"Clasificadores AdaBoost para la clasificacin de nueces con defecto" El presente paper trata sobre el estudio de clasificadores para la aplicacin

en la inspeccin de alimentos por medio de sistemas de visin artificial, que consisten en unidades de deteccin con el apoyo o soporte de algoritmos computacionales. El paper se centra en la clasificacin de nueces o pecanas en las cuales algunas presentan daos por la infestacin del gorgojo de pecana, al no encontrar muchas diferencias exteriores en la cascara se utiliza para la deteccin de pecanas infestadas, los rayos X. Los objetivos del estudio fueron la automatizacin de la segmentacin y precisin en la clasificacin. Donde se utiliza el aprendizaje maquina aplicado al desarrollo de los clasificadores que se adaptan a tareas de clasificacin diversas. Se ve el algoritmo de Adaboost por que presenta las ventajas de menos requisitos de memoria y de clculo computacional . Luego se decide por el AdaBoost Real que es una versin modificada del AdaBoost Diverso, en el cual se utiliza un clasificador dbil. El algoritmo AdaBoost Real en general, ofrece menores tasas de error que el AdaBoost Diverso. Para la inspeccin o evaluacin por visin por computadora, se necesita la Adquisicin, Segmentacin de imgenes, y la extraccin de caractersticas y su clasificacin, en el estudio se emplearon 100 nueces buenas y 100 nueces defectuosas de la cual se determinaron tres caractersticas (relacin de rea, variacin de intensidad media local e intensidad media del pixel); los cuales se detallan: - la relacin del rea: relacin segmentada entre la pulpa (parte comestible) y la cascara, contando el nmero de total de pxeles de la pulpa, - variacin de la intensidad media local: media de las variaciones de intensidad segmentada de los pxeles dentro de una Ventana para la pulpa (Parte comestible de la pecana) y los pxeles de la cscara), y - la intensidad media de los pxeles: media de las variaciones de intensidades entre una ventana segmentacin de 5 x 5 de los pxeles de la pulpa (Parte comestible de la pecana) y los pxeles de la cascara). Los clasificadores de reconocimiento de patrones, AdaBoost y las mquinas soporte vectorial (SVM) son los algoritmos ms ptimos para la clasificacin y ambos maximizan el margen mnimo de una muestra de entrenamiento. Dentro del Adaboost se presentan diferentes formas, como son el AdaBoost real, AdaBoost suave y AdaBoost estrella. al igual que en los clasificadores SVM se utilizan tres funciones de mapeo, el lineal, el cuadrtico y las funciones de base radial, donde el clasificador bayesiano se utiliza como clasificador de referencia para comparar el desempeo de la SVM y Adaboost. La implementacin de los clasificadores, las Imgenes de rayos X de las 200 nueces de la muestra fueron segmentadas por los mtodos seleccionados y se extrajeron las caractersticas. El conjunto de datos se dividi al azar en el entrenamiento y el test de los clasificadores; Se ejecuta cada clasificacin con un conjunto de datos de entrenamiento (50 vectores de caractersticas de cada uno, de bueno y de defectuoso), y luego se utilizan para entrenar un clasificador. Luego el clasificador entrenado se utiliza para calcular los errores de entrenamiento y test, tambin se mide y registra el tiempo necesario para clasificar las muestras, con los algoritmos AdaBoost y SVM diversos antes mencionados. El tiempo de cmputo necesario para clasificar una muestra es fundamental en aplicaciones en tiempo real y nos presenta una tabla: AdaBoost (10e-6 s), SVM (10e-5 s) y bayesiano (10e-4 s). El cmputo tiempo que se 1