Detección bordes en defectos de bajo contraste en imágenes de dientes artificiales con iluminación no homogénea usando redes neuronales

Abstract

Actualmente las compañías productoras de dientes artificiales realizan las revisiones a cada producto terminado de forma manual, lo cual puede generar errores debido al cansancio producido por tareas repetitivas, además, el desgaste visual que se genera con cada día de labor, esto implica sobre costos por los recursos humanos y perdidas por posibles devoluciones de productos defectuosos. Con este proyecto se pretende aportar a la detección automática de defectos denominados vetas para la revisión y validación de los dientes fabricados. Para dicha solución, se cuenta con un número de imágenes suministradas por el docente asesor de este trabajo de grado, las cuales se caracterizan por un efecto de luz no homogénea y constantes cambios en el contraste. Lo cual lleva a posibles confusiones, entre las zonas más oscuras y claras de cada imagen obtenida, creando posibles sombras que pueden posteriormente confundirse con las vetas, estas son consideradas franjas o segmentos que se pueden distinguir dentro de la materia en que se encuentre. Después de tener las imágenes con las mejoras, se implementó el proceso de convolución aplicando diferentes filtros Sobel, Prewitt, Roberts (Aggarwal, 2009), con los cuales se realizó un entrenamiento supervisado con el 90% de estas para las redes neuronales perceptrón, regla delta y bakcpropagation, el 10% restante se usó para la evaluación de cada una de las redes utilizadas. Para determinar el mejor resultado se utilizó las matrices de confusión con las cuales se encontró que método generaba menor error en su clasificación de las vetas. Una vez que se obtuvieron los resultados de las mejores clasificaciones y analizados los datos de las evaluaciones se encontró que los defectos presentes en los dientes no se pueden identificar con un solo tipo de método, por este motivo se hace necesario el uso de redes neuronales con estructuras más complejas.