Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos téxtiles utilizando aprendizaje supervisado

• Autores: Arley Bejarano Martínez, Andrés Felipe Calvo Salcedo, Carlos Alberto Henao Baena
• Localización: Ciencia e Ingeniería Neogranadina, ISSN-e 0124-8170, Vol. 28, N. 2, 2018
• Idioma: español
• Títulos paralelos:
  • Space-Frequency descriptors for automatic identification of texture patterns using supervised learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este documento se presenta un caso de estudio para evaluar la eficiencia que presentan los descriptores espacio frecuencia en la clasificación de patrones textiles. La metodología de trabajo consta de tres etapas fundamentales, la caracterización, la clasificación y la validación. En la etapa de caracterización se utilizan descriptores como la transformada Wavelet, la transformada de Fourier y la adaptación de la Transformada corta de Fourier en espacio para la generación de un vector de características, a este vector se le computa los momentos estadísticos como Kurtosis, sesgo, media y desviación estándar. Para la etapa de clasificación se analiza el uso de tres métodos del estado del arte como lo son las Máquinas de Soporte Vectorial (SVM), las Redes Neuronales Artificiales (RNA) y el Proceso Gaussiano (GP). Para validar el método se construye una base de datos anotada con diez tipos de telas con un total de 1000 fotos, a las cuales se le aplica el proceso caracterización y clasificación por medio de un experimento Montecarlo. En esta etapa se generan configuraciones aleatorias de entrenamiento (70%) y prueba (30%) obteniendo el desempeño de cada modelo de clasificación. Por último se obtiene la matriz de confusión y se determinan los porcentajes de acierto de cada experimento.

  • English

    This article presents an evaluation of frequency space descriptors and texture analysis techniques for the classification of textiles. The work methodology consists of three fundamental stages, characterization, classification and validation. In the characterization stage, descriptors are used, such as the wavelet transform, the Fourier transform, a texture characterization method of the state-of-the-art, such as fractal segmentation for texture analysis (FSTA) and the adaptation of the Fourier Short Transform in space. For the classification stage, the use of three state-of-theart methods is analyzed, such as the Artificial Neural Networks (ANN), Vector Support Machines (SVM) and the Gaussian Process (GP), the use of linear, Gaussian and polynomial kernels were included in the latter two. To validate the method an annotated database with ten types of fabrics with a total of 1000 photos is built, to which the characterization and classification process is applied by means of a Monte-Carlo experiment. In this stage, random configurations of training (70%) and testing (30%) are generated, obtaining the performance of each classification model. Finally, the confusion matrix is obtained and the success percentages of each experiment are determined. Additionally, a time analysis is made for each of the algorithms, both at the descriptor level and at the classifier level in order to determine the configuration that offers better features and its computational cost.