this task in a safer, faster and more accurate way. This work presents the development of a multi agent artificial vision system for glass segmentation in skyscraper windows, which is designed to be attached in the future into a robotic arm prototype and a drone, in order to perform the work of skyscraper window cleaning. The function of the developed system is to segment the glass and, from the segmentation, obtain the parameters of the height, width and position in the X, Y and Z axes of the glass's center in relation to the camera's position. The research presents a theoretical introduction of the methods used for the development of the mentioned system, a state of the art of artificial vision, and the methodology and results that guided the selection of the methods used. The results include the compilation of a database of skyscraper windows with a wide variety of physical and lighting conditions; a preliminary glass segmentation program using edge detection algorithms such as Canny, Sobel, Prewitt, Roberts and Laplacian of the Gaussian, region properties focused on rectangular areas, and line detection using Hough transform. Additionally, the implementation of artificial intelligence techniques such as convolutional neural networks is presented along with semantic segmentation, and all the methods set forth above integrated into a multi-agent artificial vision system for glass segmentation using a decision tree. Lastly, a way to achieve the conversion of pixels into the metric system of the parameters delivered by the multi-agent system is proposed, in order to demonstrate that the developed system can be implemented. The above is achieved by following the mathematical equations of the relationship between the image taken by the camera, the measurement made by a distance sensor and the intrinsic parameters of the camera.es_CO
    dc.format.extent116es_CO
    dc.format.mimetypeapplication/pdfes_CO
    dc.language.isoeses_CO
    dc.publisherUniversidad de Pamplona – Facultad de Ingenierías y Arquitectura.es_CO
    dc.subjectRascacielos,es_CO
    dc.subjectSegmentación,es_CO
    dc.subjectAlgoritmos de bordes,es_CO
    dc.subjectTransformada de Hough,es_CO
    dc.subjectRed neuronal convolucional,es_CO
    dc.subjectSistema multiagente.es_CO
    dc.titleDesarrollo de un sistema de visión artificial multiagente para la segmentación de vidrio en ventanas de rascacielos.es_CO
    dc.typehttp://purl.org/coar/resource_type/c_bdcces_CO
    dc.date.accepted2019-12-02-
    dc.relation.referencesAldwaik, M. & Adeli, H. (2014). Advances in optimization of highrise building structures. Structural and Multidisciplinary Optimization, 50(6), 899-919.es_CO
    dc.relation.referencesAntona Cortés, C. (2017). Herramientas modernas en redes neuronales: la librería Keras (Bachelor's thesis).es_CO
    dc.relation.referencesAperador-Chaparro, W., Bautista-Ruiz, J. H., & Mejía, A. S. (2013). Determinacion por vision artificial del factor de degradacion en aleaciones biocompatibles. Información tecnológica, 24(2), 109-120.es_CO
    dc.relation.referencesAzad, R. & Baghdadi, M. (2014). Novel and Fast Algorithm for Extracting License Plate Location Based on Edge Analysis. arXiv preprint arXiv:1407.6496.es_CO
    dc.relation.referencesBautista, B. M., Medina, J. A. P., & Marín, F. J. S. (2012, July). Vision sens. In International Conference on Computers for Handicapped Persons (pp. 490-496). Springer, Berlin, Heidelberg.es_CO
    dc.relation.referencesBerkaya, S. K., Gunduz, H., Ozsen, O., Akinlar, C. & Gunal, S. (2016). On circular traffic sign detection and recognition. Expert Systems with Applications, 48, 67-75.es_CO
    dc.relation.referencesBhunia, A. K., Kumar, G., Roy, P. P., Balasubramanian, R., & Pal, U. (2018). Text recognition in scene image and video frame using Color Channel selection. Multimedia Tools and Applications, 77(7), 8551-8578.es_CO
    dc.relation.referencesCao, X., Wei, Y., Wen, F., & Sun, J. (2014). Face alignment by explicit shape regression. International Journal of Computer Vision, 107(2), 177-190.es_CO
    dc.relation.referencesChung, C. L., Huang, K. J., Chen, S. Y., Lai, M. H., Chen, Y. C., & Kuo, Y. F. (2016). Detecting Bakanae disease in rice seedlings by machine vision. Computers and electronics in agriculture, 121, 404-411.es_CO
    dc.relation.referencesConstante, P., Gordon, A., Chang, O., Pruna, E., Acuna, F., & Escobar, I. (2016). Artificial Vision Techniques to Optimize Strawberry's Industrial Classification. IEEE Latin America Transactions, 14(6), 2576-2581.es_CO
    dc.relation.referencesCouncil on Tall Buildings and Urban Habitat (2018). Another Record-Breaker for Skyscraper Completions. Recuperado de: http://www.ctbuh.org/es_CO
    dc.relation.referencesCubero, S., Lee, W. S., Aleixos, N., Albert, F., & Blasco, J. (2016). Automated systems based on machine vision for inspecting citrus fruits from the field to postharvest—a review. Food and Bioprocess Technology, 9(10), 1623-1639.es_CO
    dc.relation.referencesDahl, G. E., Sainath, T. N., & Hinton, G. E. (2013, May). Improving deep neural networks for LVCSR using rectified linear units and dropout. In 2013 IEEE international conference on acoustics, speech and signal processing (pp. 8609-8613). IEEE.es_CO
    dc.relation.referencesDiao, Z., Zhao, M., Song, Y., Wu, B., Wu, Y., Qian, X., & Wei, Y. (2015). Crop line recognition algorithm and realization in precision pesticide system based on machine vision. Transactions of the Chinese Society of Agricultural Engineering, 31(7), 47-52.es_CO
    dc.relation.referencesDiaz, L. E. N., & Arceo, L. E. C. (2018). Algoritmo rápido de la transformada de Hough para detección de líneas rectas en una imagen.es_CO
    dc.relation.referencesDonahue, J., Jia, Y., Vinyals, O., Hoffman, J., Zhang, N., Tzeng, E., & Darrell, T. (2014, January). Decaf: A deep convolutional activation feature for generic visual recognition. In International conference on machine learning (pp. 647-655).es_CO
    dc.relation.referencesDuque, J. P. U., & Ospina, E. (2004). IMPLEMENTACIÓN DE LA TRANSFORMADA DE HOUGH PARA LA DETECCIÓN DE LÍNEAS PARA UN SISTEMA DE VISIÓN DE BAJO NIVEL. Scientia et technica, 1(24), 79-84.es_CO
    dc.relation.referencesFahrurozi, A., Madenda, S., & Kerami, D. (2016). Wood Classification Based on Edge Detections and Texture Features Selection. International Journal of Electrical & Computer Engineering (2088- 8708), 6(5).es_CO
    dc.relation.referencesFausett, L. (1994). Fundamentals of neural networks: architectures, algorithms, and applications. Prentice-Hall, Inc..es_CO
    dc.relation.referencesFischler, M. A., & Firschein, O. (Eds.). (2014). Readings in computer vision: issues, problem, principles, and paradigms. Elsevier.es_CO
    dc.relation.referencesGongal, A., Silwal, A., Amatya, S., Karkee, M., Zhang, Q., & Lewis, K. (2016). Apple crop-load estimation with over-the-row machine vision system. Computers and Electronics in Agriculture, 120, 26-35.es_CO
    dc.relation.referencesGonzalez, A., Bergasa, L. M., & Yebes, J. J. (2014). Text detection and recognition on traffic panels from street-level imagery using visual appearance. IEEE Transactions on Intelligent Transportation Systems, 15(1), 228-238.es_CO
    dc.relation.referencesGonzalez, R. C., Woods, R. E., & Eddins, S. L. (2004). Digital image processing using MATLAB (Vol. 624). Upper Saddle River, New Jersey: Pearson-Prentice-Hall.es_CO
    dc.relation.referencesGonzalez, R. C., & Woods, R. E. (2008). Digital image processing: Pearson prentice hall. Upper Saddle River, NJ, 1.es_CO
    dc.relation.referencesGuedes, M. C. & Cantuária, G. (2017). The Increasing Demand on High-Rise Buildings and Their History. In Sustainable High Rise Buildings in Urban Zones (pp. 93-102). Springer International Publishing.es_CO
    dc.relation.referencesGuil, N., Villalba, J., & Zapata, E. L. (1995). A fast Hough transform for segment detection. IEEE Transactions on Image Processing, 4(11), 1541-1548.es_CO
    dc.relation.referencesHernández-Hernández, J. L., García-Mateos, G., González-Esquiva, J. M., Escarabajal-Henarejos, D., Ruiz-Canales, A., & Molina-Martínez, J. M. (2016). Optimal color space selection method for plant/soil segmentation in agriculture. Computers and Electronics in Agriculture, 122, 124-132.es_CO
    dc.relation.referencesIsasi Viñuela, P., & Leon, G. (2004). Redes de neuronas artificiales: un enfoque práctico.es_CO
    dc.relation.referencesJaramillo, M. A., Fernández, J. A., & de Salazar, E. M. (2010). Implementación del detector de bordes de Canny sobre redes neuronales celulares. Universidad de Extremadura.es_CO
    dc.relation.referencesKhan, S., Rahmani, H., Shah, S. A. A., & Bennamoun, M. (2018). A guide to convolutional neural networks for computer vision. Synthesis Lectures on Computer Vision, 8(1), 1-207.es_CO
    dc.relation.referencesKorč, F., Förstner, W. (2009). eTRIMS Image Database for interpreting images of man-made scenes. Technical report, Department of Photogrammetry, University of Bonn.es_CO
    dc.relation.referencesLi, J. B., Huang, W. Q., & Zhao, C. J. (2015). Machine vision technology for detecting the external defects of fruits—a review. The Imaging Science Journal, 63(5), 241-251.es_CO
    dc.relation.referencesLu, Z., & Zhang, L. (2016). Face recognition algorithm based on discriminative dictionary learning and sparse representation. Neurocomputing, 174, 749-755.es_CO
    dc.relation.referencesMeissner, M. (2017). Setting the Scene: Financial Spaces and Architectures. In Narrating the Global Financial Crisis (pp. 41-82). Springer International Publishing.es_CO
    dc.relation.referencesMoreira, G. A., & Sappa, A. (2015). Correspondencia Multiespectral en el espacio de HOUGH. Proyecto de fin de Carrera, Escuela Superior Politécnica del Litoral, Ecuador.es_CO
    dc.relation.referencesMosquera, A. (2017). Limpieza de Ventanas de Rascacielos y Alternativas Tecnológicas Emergentes. Revista Colombiana de Tecnologías de Avanzada ISSN: 1692-7257 - Volumen 2 – Número 30. Universidad de Pamplona. Pamplona, (pp.109-118).es_CO
    dc.relation.referencesNeuhausen, M., Koch, C., & König, M. (2016). Image-based window detection: an overview.es_CO
    dc.relation.referencesNeuhausen, M., Martin, A., Obel, M., Mark, P., & König, M. (2017). A Cascaded Classifier Approach to Window Detection in Facade Images. In ISARC. Proceedings of the International Symposium on Automation and Robotics in Construction (Vol. 34). Vilnius Gediminas Technical University, Department of Construction Economics & Property.es_CO
    dc.relation.referencesNoh, H., Hong, S., & Han, B. (2015). Learning deconvolution network for semantic segmentation. In Proceedings of the IEEE international conference on computer vision (pp. 1520-1528).es_CO
    dc.relation.referencesNoroozi, M., Vinjimoor, A., Favaro, P., & Pirsiavash, H. (2018). Boosting self-supervised learning via knowledge transfer. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 9359-9367).es_CO
    dc.relation.referencesParkhi, O. M., Vedaldi, A., & Zisserman, A. (2015, September). Deep face recognition. In BMVC (Vol. 1, No. 3, p. 6).es_CO
    dc.relation.referencesParmar, D. N., & Mehta, B. B. (2014). Face recognition methods & applications. arXiv preprint arXiv:1403.0485.es_CO
    dc.relation.referencesPatterson, J., & Gibson, A. (2017). Deep learning: A practitioner's approach. " O'Reilly Media, Inc.".es_CO
    dc.relation.referencesPink, L. & Eickeler, S. (2016). Performance Enhancements for the Detection of Rectangular Traffic Signs. In Advanced Microsystems for Automotive Applications 2016 (pp. 113-123). Springer International Publishing.es_CO
    dc.relation.referencesPoppe, R. (2010). A survey on vision-based human action recognition. Image and vision computing, 28(6), 976-990.es_CO
    dc.relation.referencesQuiros, A. R. F., Abad, A., Bedruz, R. A., Uy, A. C., & Dadios, E. P. (2015, December). A genetic algorithm and artificial neural network-based approach for the machine vision of plate segmentation and character recognition. In Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM), 2015 International Conference on (pp. 1-6). IEEE.es_CO
    dc.relation.referencesRanft, B., & Stiller, C. (2016). The role of machine vision for intelligent vehicles. IEEE Transactions on Intelligent Vehicles, 1(1), 8-19.es_CO
    dc.relation.referencesRebaza, J. V. (2007). Detección de bordes mediante el algoritmo de Canny. Escuela Académico Profesional di Informática. Universidad Nacional de Trujillo.es_CO
    dc.relation.referencesRomero, O. D., & Rolle, J. L. C. (2018). INTELIGENCIA ARTIFICIAL EN LA INGENIERÍA: PASADO, PRESENTE Y FUTURO. DYNA, 93(4), 350-352.es_CO
    dc.relation.referencesSanabria, J. J., & Archila, J. F. (2011). Detección y análisis de movimiento usando visión artificial. Scientia et technica, 16(49).es_CO
    dc.relation.referencesSchroff, F., Kalenichenko, D., & Philbin, J. (2015). Facenet: A unified embedding for face recognition and clustering. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 815-823).es_CO
    dc.relation.referencesScherer, D., Müller, A., & Behnke, S. (2010, September). Evaluation of pooling operations in convolutional architectures for object recognition. In International conference on artificial neural networks (pp. 92-101). Springer, Berlin, Heidelberg.es_CO
    dc.relation.referencesSonka, M., Hlavac, V., & Boyle, R. (2014). Image processing, analysis, and machine vision. Cengage Learning.es_CO
    dc.relation.referencesTimofte, R., Zimmermann, K., & Van Gool, L. (2014). Multi-view traffic sign detection, recognition, and 3D localisation. Machine vision and applications, 25(3), 633-647.es_CO
    dc.relation.referencesYang, M. Y., Förstner, W., & Chai, D. (2012). Feature evaluation for building facade images-an empirical study. In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences:[XXII ISPRS Congress, Technical Commission I] 39 (2012), Nr. B3 (Vol. 39, No. B3, pp. 513-518). Göttingen: Copernicus GmbH.es_CO
    dc.relation.referencesYosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks?. In Advances in neural information processing systems (pp. 3320-3328).es_CO
    dc.relation.referencesZeiler, M. D., & Fergus, R. (2014, September). Visualizing and understanding convolutional networks. In European conference on computer vision (pp. 818-833). Springer, Cham.es_CO
    dc.relation.referencesZorrilla, V. M. S., Julián, F. G. C., Solano, M. Á. P., Reyes, M. V., & Calvo, E. R. (2016). DETECCIÓN DE BORDES DE UNA IMAGEN USANDO MATLAB. Pistas Educativas, 38(122).es_CO
    dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2es_CO
    dc.type.coarversionhttp://purl.org/coar/resource_type/c_2df8fbb1es_CO
    Aparece en las colecciones: Maestría en Controles Industriales

    Ficheros en este ítem:
    Fichero Descripción Tamaño Formato  
    Mosquera_2019_TG.pdfMosquera_2019_TG.pdf6,89 MBAdobe PDFVisualizar/Abrir
    Mostrar el registro sencillo del ítem


    Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.