UNIVERSIDAD AUTONOMA DE CIUDAD JUAREZ

Instituto de Ingeniera y Tecnologa

Departamento de Ingeniera Elctrica y Computacin

PROYECTO DE TITULACION
Implementacin de un Sistema de Visin Utilizando las Herramientas
de NI Vision Acquisition Software y NI Vision Development Module
Presentado por:

Ricardo Vazquez Avila

Para la obtencin del ttulo de Ingeniero en sistemas digitales y comunicaciones
Asesorado por:
M.C. Francisco Enrquez

Ciudad Jurez, Noviembre del 2015

Agradecimientos
Agradezco a mis padres que me guiaron durante mis estudios bsicos e hicieron
posible llegar a la universidad, a mis maestros de ingeniera que me proporcionaron los
conocimientos necesarios para llevar a cabo este proyecto y que me han servido en mi
vida laboral, a mi esposa y mi suegra que me alentaron para seguir adelante en esos
momentos difciles y a Dios por ponerlas en mi vida.

Resumen
El presente documento detalla paso a paso la elaboracin de un sistema de visin
en Labview mediante el uso de las herramientas VAS (Vision Acquisition Software) y
VDM (Vision Development Module) de National Instruments combinadas con las
estructuras de datos y dems funciones vistas en el diplomado, con VAS aplicaremos
las VI para programar la adquisicin de una imagen por medio de una webcam gracias
a los drivers contenidos en el paquete de NI IMAQdx que permite utilizar todo tipo de
dispositivos de adquisicin de imgenes que utilizan los siguientes busses y
estndares: Gige (Gigabit ethernet), firewire IEEE 1394,USB 2.0 y 3.0, finalmente por
medio de VDM definiremos regiones de inspeccin con las que se pueden llevar acabo
cualquiera de las siguientes operaciones: reconocimiento de patrones, extraccin y
reconocimiento de colores, reconocimiento de caracteres y lectura de cdigos de
barras, se estudiaran todas las anteriores pero se dar mayor enfoque a la creacin de
regiones de inspeccin, leer cdigos de barras 1D y generar archivos de Excel para
registrar las fallas que encuentre durante la inspeccin.

ndice general
Captulo 1..................................................................................................................... 6
Introduccin.................................................................................................................. 6
1.1

Contexto............................................................................................................. 6

1.2 Planteamiento del Problema...................................................................................... 6

1.3 Objetivo.................................................................................................................. 7
1.4 Alcances y Delimitaciones.......................................................................................... 7
1.5 Justificacin............................................................................................................. 7
Captulo 2..................................................................................................................... 8
Marco Terico............................................................................................................... 8
2.1 La Visin................................................................................................................. 8
2.2 La Imagen y sus Propiedades.................................................................................... 8
2.3 Historia de la visin por computadora........................................................................12
2.4 David Marr y Tomaso Pioggio................................................................................... 13
2.4.1 Aprendizaje computacional....................................................................................15
2.5 La visin por computadora....................................................................................... 16
Metodologa................................................................................................................ 18
3.1 Ondas y Complejos PQRSTU, Intervalos y Segmentos................................................18
Captulo 4................................................................................................................... 20
Pruebas y Resultados.................................................................................................. 20
4.1 Procedimiento........................................................................................................ 20
Captulo 5................................................................................................................... 21
Conclusiones.............................................................................................................. 21
5.1 Conclusiones......................................................................................................... 21

ndice de figuras

Fig. 1 David Marr........................................................................................................ 15

Fig. 2 Willem Einthoven, Pionero de la Electrocardiografa.................................................16
Fig. 3 Formas de onda obtenidas por A.D. Waller (parte superior); ondas obtenidas por
Einthoven con su Electrmetro Capilar Mejorado (parte media); trazo electrocardiogrfico credo
por el galvanmetro (parte inferior).................................................................................17
Fig. 4 Galvanmetro de cuerda de Einthoven, del artculo Le telecardiogramme en 1906.....18
Fig. 5 Electrocardigrafo FUKUDA Cardi Max FX-7202.....................................................21
Fig. 51 Unidad de Pierna Derecha propuesta por el fabricante Burr-Brown..........................65
Fig. 52 Circuito final para la adquisicin de seales Electrocardiogrficas...........................66
Fig. 53 Conexin del electrocardigrafo.........................................................................67
Fig. 54 Primera seal adquirida con el Electrocardigrafo.................................................68
Fig. 55 Segunda prueba ejercida en un paciente del sexo femenino...................................69
Fig. 56 Primer circuito electrnico implementado.............................................................69
Fig. 57 Seal Bioelctrica adquirida durante la prueba nmero tres....................................70
Fig. 58 Seal adquirida con las mejoras implementadas...................................................71
Fig. 59 Seal adquirida utilizando la Unidad de Pierna Derecha.........................................71
Fig. 60 Circuito final para la adquisicin de seales Electrocardiogrficas...........................72
Fig. 61 Sistema de Adquisicin de Seales Electrocardiogrficas.......................................72

Captulo 1
Introduccin
1.1 Contexto.
A lo largo del tiempo el hombre ha dedicado gran porcentaje de su vida a la invencin y
desarrollo de tecnologas que le permitan llevar a cabo sus actividades laborales de
una manera ms rpida y confiable, lo que nos ha llevado a la automatizacin de los
procesos de produccin, con los cuales se pueden realizar actividades de ensamble e

inspeccin de componentes, estos sistemas aseguran la calidad de los productos y

facilitan la investigacin de fallas ya que generan reportes en tiempo real y almacenan
imgenes de la falla encontrada permitiendo al ingeniero consultar esta informacin al
instante que as lo requiera, para identificar si la falla fue humana, mecnica o por
incumplimiento de las especificaciones de un componente, actualmente la industria
mdica est buscando automatizar sus procesos de inspeccin por lo que estn
implementando sistemas de visin para reducir el contacto fsico con el producto
asegurando que este sea ms fcil de esterilizar, facilitar la inspeccin donde hay una
gran cantidad de familias de producto, reducir el tiempo de ciclo y as aumentar la
capacidad de las lneas de produccin.

1.2 Planteamiento del Problema.

En la industria medica el etiquetado es crtico, ya que si un producto est mal
etiquetado puede ocasionar graves lesiones y hasta la muerte de un paciente, el
etiquetado de estos productos consta de una etiqueta interna que va adherida a la
bolsa del producto y la etiqueta externa que va adherida a la caja, durante el flujo del
proceso existe el riesgo de una mezcla.

1.3 Objetivo.
Implementar un sistema de visin de bajo costo en Labview, que sea capaz de adquirir
una imagen, permita crear regiones de inspeccin, leer cdigos de barras 1D y genere
un archivo de Excel para registrar las fallas que encuentre durante la inspeccin.

1.4 Alcances y Delimitaciones.

El sistema de visin ser capaz nicamente de leer cdigos de barras 1D y generara
un archivo de Excel para registrar las fallas que se encuentren durante la inspeccin.

1.5 Justificacin.
Dado que los dispositivos son de cuidados crticos es de vital importancia que
tengan la mejor calidad y al paciente le llegue el producto final de acuerdo a sus
necesidades por lo que debe estar perfectamente identificado, la mejor opcin es un
sistema de visin, anteriormente se ha trabajado con el software In-sight de Cognex
para la programacin de los sistemas pero estos sistemas resultan demasiado
costosos por lo que se experimentara con la creacin de un sistema de visin para
inspeccin de etiquetas hecho con una cmara web y Labview, actualmente la
inspeccin es llevada a cabo por una persona y se han reportado varias fallas en las
inspecciones, el sistema contara con la opcin de registrar las fallas en una hoja de
Excel esto ser de gran utilidad para futuras investigaciones adems se estara en
cumplimiento con la regulacin de la FDA - 21 CFR (Code of Federal Regulations) Part
11, esta regulacin requiere que se implementen controles, Auditorias y validaciones a
sistemas involucrados en el procesamiento de datos, tambin requiere la retencin de
registros y por ltimo elimina el contacto fsico con el producto que facilita su
esterilizacin.

Captulo 2
Marco Terico
2.1 La Visin.
La visin es la capacidad de interpretar todo lo que nos rodea gracias a los rayos de luz
que pasan por los ojos que son sensibles a ondas de radiacin electromagntica de
longitudes especficas, estas ondas se registran como la sensacin de la luz que
cuando penetra en el ojo, pasa a travs de la crnea, la pupila y el cristalino, y llega por
ltimo a la retina, donde la energa electromagntica de la luz se convierte en impulsos
nerviosos que pueden ser utilizados por el cerebro donde tiene lugar el complicado
proceso de la percepcin visual gracias al cual somos capaces de percibir la forma de
los objetos, identificar distancias, detectar los colores y el movimiento.

La visin es uno de los sentidos ms importantes para los seres humanos, ya que por
medio de ella se obtiene informacin visual de su entorno fsico, el significado que
Aristteles le dio a la visin es saber que hay y donde mediante la vista, pero la
definicin ms acertada de lo que es la visin es la del neurofisiologo Britnico David
Marr que dice la visin es la capacidad para procesar informacin del entorno obtener
un significado y comprender lo que se ve mediante el sistema visual, de acuerdo al
libro Computer visin de Linda G. Shapiro se estima que ms del 70 % de las tareas
del cerebro estn enfocadas en el anlisis de la informacin visual, las personas
resuelven varios problemas visuales sin ningn esfuerzo, sin embargo la mayora tiene
poco entendimiento analtico de la visin cognitiva como un proceso.

2.2 La Imagen Digital y sus Propiedades.

Ya que nos interesan los sistemas de visin y estos captan imgenes para despus
procesarlas y obtener resultados es necesario repasar lo que es una imagen y algunas
de las propiedades que hay que considerar para la configuracin del sistema.
Una imagen digital es una matriz de nmeros enteros positivos, en la que los
subndices (fila y columna) de cada elemento indican la localizacin del punto en la
imagen. Y los valores de los elementos representan el nivel de gris, el cual indica la
intensidad luminosa en un determinado punto de la imagen.

Existen 2 tipos de imgenes la vectorial y el mapa de bits, sin embargo se dar mayor
enfoque al mapa de bits ya que las decisiones de los sistemas de visin se basan en el
anlisis de pixeles.
2.2.1 Imagen vectorial
Son representaciones de entidades geomtricas tales como crculos, rectngulos o
segmentos. Estn representadas por frmulas matemticas (un rectngulo est
definido por dos puntos; un crculo, por un centro y un radio; una curva, por varios
puntos y una ecuacin). El procesador "traducir" estas formas en informacin que la
tarjeta grfica pueda interpretar, son ideales para cartelera, diseo de envases, imagen
corporativa, logotipos etc., es decir en todas aquellas situaciones en las que una misma
imagen, hecha con una gama reducida de tintas planas, debe ser reproducida en
distintos soportes y a distintos tamaos.
2.2.2 Mapa de bits

Son imgenes que estn formadas por un conjunto de puntos (pxeles) contenidos en
una tabla. Cada uno de estos puntos tiene un valor o ms que describe su color. Este
tipo de imagen es perfecta cuando la Gama de colores cambia sutilmente, en este
caso, la imagen debe generarse teniendo muy en cuenta dnde y cmo va a mostrarse,
con una cantidad de pxeles y una gama de colores adaptados al soporte en el que va
a reproducirse.
2.2.3 Propiedades de la imagen
Es necesario conocer las propiedades de una imagen ya que en base a eso se realiza
la configuracin del sistema de visin, a continuacin se listan algunas de estas
propiedades:

Resolucin de una imagen: La resolucin de una imagen es la cantidad de

pxeles que la componen, cuanto mayor es la resolucin de una imagen ms
calidad tendr su presentacin.

Resolucin del monitor: La resolucin del monitor determina el tamao con el

que se muestra la imagen en la pantalla, pero el tamao de la imagen en la
pantalla no debe confundirse ni con la resolucin de la imagen ni con sus
dimensiones.

Dimensiones de la imagen: Las dimensiones de una imagen se expresan,

como es habitual, en cm o mm, para calcular el tamao de una imagen en
pxeles basta con multiplicar las dimensiones lineales, en centmetros.

Profundidad de color: Es el nmero de bits utilizados para describir el color de

cada pixel de la imagen, cuanto mayor sea la profundidad de color de una
imagen, ms colores tendr la paleta disponible y, por tanto, la representacin
de la realidad podr hacerse con ms matices, con colores ms sutiles.
Si tuviramos un solo bit para describir el color de cada pixel, solo tendramos 2
colores cuando el bit sea 0 el color ser negro y cuando el bit sea 1 el color ser
blanco tal como se muestra en la Figura 1.

Figura 1 imagen binaria utiliza un solo bit para describir el color de sus pixeles

Ahora si utilizamos 8 bits podremos describir hasta 256 colores por pixel lo que
nos da una profundidad de color suficiente para una imagen en escala de grises
ya que cada pixel puede adoptar un tono entre 256 valores posibles de gris,
entre el negro absoluto (00000000) y el blanco absoluto (11111111).

Figura 2 escala de grises 8 bits

Figura 3 imagen en escala de grises

Para una imagen de color indexado se requieren 8 bits se utiliza una tabla con los 256
colores ms frecuentes que tambin incluyan el blanco, negro y varios tonos de gris,
en la siguiente tabla se muestra el clculo de colores para cada profundidad.

Profundidad

Colores

1 bit

4 bit

16

8 bit

256

16 bit

65536

32 bit

4294967296

Formato JPG: Es un formato de compresin con prdidas, pero que desecha en

primer lugar la informacin no visible, por lo que las prdidas apenas se notan,
este formato permite trabajar con modos en escala de grises con una
profundidad de 8 bits y en color hasta 24 bits.

HSB: clasifica los colores de acuerdo a tres caractersticas bsicas: tono,

saturacin y luminosidad.

Tono (Hue): Es la longitud de onda dominante en la luz emitida o reflejada por

un objeto.

Saturacin: Es la propiedad que describe la viveza del color. Un color muy

saturado es un color con una tonalidad intensa y pura. Por el contrario, un color
poco saturado es el que tiene una tonalidad apagada.

Luminosidad: La luminosidad describe la cantidad de luz reflejada.

RGB: es el que se utiliza en todos los procesos en los que el color se obtiene
por mezcla aditiva de luces: televisin, pantallas grficas, iluminacin artificial,
etc. En todos estos dispositivos, la gama completa de colores se obtiene a partir
de la mezcla de tres colores primarios: rojo, verde y azul.

2.3 Historia de la visin por computadora

El inters del hombre por representar este mundo tridimensional en 2 dimensiones se
remonta a los aos (540 AC - 680 AC) con la pintura, muchas propiedades geomtricas
de la proyeccin eran ya conocidas en la antigua Grecia, Thales de Mileto predijo un
eclipse solar y midi una pirmide a partir de su sombra gracias a sus conocimientos
de geometra.
Ms tarde en el Renacimiento. Los pintores italianos fueron los primeros en entender la
formacin de las imgenes y en estudiar la geometra con el objetivo de reproducir
correctamente los efectos de la perspectiva.

Figura 4 imagen prerrenacentista vs imagen renacentista

Filippo Bruneleschi inventa la perspectiva en el renacimiento, es a partir de esta poca

cuando se empieza a considerar el punto de fuga, punto donde convergen las rectas
paralelas que se alejan del observador. Adems, los diferentes tamaos de los objetos
responden a la importancia de los mismos dentro de la obra, en lugar de a su situacin
en el espacio.
En el ao 1545 se presenta la cmara oscura, que funcionaba dejando entrar la luz por
un orificio muy pequeo hecho en una de las paredes de la cmara oscura y est
proyectaba en una pared interior la imagen, la imagen proyectada era una imagen
invertida del mundo exterior.
En el ao 1826, utilizando una cmara oscura y una superficie fotosensible, el qumico
francs Niepce toma la primera fotografa, doce aos ms tarde el mtodo fue
perfeccionado por Daguerre que llevo a cabo el primer proceso fotogrfico prctico,
utilizando una placa fotogrfica que era revelada con vapor de mercurio y fijada con
trisulfato de sodio.
En los inicios de la computacin era complicado procesar incluso conjuntos
moderadamente grandes de datos de imagen. Fue hasta finales de 1970 que emergi
un estudio ms concentrado de dicho campo.
En la actualidad la mayor parte de las aplicaciones prcticas que usan visin artificial
utilizan mtodos basados en aprendizaje.

2.4 David Marr y Tomaso Pioggio.

El libro escrito por David Marr en colaboracin con Tomaso Poggio ambos miembros de
CSAIL (Computer Science and Artificial Intelligence Laboratory) de MIT, Vision. A
Computational Investigation into the Human Representation and Processing of Visual
Information, fue publicado en 1982 y se considera que este libro dio inicio al campo de
la neurociencia computacional, en este libro David Marr trata a la visin como un
sistema de procesamiento de informacin, l y Tomaso Pioggio promovieron la idea de
que hay que entender los sistemas de procesamiento de informacin en tres niveles

complementarios de anlisis, esta idea es conocida en el rea de la ciencia cognitiva

como la hiptesis de los 3 niveles de Marr que son:

Nivel computacional: Una teora computacional de la visin que pretenda

extraer las propiedades de los objetos a partir de las imgenes debe de
clarificar: Cul es su funcin y por qu lo hace?, A la pregunta de qu funcin
cumple, Marr responde: transformar entradas (inputs) en forma de imgenes y
en salidas (outputs) la descripcin de la imagen.

Nivel de representacin algortmica: esto es, que formato se presenta cada

una de las entidades significativas. Marr responde a esta cuestin que el clculo
se produce mediante procesos y representaciones, los cuales deben ser
especificados.

Nivel de implementacin fsica: Este nivel sealar el alcance y los lmites, es

decir, las restricciones, del soporte fsico en el que se lleva a cabo el
procesamiento.

Segn la Teora de la visin de David Marr el procesamiento se realiza a travs de dos

etapas sucesivas y slo en la segunda etapa intervienen los sistemas de conocimiento
(memoria, razonamiento, etc.). Estas son:

Procesamiento inicial o temprano: consiste en hacer 2 bosquejos que intentan

recuperar las propiedades fsicas de una escena 3-D visible a partir de la matriz
de intensidades de luminancia de la imagen digitalizada, en el primer bosquejo
consiste en lograr una descripcin constituida por un amplio nmero de
caractersticas (lneas, bordes, manchas, etc.) el bosquejo 2-D agrupa los
elementos del bosquejo primario a fin de descubrir las propiedades de las
superficies que forman la imagen o escena.

Figura 5 bosquejo 2-D de dos cilindros acoplados

Procesamiento tardo: transforma el bosquejo 2-D en una representacin

identificable del objeto y sus partes constitutivas. El objetivo de esta etapa es la
obtencin de un modelo 3-D de la imagen bidimensional original, haciendo uso
del procesamiento de alto nivel.

Figura 6 Representacin 3-D de una figura humana

La obra de Marr desarrollada entre 1973-80 asume la metfora computacional (menteordenador) hasta el extremo de disear un modelo de visin computacional que opere
segn los procedimientos utilizados por el sistema visual humano y aborda los
problemas relativos a la percepcin, desde una perspectiva interdisciplinaria, que
considera tanto las aportaciones de la neurofisiologa y psicologa como los algoritmos
computacionales, integrando sus hallazgos en un modelo de la percepcin visual.

Figura 7 David Marr y Tomaso Poggio

Tras la muerte de David Marr en 1980, Tomaso Pioggio agrego un nivel superior al nivel
computacional este es el nivel de aprendizaje (Learning) para crear mquinas que vean
y aprendan sin tener que ser programadas, para Tomaso Poggio la inteligencia significa
la habilidad para aprender generalizando de ejemplos especficos, un ejemplo es un

bebe recin nacido que no conoce nada de su entorno visual sin embargo el aprende a
reconocer miles de objetos a su alrededor y para lograr esto el debe aprender de
algunos ejemplos especficos para reconocer categoras generales como animales,
vehculos o casas.
Los intentos tempranos de construir un sistema de visin no tuvieron xito pero
sirvieron para enfatizar lo difcil que es esta tarea, as que Poggio opto por buscar las
respuestas en el cerebro que es conocido por decodificar la informacin visual de una
manera escalonada, la informacin es entregada a travs de los ojos a diferente reas
del cerebro cada una procesa la informacin antes de entregarla a la siguiente etapa.
Poggio en colaboracin con James Dicarlo simularon el proceso en una computadora
utilizando modelos de redes neuronales basadas en las propiedades conocidas de las
redes neuronales de los humanos, la simulacin fue un xito, despus de que la
computadora fue entrenada con una serie de imgenes que mostraban paisajes con o
sin animales, aprendi a reconocer la presencia de animales con una precisin similar
a la de un humano la computadora cometi los mismos errores que un humano
cometera.

2.4.1 Aprendizaje computacional.

Los cientficos y escritores de ciencia ficcin se han fascinados con la posibilidad de
construir maquinas inteligentes y la capacidad de entender el mundo visual que es un
prerrequisito que muchos requeriran para una mquina de este tipo, Alan Turing uno
de los padres de la computadora digital y de la inteligencia artificial crea que una
computadora digital lograra ser inteligente y tendra la habilidad de entender escenas,
pero estas metas han sido difciles de alcanzar y hasta 1980 la ingeniera no haba
podido igualar a la imaginacin, no obstante gracias al trabajo de Tomaso Poggio ha
habido progresos en algunas lneas de investigacin.
Tal es el caso del aprendizaje computacional que es un campo de la ciencia de
computadoras que evoluciono del reconocimiento de patrones y que se enfoca al
diseo de algoritmos que pueden aprender de los datos de entrada y hacer
predicciones o tomar decisiones, en lugar de seguir instrucciones de un programa.
Las tareas del aprendizaje computacional se clasifican en 3 tipos que dependen de la
naturaleza de la seal recibida o su retroalimentacin estos son:

Aprendizaje supervisado: en este caso el sistema es entrenado por un

instructor que le proporciona datos de entradas de ejemplo y el propsito que el
sistema genere una regla general para sus datos de entrada y salida.

Aprendizaje no supervisado: al sistema no se le proporciona ningn ejemplo,

se le deja que el solo encuentre una estructura en sus datos de entrada.

Aprendizaje reforzado: se le ensena por medio de la experiencia, por ejemplo

aprender un juego al practicar con un oponente.

En la actualidad los sistemas de visin utilizados en la industria maquiladora se basan

en su gran mayora en modelos de aprendizaje supervisado, esto debido a la
flexibilidad que esos algoritmos dan para re entrenar al sistema cada vez que se quiera
inspeccionar una nueva caracterstica del producto.

2.5 La visin por computadora.

Es una disciplina cientfica derivada de la inteligencia artificial apoyada en las teoras
de Marr y Poggio, teniendo en cuenta que la inteligencia de acuerdo a la teora de
aprendizaje de Poggio es la habilidad de aprender generalizando de ejemplos
especficos.
La visin computacional incluye mtodos para adquirir, procesar, analizar y comprender
las imgenes del mundo real para producir informacin numrica o simblica que
pueda ser utilizada por una computadora, permite la deteccin automtica de la
estructura y propiedades de un posible mundo dinmico en 3 dimensiones a partir de
una o varias imgenes bidimensionales del mundo justo como el procesamiento
primario de Marr lo indica. Las imgenes son digitales cuya resolucin estndar se
considera que es de 512x484 pixeles pueden ser monocromticas o a color, pueden
ser capturadas por una o varias cmaras, y cada cmara puede ser estacionaria o
mvil.
La visin artificial aplicada a la industrial abarca la computacin, la ptica, la ingeniera
mecnica y la automatizacin industrial. A diferencia de la visin artificial acadmica,
que se centra principalmente en mquinas basadas en el procesamiento de imgenes,
las aplicaciones de visin artificial industrial integran sistemas de captura de imgenes
digitales, dispositivos de entrada/salida y redes de ordenador para el control de equipos
destinados a la fabricacin tales como brazos robticos. Los sistemas de visin artificial
se destinan a realizar inspecciones visuales que requieren alta velocidad, gran
aumento, funcionamiento las 24 horas del da o la repetitividad de las medidas.
A continuacin se muestra el diagrama de bloques de un sistema de visin

Figura 8 Diagrama de bloques de un sistema de visin

Mdulo de digitalizacin: Convierte la seal analgica proporcionada por la

cmara a una seal digital (para su posterior procesamiento).

Memoria de imagen: Almacena la seal procedente del mdulo de

digitalizacin.

Mdulo de visualizacin: Convierte la seal digital residente en memoria, en

seal de vdeo analgica para poder ser visualizada en el monitor de TV.

Procesador de imagen: Procesa e interpreta las imgenes captadas por la

cmara.

Mdulo de entradas/salidas: Gestiona la entrada de sincronismo de captacin

de imagen y las salidas de control que actan sobre dispositivos externos en
funcin del resultado de la inspeccin.

Comunicaciones: Va I/O, RS-232, USB 2.0, USB 3.0, Gige, etc.

En la figura 9 se muestran las etapas de una aplicacin de visin computacional

Figura 9 Etapas de una aplicacin de visin computacional

Adquisicin de la imagen: Es la construccin del sistema de formacin de las

imgenes, Su objetivo es realzar las caractersticas visuales de los objetos
(formas, texturas, colores, sombras,...). El xito de muchas aplicaciones
depende de un buen diseo en esta primera etapa.

Procesamiento de la imagen: El objetivo es mejorar la calidad informativa de la

imagen adquirida. Se incluyen operaciones de mejora de la relacin seal-ruido
(denoising), SNR, de atenuar las imperfecciones de la adquisicin debido a la
funcin de transferencia del sistema de captacin de imgenes (deconvolution),
de regularizar la imagen, de mejorar el contraste o de optimizar la distribucin de
la intensidad (enhancement) o de realzar algunas caractersticas de la imagen,
como bordes o reas.

Segmentacin: En esta fase se divide la imagen en reas con significado, se

trata de decidir qu partes de la imagen necesitan interpretacin o anlisis y
cules no analizar, existen varias tcnicas: umbralizaciones, discontinuidades,
crecimiento de regiones, uso del color o de movimiento etc.

Representacin y Descripcin: Una vez dividida la imagen en zonas con

caractersticas de ms alto nivel se pasar a su extraccin de las caractersticas.

Reconocimiento e interpretacin: Una vez que la imagen ha sido

satisfactoriamente segmentada y han sido extradas las caractersticas, el
procesador puede hacer una serie de pruebas y mediciones en los elementos de
inters que aparecen en la escena.

Captulo 3
Metodologa
El mtodo que se plantea consiste primeramente en conocer las caractersticas de la
seal Electrocardiogrfica, despus, extraer informacin til que pueda servir para
disear el circuito electrnico. La siguiente fase es proponer un diseo para poder
generar un prototipo. Una vez definido el diseo, se pretende construir el prototipo
utilizando una tablilla de experimentos electrnicos. Ya que se obtenga el prototipo ser
necesario realizar pruebas y para ello se experimentar en personas para adquirir una
seal Electrocardiogrfica real. Por ltimo, al obtener resultados satisfactorios, se
proceder a construir el circuito electrnico en una tablilla y realizarn pruebas de
nuevo.

3.1 Ondas y Complejos PQRSTU, Intervalos y Segmentos.

La onda de despolarizacin inicia en el ndulo sinusal y se dispersa hacia ambas
aurculas a travs de las vas internodales y ambas aurculas se despolarizan. La
despolarizacin auricular est representada por la onda P. Las ondas P regularmente
son hacia arriba y levemente redondas.

Figura 3.1 Despolarizacin auricular.

Captulo 4
Pruebas y Resultados
4.1 Procedimiento.
El procedimiento para la adquisicin de la seal Electrocardiogrfica fue basado
en la primera derivacin de Einthoven (brazo izquierdo menos brazo derecho) de modo
que slo es posible adquirir un Electrocardiograma para propsitos de monitoreo. Los
electrodos se colocaron en la parte de la mueca del cuerpo; un electrodo en el brazo
derecho y un electrodo en el brazo izquierdo. Adems, se conect un tercer electrodo
en la pierna derecha para tomarla como referencia para el amplificador de
instrumentacin INA128P.

Captulo 5
Conclusiones
5.1 Conclusiones.

Despus de las pruebas realizadas y de haber obtenido seales electrocardiogrficas

con todas sus caractersticas para fines de monitoreo, se puede afirmar que se lograron
los

En la actualidad los sistemas de visin utilizados en la industria maquiladora

se basan en su gran mayora en modelos de aprendizaje supervisado, esto
debido a la flexibilidad que esos algoritmos dan para re entrenar al sistema
cada vez que se quiera inspeccionar una nueva caracterstica del producto.

Referencias
[1] David Marr, Tomaso Poggio, Shimon Ullman, Vision, A computational Investigation Into
the Human Representation and Processing of Visual Information.
Massachusetts (2010), ISBN: 9780262514620.
[2]

MIT Press,