Redes neuronales convolucionales con imágenes hiperespectrales para control de calidad

Abstract

[ES] En los últimos años se ha consolidado una tendencia hacia la digitalización y la semiautomatización, o la automatización. Este hecho ha ocasionado la implementación de múltiples técnicas de aprendizaje automático o aprendizaje profundo a campos en los que en un principio no se pensó que se pudieran aplicar. En este escrito se trata el uso del análisis de imágenes hiperespectrales con redes neuronales convolucionales con el objetivo de obtener los parámetros necesarios de la calidad del producto destinado a la venta, atún en lata. En este marco, el uso del lenguaje de programación Python se ha extendido enormemente por la comunidad científica y técnica con el objetivo de emplear métodos de inteligencia artificial con gran énfasis en el uso de las herramientas de Keras y TensorFlow en el ámbito del análisis profundo de imágenes, así como la creación de modelos capaces de realizar acciones y decisiones en base a estas. Las imágenes hiperespectales proporcionan una resolución y rango espectral que las imágenes convencionales como las RGB no logran, permitiendo medir determinado número de anchos de banda para cada píxel en el espectro visible. Este tipo de imágenes permite la obtención de valores que facilitan la identificación de los parámetros, algo más abstractos, de la textura del producto, pudiendo usar las redes convolucionales para obtener una aproximación al parámetro.

[EN] In the last years a new tendency has been consolidated forward digitalization and automation in the industry. This fact has caused the implementation of multiple machine learning or deep learning techniques en fields of knowledge that in first sight are not viable to be applied. This paper is about the use of hyperpespectral imaging analysis with convolutional neural networks with the purpouse of obtain the required parameters relatives to the quality of the product destined to be sold, canned tuna. In this context, the use of the programming language Python has now largely spread throughout the scientific and technique community with the purpouse of apply machine learning methods, with great emphasis on the tools Keras and Tensorflow in the field of the image analysis. Hyperespectral imaging provides better and wider espectral resolution than the conventional ones, with RGB, allowing measure various wavelenghts of the espectrum of light in one pixel. This type of images grant obtain easier values that make easier the measurement of the parameters, sometimes abstracts, of the texture of the product, using the convolutional networks to obtain this measures.

[CA] Enl’últims anys s’ha consolidat una tendéncia cap a la digitalizació y la semiautomatizació o l’automatizació. Aquest fet hi ha ocasionat l’implementació de múltiples tècniques d’aprenentatge automàtic o aprenentatge profund a camps de treball en els que en uninici no es va pensar que es pogueren aplicar. En aquest escrit es desenvolupa l’ús d’imatges hiperespectrals amb xarxes neuronals convolucionals amb el objectiu d’obtindre els paràmetres necesaris de la qualitat del producte destinat ser posat a la venda, toyina en lata. En aquest marc, l’ús del llenguaje de programació Python s’ha extés enormement per la comunitat científica y tècnica amb l’objectiu d’abocar mètods d’intel·ligència artificial fent gran èmfasis en l’ús de les ferramentes de Keras i Tensorflow en l’àmbit de l’anàlisis profund d’imatges, així com la creació de models capaços de realitzar accions y decisions en base a les imatges. Les imatges hiperespectrals proporcionen una resolució y rang espectral que les imatges convencionals RGB no logren, permetent medir determinat nombre d’amplades de banda per cada píxel en l’espectre de la llum. Aquest tipo d’imatges permet l’obtenció de valores que faciliten l’identificació del parametres, méss abstractes, de la textura del producte, podent emprar les xarxes convolucionales per obtindre una aproximació al paràmetre.