Evaluación de regiones significativas para el entrenamiento de una red neuronal a través de fotografías de una superficie.

Abstract

En los últimos años, las redes neuronales convolucionales (CNN) han experimentado un progreso significativo en términos arquitectura, rendimiento y aplicaciones.Estos avances han impulsado el campo de la visión artificial y han llevado a mejorasen diversas tareas, como el reconocimiento de objetos, la clasificación de imágenes,la detección de anomalías y la segmentación semántica.La mejora de la arquitectura, elavance en el desarrollo de técnicas que beneficianel aprendizaje y el aumento de la capacidad de cómputo han permitido crear redesneuronales más profundas (VGG o ResNet), y han demostrado un mejor rendimientoen la clasificación de imágenes. Sin embargo, la calidad delos datos empleados para el entrenamiento de una red neuronal deben de ser de la mayor posible para obtenermejores resultados. La calidad de los datos dependerá de la información que puedaaportar a la red. En este trabajo, se entrenara una red neuronal convolucional utilizando fotos deuna pared extraídas mediante una cámara posicionada al extremo del robot (KukaLBR iiwa 7 R800) . La pared tendrá diferentes elementos, y los resultados de este entrenamiento se obtendrá información sobre las zonas de mayor interés para la redneuronal.

in terms of architecture, performance and applications. These advances have boosted the field of computer vision and have led to improvements in a variety of tasks,such as object recognition, image classification, anomaly detection and semantic segmentation. Improved architecture, advances in the development of techniques that benefit learning and increased computational capacity have enabled the creation of deeper neural networks (VGG or ResNet), and have demonstrated better performance in image classification. However, the quality of the data used for training a neural network must exhibit the utmost quality to obtain the best results. The quality of the data will be determined by the information that it can feed to the network. In this work, a convolutional neural network will be trained using photos of a wall obtained using a camera placed on the arm of a robot (Kuka LBR iiwa 7 R800). The wall will have different elements, and the results of this training will provide information about the areas of greatest interest to the neural

Azken urteotan, Sare Neuronal Konboluzionalak (CNN) aurrerapen handia izandute arkitekturari, errendimenduari eta aplikazioei dagokienez. Aurrerapen hauek ordenagailu bidezko ikusmenaren eremua bultzatu dute eta hainbat zereginetanhobekuntzak ekarri dituzte, hala nola, objektuen ezagupena, irudien sailkapena,anomaliak hautematea eta segmentazio semantikoa. Arkitekturaren hobekuntzak, ikaskuntza mesedegarri duten tekniken garapenean izandako aurrerapenak eta konputazio-ahalmena handitzeak sare neuronal sakonagoak (VGG edo ResNet) sortzea ahalbidetu dute, eta irudien sailkapenean errendimendu hobea erakutsi dute. Hala ere, neurona-sare bat entrenatzeko erabiltzen diren datuen kalitateak ahalik eta kalitaterik handiena izan behar du emaitza hobeak lortzeko. Datuen kalitatea sareari eman liezaiokeen informazioaren araberakoa izango da. Lan honetan, sare neuronal konboluzional bat lantzen da errobot baten (Kuka LBR iiwa 7 R800) izkinean kokatutako kamerak lortutako horma baten argazkiak erabiliz. Hormak elementu desberdinak izango ditu, eta prestakuntza horren emaitzek sare neuronalerako interes handiena duten arloei buruzko informazioa emango dute.