Seminario Cientfico Internacional 2008 de invierno (SCI 2008i)

LAS REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES INDUSTRIALES

- Francisco Garca Fernndez. Dr. Ingeniero de Montes - Luis Garca Esteban. Dr. Ingeniero de Montes - Paloma de Palacios de Palacios. Dr. Ingeniero de Montes - Antonio Guindeo Casass. Dr. Ingeniero de Montes
Ctedra de Tecnologa de la Madera Escuela Tcnica Superior de Ingenieros de Montes Universidad Politcnica de Madrid

APLICACIONES INDUSTRIALES DE LAS REDES NEURONALES

INTRODUCCIN / HISTORIA TIPOS DE REDES NEURONALES ARTIFICIALES MODELOS MS UTILIZADOS EN LA INDUSTRIA
PERCEPTRON MULTICAPA REDES DE BASE RADIAL REDES RECURRENTES MAPAS AUTOORGANIZATIVOS DE KOHONEN

UTILIZACIN DE LAS REDES NEURONALES EN LA INDUSTRIA

CONDICIONES DE USO PROCEDENCIA DE LOS DATOS DIVISIN DE LOS DATOS USOS

EJEMPLOS

TIPOS DE REDES NEURONALES INTRODUCCIN.

Estructura que intenta imitar algunas caractersticas de los sistemas biolgicos. Aprenden a resolver problemas en base al conocimiento extrado del entorno. No hay una definicin precisa de ellas:
Haykin, 1994. Conjunto de procesadores en paralelo capaces de almacenar informacin procedente de patrones conocidos y aplicarla a ejemplos desconocidos.
El conocimiento se adquiere en la fase de entrenamiento. El conocimiento se almacena en las conexiones entre neuronas.

Zurada, 1992. Conjunto de elementos fsicos interconectados capaces de almacenar y utilizar conocimiento. Prez Delgado y Martn Martn, 2003. Arquitecturas de procesamiento paralelo que ofrecen nuevos mecanismos aplicables a una amplia gama de problemas.

Comienzos:
A partir de la dcada de 40s. McCulloch-Pitts (1943). Primer modelo matemtico de una RNA con salida binaria. Donald Hebb. Desarrolla el modelo matemtico de aprendizaje. Marvin Minsky (1951). Primeros resultados prcticos con RNAs. Frank Rosenblatt (1957). Desarrolla el percetrn.

TIPOS DE REDES NEURONALES

DEPENDIENDO DEL TIPO DE APRENDIZAJE
Supervisado:
A la red se le presenta la solucin a cada vector de entrada. No se presenta la solucin. Clasificadores. Feedforward

No supervisado:

TOPOLOGA
Feedforward:
Son redes con conexiones hacia delante. No se forman bucles internos entre capas. Se forman bucles internos entre capas o intracapas. La salida de una capa depende de los valores anterioes. Feedback

Feedback:

TIPOS DE DATOS
Categricas
Variables discretas. Variables nmeros reales.
Conexin recurrente

Cuantitativas

MODELOS MS UTILIZADOS EN LA INDUSTRIA

PERCEPTRON MULTICAPA
Arquitectura de neuronas con conexiones hacia delante. Aproximador universal para cualquier funcin continua y diferenciable en un compacto de
n

Ventajas
Capacidad de aprendes a partir de ejemplos. Aroximador de funciones no lineales. Filtrar ruido.
Capa de entrada Variable 1 Capas ocultas

MLP

Inconvenientes:
Largo proceso de aprendizaje. Modelo no interpretable.

W11 B1 W21 W2 2 W13 B2 W31 W32 W12 W21

W11 W12 W 11 Salida W 21 Capa de salida

W22

Arquitectura:

Variable 2

W23

W 14 W24

Capa de entrada. Capas ocultas. Capa de salida. Funciones ms comunes (tansig, logsig, purelin).

B3

W42 W41

B4

Umbral Neurona

Diseo:
N de neuronas en la capa de entrada: Estudio previo del proceso.
Variables correlacionadas. Variables no relevantes.

N de neuronas de las capas ocultas y capas ocultas: Prueba y error. N de conexiones+n de neuronas<n de datos disponibles.
Red no definida matemticamente. No siempre se busca eso.

MODELOS MS UTILIZADOS EN LA INDUSTRIA

PERCEPTRON
Proceso de aprendizaje:
Aprendizaje supervisado. Inicializacin de los valores de la red. Clculo de la salida final. Obtencin del error de salida. Modificacin de los valores iniciales de forma que la funcin error tienda al mnimo. Repeticin de los pasos anteriores hasta alcanza el mnimo deseado.

Capacidad de generalizacin:
Caracterstica ms importante. La red puede aprender los ejemplos pero no generalizarlos. Se debe evaluar la capacidad de generalizacin durante el proceso.
Conjunto de entrenamiento. Conjunto de validacin. Elegidos aleatoriamente Entrenamiento: 70-80%. Validacin: 20-30%. Deben ser representativos de la poblacin, no debe haber diferencias significativas entre ellos. Introduccin de datos anmalos.

Buena generalizacin

Mala generalizacin

Fin del entrenamiento Error

Tcnica Early-stopping.

Entrenamiento

Validacin

Ciclos de entrenamiento

MODELOS MS UTILIZADOS EN LA INDUSTRIA

RED DE BASE RADIAL
Redes multicapa con conexiones hacia adelante. Menor tiempo de aprendizaje que el perceptron. Aproximadores universales. Arquitectura.
Capa de entrada. Capa oculta.
Slo una capa oculta. Funciones: Gauss, Cuadrtica inversa, Multicuartica inversa. Cada neurona de la capa oculta tiene un carcter local.

RBN

Capa de salida. N de neuronas de la capa de entrada: Variables implicadas en el proceso. N de neuronas de las capas ocultas y capas ocultas: Prueba y error. Aprendizaje hbrido
Capa oculta: No supervisado. Determinacin de los centros y amplitudes. Capa de salida: supervisado. Determinacin de pesos y umbrales de salida. Se pierde el carcter local de la red.

Diseo.

Proceso de aprendizaje.

Aprendizaje totalmente supervisado.

Red Radial vs. Perceptron

Perceptron: Aproximaciones globales. Red radial: Aproximaciones locales.

MODELOS MS UTILIZADOS EN LA INDUSTRIA

REDES RECURRENTES
Redes con conexiones recurrentes que crean bucles entre capas o intracapas. Aprendizaje lento y complejo. Facilita el tratamiento de informacin temporal o patrones dinmicos. El valor de un patrn en un determinado momento depende de los instantes anteriores de tiempo.

MAPAS AUTOORGANIZATIVOS DE KOHONEN

Aprendizaje no supervisado. Arquitectura de dos capas:
Capa de entrada: tantas neuronas como dimensin del vector de entrada. Capa de competicin: Conexiones laterales inhibitorias. Cada neurona compite por de forma que la entrada active slo a una de ellas.

Proceso que realiza la red:

Familiaridad: Similitud entre la entrada y un valor tipo (media de valores). Anlisis de componentes principales: Qu variables tienen ms preponderancia en el conjunto. Agrupamiento: Dividir el conjunto de entrada en subconjuntos. Codificacin: Compresin de datos, se reduce la dimensin del dato de entrada sin perder informacin. Extraccin de caractersticas: Puesta en relieve la estructura organizativa de los patrones de entrada.

UTILIZACIN DE LAS REDES NEURONALES EN LA INDUSTRIA

CONDICIONES DE USO
Disponemos de una gran cantidad de datos.
El proceso de entrenamiento exige una gran cantidad de datos. El nmero depende de la complejidad de la red. Para una red con tres capas ocultas y una neurona en la capa de salida con una neurona tendremos:

ndatos = ( N entrada + 1) N oculta1 + ( N oculta1 + 1) N oculta 2 + ( N oculta 2 + 1) N oculta 3 + ( N oculta 3 + 1) 1

Puede que no necesitemos tener totalmente definida la red. No necesitamos la mejor sino una que nos satisfaga.

No pretendemos interpretar el fenmeno sino predecir resultados.

Un modelo fsico interpreta el fenmeno. Una RNA es una caja negra de imposible interpretacin. Las RNA predicen el resultado con muy buena precisin.

UTILIZACIN DE LAS REDES NEURONALES EN LA INDUSTRIA

PROCEDENCIA DE LOS DATOS
Procedentes de la produccin diaria.
Son fieles a nuestra situacin productiva. Bajo coste de obtencin. Proceden del control diario de la produccin. Pueden no abarcar todo el rango de situaciones. Se debe procurar a la hora de seleccionarlos abarcar el mayor rango posible.

Procedentes de un diseo de experimentos.

El diseo de experimentos permite abarcar todos las situaciones posibles de produccin. Mayor coste que los procedentes de produccin diaria.

Datos simulados.
Se puede recurrir a ellos en caso de que no dispongamos de muchos datos. Libres de ruido. Menor coste de todos. Exigen un modelado matemtico de la produccin y esto no siempre es posible.

UTILIZACIN DE LAS REDES NEURONALES EN LA INDUSTRIA

USOS
Modelado de procesos.
El entrenamiento se produce con datos procedentes de la produccin. La red reacciona de forma equivalente a nuestro proceso productivo.
Permite optimizar el proceso. Se pueden realizar estudios de modificaciones en el proceso sin coste extra de ensayos.

Monitorizacin y control.
Control de calidad del producto final. Datos de entrada fciles y rpidos de obtener.
Tableros: Parmetros de fabricacin o ensayos de control de calidad rpidos. Cemento: Acortar el tiempo real de ensayos.

Permite detectar de forma rpida fallos en el producto final. Dos tipos.

Valor cuantitativo de una propiedad. Adecuacin a una especificacin.

EJEMPLOS
INDUSTRIAS AGRARIAS INDUSTRIA CEMENTERA INDUSTRIA FORESTAL INDUSTRIA METALRGICA INDUSTRIA PAPELERA INDUSTRIA QUIMICA/FARMACETICA INDUSTRIA TEXTIL

INDUSTRIAS AGRARIAS
Reconocimiento y clasificacin de semillas y productos.
Burks, T.F.; Shearer, S.A.; Heath, J.R.; Donohue, K.D. (2005). Evaluation of Neural-network Classifiers for Weed Species Discrimination. Biosystems Engineering. vol. 91(3), 293-304.
Clasificacin de semillas. A partir de imgenes digitales Redes vs. Mtodos estadsticos de clasificacin Kohonen, Red Radial, MLP 97% de aciertos frente al 93% del mtodo estadstico.

Granitto, P.M.; Navone, H.D.; Verdes, P.F.; Ceccatto, H.A. (2002). Weed Seeds identification by machine vision. Computers and electronics in agriculture. vol. 33, 91-103.

RNA

Color Identificacin de semillas a partir de imgenes Morfologa y tamao Se clasificaron correctamente el 99.5% de las imgenes. Textura

Especie

Esquema de la red utilizada

Kavdir, I. (2004). Discrimination of sunflower, weed and soil by artificial neural networks. Computers and electronics in agriculture. vol. 44, 153-160.
Discriminacin a partir de imgenes. MLP Error: 10-15%

INDUSTRIAS AGRARIAS
Reconocimiento y clasificacin de semillas y productos.
Marini, F.; Baliestrieri, F.; Bucci, R.; Magri, A.D.; Magri, A.L.; Marini, D. (2004). Supervised pattern recognition to autenticate Italian extra virgin olive oil. Chenometrics and intelligent laboratory systems. vol. 73, 85-93.
Identificacin de 14 variedades de aceite (segn especie y procedencia) a partir de 10 parmetros qumicos.
Acidez Palmtico Oleico Esterico .....

90.6% de aciertos en el grupo de validacin.

Marini, F.; Magri, A.L; Bucci, R.; Magri, A.D.; Magri, A.L. (2007). Use of different artificial neural networks to resolve binary blends of monocultivar Italian olive oils. Analytica Chimica Acta. vol. 599, 232-240.
Diferenciacin de tipos de mezclas de aceites. Combinacin de dos tipos de red.
Kohonen para seleccin de muestras MLP para la diferenciacin

A partir de parmetros qumicos. R2: 0.91-0.96

INDUSTRIAS AGRARIAS
Modelizacin de procesos de secado.
Ceylan, , Akta. (2008). Modeling of a hazenut dryer assisted heat pump by using artificial neural networks. Applied Energy. vol. 85, 841-854.
Modelizacin del proceso. Dos redes: MLP
Control de velocidad de secado y humedad final: MLP [3-4-2] Control del tiempo de secado: MLP [3-2-1]
T aire T aire

RNA

% HR del aire Velocidad aire

Tiempo de secado

% HR del aire Tiempo de secado

RNA

Vel. Secado Humedad

R2: 0.84-0.95

Esquema de las redes utilizadas

Hernndez-Prez, J.A.; Garca-Alvarado, M.A.; Trystram, G.; Heyd, B. (2004). Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science & Emerging Technologies. vol. 5, 57-64.
MLP [5-3-2] Variables entrada:
Temperatura, Tiempo, Contraccin volumtrica, Veloc. aire, %HR Temperatura y humedad de las muestras

Salida: R2= 0.91-1.00

INDUSTRIAS AGRARIAS
Modelizacin de curvas de sorcin.
Myhara, R.M.; Sablani, S. (2001). Unification of fruit water sorption isoterms using artificial neural networks. Drying Technology. vol. 19(8), 1543-1554.
GAB vs. RNA para 10 tipos de frutas.
Entrada T y aw Salida: EMC

La RNA da resultado inferior a la curva GAB La RNA permite incluir datos de la composicin qumica.

Curva tpica de sorcin de un material higrscopico

Myhara, R.M.; Sablani, S.; Al-Alawi, S.M.; Taylor, S.M. (1998). Water Sorption Isotherms of Dates: Modeling Using GAB Equation and Artificial Neural Network Approaches. Lebensn-Wiss. u Technol. vol 31, 699-706.
MLP vs. GAB
MLP: R2=0.998 GAB: R2=0.996

MLP permite incluir datos de la composicin qumica MLP no proporciona los valores de K, Cg y Xm.

Peng, G.; Chen, X.; Wu, W.; Jiang, X. (2007). Modeling of water sorption isotherm for corn starch. Journal of Food Engineering. vol. 80, 562-567.
MLP vs. varios modelos de sorcin (GAB, Peleg, Henderson, Smith)
MLP: 3% error GAB: 6% error

Proceso de sorcin de un material higroscpico

INDUSTRIA CEMENTERA
Obtencin de las propiedades fsicas del hormign.
Baykasolu, A.; Dereli, T.; Tani, S. (2004). Prediction of cement strength using soft computing techniques. Cement and Concrete Research. vol. 34, 2083-2090.
MLP para la obtencin de la resistencia a la compresin a los 28 das. Frente a mtodos tradicionales de envejecimiento acelerado. Datos procedentes de produccin 19 parmetros qumicos y fsicos de entrada MLP vs. Modelo lineal de regresin.
MLP: R2=0.697 Regresin lineal: R2=0.357

Gonzlez, B.; Martnez, M.I.; Carro, D. (2006). Prediction of the Consistency of Concrete by Means of the Use of Artifical Neural Networks. Artificial Neural Networks in Real-Life Applications. Ed. IDEA GROUP. London, UK. ISBN. 1-59140-904-7.
Muestras preparadas en laboratorio. MLP Entrada: Composicin qumica y granulometra. Salida: Asentamiento del cono de Abrams (cm)
Asentamiento

Despus

Asentamiento del cono de Abrams

30cm

Antes

INDUSTRIA CEMENTERA
Obtencin de las propiedades fsicas del hormign.
Sbarti, Z.M.; Laurens, S.; Viriyametanont, K.; Balayssac, J.P.; Arligie, G. Non-destructive evaluation of concrete physical condition using radar and artificial neural networks. Construction and Building Materials. In press.
Amplitu d de la seal directa Amplitud de la seal reflejada
Tiempo (ns)

Contenido de agua Amplitud de la seal reflejada Amplitud de la seal directa Retraso en la seal de reflexin Contenido de cloruro Idem Contenido de agua R2(agua)=0.93; R2(Cl)=0.98 sobre el conjunto de validacin.
0 -0.6 0

Amplitud normalizada

Ensayos no destructivos 2 MLP

+0.8

Retraso

Seal de radar tpica

Yeh, I.C. (1998). Modeling of strength of high-performance concrete using artifical neural networks. Cement and Concrete Research. vol. 28, 1797-1808.
Muestras preparadas ad hoc. MLP vs. Regresin mltiple
MLP: R2=0.85-0.92 Regresion: R2=0.71-0.79

Entrada: densidad, contenido en agua, cenizas, % de finos, momento del ensayo. Salida: Resistencia a la compresin.

INDUSTRIA FORESTAL
Control de produccin.
Cook, D.F.; Chiu, C-C. (1997). Predicting the internal bond strength of particleboard utilizing a radial basis function neural network. Engng. Applic. Artif. Intell. vol 10(2), 171-177.
Red Radial Obtencin de la cohesin interna a partir de parmetros de produccin
MC, T prensas, Tiempo de prensado, T del secadero...

Error: 12.5%

Ensayo MOR-MOE para tableros

Cook, D.F.; Whittaker, A.D. (1992). Neural network models for prediction of process parameters in wood products manufacturing. First Industrial Engineering Research Conference Proceedings. 209-211.
MLP Entrada: Parmetros de produccin Salida: Por encima de especificacin-Perteneciente a especificacin-Por debajo de especificacin.

Garca Fernndez, F.; Garca Esteban, L.; de Palacios, P.; Navarro, N.; Conde, M. (2008). Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model. Investigacion Agraria: Sistemas y Recursos Forestales In press.
A partir de propiedades fsicas rpidas de medir Datos procedentes de produccin MLP vs Regresin Multivariante
MLP: RIB=0.87; RMOR=0.87; RMOE=0.87 Regresin: RIB=0.0.70; RMOR=0.65; RMOE=0.52

Esquema de la Red

INDUSTRIA FORESTAL
Clasificacin.
Drake, P.R.; Packianather, M.S.; (1998). A decission Tree of Neural Networks for Classifying Images of Wood Veneer. The International Journal of Advanced Manufacturing Technology. vol. 14, 280-285.
Entrada de imgenes tratadas digitalmente Salida: Tipo de defecto:
Nudo, corteza, decoloracin, desviacin de la fibra....

Ejemplo de imagen de un nudo

RNA: 88% de aciertos. Clasificacin manual: 68% aciertos.

Ramirez Alonso, G.MJ.; Chacn Murgua, M.I.; (2005). Clasificacin de los defectos en la Madera utilizando Redes Neuronales Artificiales. Computacin y Sistemas. vol. 9 (1), 17-27.
MLP Clasificacin de 7 tipos de defectos Tratamiento de imgenes por filtros digitales Aciertos: 83.9%
IMAGEN
TRAN SFORMACION POR FILTROS GABOR

MLP

Nordmark, U. (2002). Knot identification from CT images of young Pinus sylvestris sawlogs using artificial neural networks. Scandinavian Journal Forest Research. vol. 17, 72-78.
MLP Tratamiento digital de las imgenes Aciertos: 97-98%
Filtro

Tratamiento de las imgenes

CLASIFICACIN DEL DEFE CTO

Esquema de la Red

INDUSTRIA FORESTAL
Varios.
Diamantopoulou, M.J. (2005). Artificial Neural Networks as an alternative tool in pine bark volume estimation. Computers and electronics in agriculture. vol. 48, 235-244.
MLP vs. Regresin multivariante
MLP: Error= 5-7% Regresin: Error=18-23%

Mansfield, S.D.; Iiadis, L.; Avramidis, S. (2007). Neural network prediction of bending strength and stiffness in western hemlock (Tsuga heterophylla Raf.) Holzforschung vol. 61, 707-716.
MLP vs Modelos lineares de regresin Modelos de regresin:
MOR: R2=0.33 MOE: R2=0.43 MOR: R2=0.56 MOE: R2=0.70

MLP:

Ensayo de MOEMOR para probetas de grandes dimensiones.

INDUSTRIA METALRGICA

Propiedades mcnicas de aleaciones

McBride, J.; Malinov, S.; Sha, W. (2004). Modelling tensile properties of gammna-based titanium aluminides using artificial neural networks. Materials Science and Engineering A. vol. 384, 129137. Resistencia
Al

MLP Entrada: Composicin, Microestructura (12 tipos), T ensayo. Salida: Propiedades mecnicas. R2=0.97 (Grupo de validacin)

Mn Nb C

RNA

Composicin

Cr V

Microestructura Temperatura de ensayo

Elongacin MOE

Pu, Y.; Mesbahi, E. (2006. Application of artificial neural networks to evaluation of ultimate strength of steel panels. Engineering Structures. vol. 28, 1190-1196.

Planchas destinadas a la industria naval MLP vs. modelos empricos. Entrada: Anchura de la plancha, espesor, lmite de fluencia, esfuerzo residual Salida: Resistencia mxima Error MLP: 4.3%

Esquema de la red utilizada

Resistencia de soldadura
Martin, O.; Lpez, M.; Martn, F. (2007. Artificial neural networks for quality control by ultrasonic testing in resistance spot welding. Journal of Materials Processing Technology. vol. 183, 226-233.
MLP [3-6-6-1] Entrada: Tiempo de soldadura, Intensidad de corriente y tipo de electrodo Salida: Punto vlido/no vlido Aciertos: 96.8%

INDUSTRIA PAPELERA
Optimizacin de procesos
Aguiar, H.E.; Maciel, A.; Maciel, R. ( 1998). Modeling and optimization of pulp and paper processes using neural networks. Computers Chem. Engng. vol 22 Suppl, S981-S984.
Modelizacin del digestor Kraft Modelo terico vs. MLP Entrada: Alcalinidad, espesor de la partcula de madera, temperatura inicial, temperatura de cocido, densidad, contenido en lignina, contenido en celulos, contenido en hemicelulosa Salida: Cantidad de lignina de la pasta. El modelo terico proprciona una interpretacin del proceso La RNA proporciona una herramienta de experimentacin con bajo coste.

Calidad del producto final

Edwards, P.J.; Murray, A.F.; Papadopoulos, G.; Gordon, M.F.; Wallace, A.R.; Barnard, J.; Smith, G. (1999). The applications of Neural Networks to the papermaking industry. IEEE Transactions on Neural Networks. vol 10, 1456-1464.
Datos procedentes de produccin. Las variables se escogieron por su facilidad de medicin en fbrica.
Entrada: % madera de confera, contenido en cenizas, gradacin del papel, espesor en la formadora... Salida: grado de rugosidad Modelo lineal: MSE=155.43 MLP: MSE=127.02

Modelo linear vs. MLP

INDUSTRIA QUIMICA/FARMACEUTICA
Qumica.

Ramadhas, A.S.; Jayaraj, S.; Muraleedharan, C.; Padmakurami, K. (2006). Artificial neural networks used for the prediction of the cetane number of biodiesel. Renewable Energy. vol 31, 2524-2533.
Obtencin del CN (ASTM D613) Es un procedimiento muy complejo que involucra fuentes de incertidumbre no atribuibles al error de experimentacin. Entrada: Composicin en cidos grasos (palmtico, esterico, oleico, linoleico, linolenico) 4 tipos de RNA:
MLP: Error=3.4% RB: Error=5.0% GRNN: Error=3.8% RNN: Error=3.6%

Farmaceutica.
Domnguez Rubio, J.L.; Castro Bleda, M.J.; Daz Villanueva, W. (2003). Discriminacin y prediccin de propiedades de frmacos mediante redes neuronales. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. vol 18, 7-16.
Herramienta de ayuda a la investigacin. 4 MLP segn la propiedad estudiada Entrada:
Datos topolgicos moleculares: presencia de ciertos tomos, su posicin tipos de enlaces y posicin... Presencia/ausencia de efecto analgsico: Aciertos=86.18% Presencia/ausencia de efecto antidiabtico: Aciertos=94.19% [64-4-4-1] Actividad bactericida: RMS=0.45 [52-64-1] Solubilidad: RMS=1.74 [52-32-1]

Salida:

INDUSTRIA TEXTIL
Propiedades de materiales textiles.
Yuen, C.W.M.; Wong, W.K.; Qian, S.Q.; Chan, L.K.; Fung, E.H.K. (2008). A hybrid model using genetic algorithm and neural network for classifying garment defects. Expert Systems with Applications. In press.

RNA

Round Round

A partir de imgenes tratadas digitalmente. MLP Entrada:

Tamao de la zona daada, Valor medio de la intensidad, Desviacin tpica del valor de los pixels de la zona daana.

Tamao zona Intensidad media Desvest

(0,1) (0,1)

(0,1) (0,1)

Salida: Pareja de valores reales redondeados.

Sin defectos (0,0): Aciertos=100% Presencia de pliegues (0,1): Aciertos=100% Presencia de arrugas: Aciertos=100%

Esquema de la red utilizada

Wong , W.K.; Yuen, C.W.M, Fan D.D.; Chan, L.K.; Fung, E.H.K. (2008). Stitching defect detection and classification using wavelet transform and BP neural network . Expert Systems with Applications. In press.
A partir de imgenes tratadas digitalmete MLP Salida: 5 defectos de cosido
Pliegues: Aciertos=100% Arrugas: Aciertos=100% Tirantez en costura: Aciertos=100% Ausencia de puntada: Aciertos=100% Agujeros: Aciertos=100%

AGRADECIMIENTOS
Ctedra de Tecnologa de la Madera. Ing. Santiago Izquierdo Izquierdo. rea de Metodologa de ISBAN. Ing. Rosa Cabedo Galln. Tcnico e-Learning Proyecto AVE (Aula Virtual de Espaol) Instituto Cervantes.