VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS

Transcripción

1 VISION ARTIFICIAL APOYADA EN SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS Dr. Gerardo Reyes Salgado Profesor-Investigador / Instituto Tecnológico de Cuautla gerardo.reyes@itcuautla.edu.mx 1

2 Agenda I. Los sistemas híbridos neurosimbólicos (SHNS) II. La visión natural (VN) y la visión artificial (VA) III. Aplicación de SHNS a la VA IV. Conclusiones 2

3 I LOS SISTEMAS HÍBRIDOS NEURO-SIMBÓLICOS 3

4 I. QUÉ ES UN SISTEMA HÍBRIDO? CONOCIMIENTOS EXPERIMENTALES NUMÉRICOS CONOCIMIENTOS SIMBÓLICOS TEÓRICOS Adquiridos por medio de algún sensor Adquiridos por documentos, expertos, etc. - Bases de ejemplos - Datos numéricos - Reglas simbólicas - Modelos matemáticos Clasificación de los conocimientos por su origen 4

5 COMUNICACIÓN Y COMPLEMENTARIEDAD Visión artificial apoyada en SHNS CONOCIMIENTOS NUMÉRICOS CONOCIMIENTOS SIMBÓLICOS 5

6 CÓMO INTEGRAR NUMÉRICO Y SIMBÓLICO? Visión artificial apoyada en SHNS CONOCIMIENTO SIMBÓLICO CONOCIMIENTO NUMÉRICO ADQUISICIÓN DE CONOCIMIENTOS EXPLICITACIÓN APRENDIZAJE MÓDULO SIMBÓLICO Transferencias MÓDULO NUMÉRICO 6

7 PRINCIPIOS DE FUNCIONAMIENTO SIMBÓLICO COMPILACIÓN APRENDIZAJE REGLAS SIMBÓLICAS U OTRA ESTRUCTURA SIMBÓLICA EXPLICITACIÓN CONEXIONISTA 7

8 CRITERIOS PARA CLASIFICAR SHNS [Osorio 98] Tipo de integración: unificado, semi-híbrido, híbrido o hibridación Grado de acoplamiento: débil, medio, fuerte Modo de integración: tratamiento encadenado, sub-tratamiento, meta-tratamiento, co-tratamiento Transferencia de conocimientos: S C, S C, S C Tipo de representación: localista, distribuida, combinada de conocimientos: Modo de repr. de conoc.: reglas clásicas, reglas difusas, reglas probabilistas, predicados, árboles de decisión, perceptrón, etc Método de razonamiento: forward, backward, conexionista Modo de adquis. de conoc.: apr. continuo, no continuo, supervisado, no supervisado. 8

9 UN MODELO DE SNHS Reglas Simbólicas MODULO MÓDULO SIMBOLICO MODULO MÓDULO NEURONAL Ejemplos Convertidor Reglas a Red Red Inicial Red Refinada Reglas Refinadas Convertidor Red a Reglas M OÓ D U L EO D E V A L I D A C I O N 9

10 II LA VISIÓN NATURAL Y LA VISIÓN ARTIFICIAL 10

11 EL SISTEMA DE VISIÓN HUMANO OJO ÁREAS VISUALES DE LA CORTEZA CUERPO GENICULAR LATERAL 11

12 ESQUEMATIZANDO EL SISTEMA DE VISIÓN HUMANO Segmentación burda y rápida E S C E N A I m a g e n prefiltrado Extracción de atributos Interacciones adaptativas Controles F U S I Ó N R E P R E S E N T A C I Ó N Proceso de atención Objetos semánticos Elabora. de modelo RETINA Filtrado, Compresión, Codificación del color, Detección espacio-temporal de eventos CORTEZA PRIMARIA Filtros de Gabor, ACI, Interacciones de colores Percepción de alto nivel Análisis de datos Categorización Análisis de Componentes Independientes ÁREAS ASOCIATIVAS Percepción de bajo nivel, Cartas de intención,... 12

13 PROCESO DE VA Y CONOCIMIENTO EXTERNO Visión artificial apoyada en SHNS 13

14 III APLICACIÓN DE SISTEMAS HÍBRIDOS NEURO- SIMBÓLICOS A LA VISIÓN ARTIFICIAL 14

15 DESARROLLO DE SISTEMAS DE VA APOYADOS EN SHNS Visión artificial apoyada en SHNS Desde el 2001 hemos realizado los siguientes proyectos en los que la VA es apoyada en SHNS: 1. Control de calidad mediante inspección visual: SHNS para refinar el conocimiento en un sistema de visión artificial. 2. Diseño de SHNS aplicados en VA: Metodología para el diseño de SHNS aplicados a problemas de inspección visual. 15

16 DESARROLLO DE SISTEMAS DE VA APOYADOS POR SHNS Visión artificial apoyada en SHNS 3. Conducción asistida de vehículos automotores: Modelado del comportamiento de conducción de vehículos de transporte y/o carga aplicando redes neuronales artificiales y visión artificial 4. Reconocimiento de rostros usando modelos biológicos: Prototipo de RNA basada en modelos biológicos para el reconocimiento de rostros. 16

17 1. CONTROL DE CALIDAD MEDIANTE INSPECCIÓN VISUAL Visión artificial apoyada en SHNS 17

18 LA VA EN LA INSPECCIÓN VISUAL Proceso de visión artificial Conocimientos numérico (ORIGEN: CÁMARA) Conocimientos simbólico (ORIGEN: EXPERTO HUMANO) 18

19 APLICACIÓN DE SHNS A LA INSPECCIÓN VISUAL Visión artificial apoyada en SHNS Inspección visual El proceso de comparación de piezas, objetos individuales o materiales fabricados según una norma, con vistas al mantenimiento de cierto nivel de calidad. 19

20 VENTAJAS DE LA INSPECCIÓN VISUAL AUTOMÁTICA Existe una demanda muy grande en el desarrollo de sistemas de inspección visual automática. Independencia de factores humanos. Trabajar fuera del espectro visible. Aumento de la velocidad de inspección. Disminución de la carga de trabajo para el experto humano. Eficiencia del proceso. Cumplimiento más estricto de los estándares de calidad. 20

21 COMPLEMENTO A LA INFORMACIÓN VISUAL Visión artificial apoyada en SHNS POCOS DE LOS SISTEMAS DE INSPECCIÓN VISUAL CONSIDERAN ADEMÁS DE LA INFORMACIÓN VISUAL, EL CONOCIMIENTO DE LOS EXPERTOS 21

22 NUESTRA PROPUESTA VA CN CS La Hacer falta complementarios de los complementariedad conocimientos Integración 22

23 2. METODOLOGÍA PARA DISEÑO DE SH EN VA VA CN CS Sistema híbrido SHNS Integración 23

24 METODOLOGÍA PARA DISEÑO DE SH EN VA OBJETIVO: Desarrollar una metodología de diseño que permita la implementación de los SHNS en el proceso de visión artificial, la cual mejore la ejecución del sistema global. 24

25 METODOLOGÍA PARA DISEÑO DE SH EN VA 25

26 3. CONDUCCIÓN ASISTIDA DE VEHÍCULOS AUTOMOTORES Visión artificial apoyada en SHNS 26

27 SEGURIDAD EN CARRETERAS Uno de los problemas en la seguridad de las carreteras, es la generación de accidentes debido a los errores producidos en la conducción de vehículos de carga y/o transporte. Algunos de estos accidentes viales, podrían ser detectados con anticipación y de esta manera ser evitados. 27

28 EL OBJETIVO DE ESTE PROYECTO Desarrollar un sistema híbrido obtenido a partir de conocimientos de expertos en conducción de vehículos de transporte y/o de carga, así como de datos capturados de videos de la cabina de dicho tipo de vehículos. El sistema clasifica los comportamientos del conductor frente al volante y genera una alerta para prevenir situaciones de conducción riesgosas. 28

29 SHNS PARA CLASIFICAR COMPORTAMIENTO DE CONDUCTORES Visión artificial apoyada en SHNS Adquisición de conocimientos Log Simulador Clasificador del SH Seguro RNA Clasificador Opinión de expertos en conducción Aceptable Visión Artificial Riesgoso 29

30 ÁREAS INVOLUCRADAS Visión Artificial Se trata de un sistema hibrido que reúne diversas ramas de la IA para cumplir el objetivo. Redes Neuronales Artificiales Modelos Cognitivos 30

31 4. RECONOCIMIENTO DE ROSTROS USANDO MODELOS BIOLÓGICOS Para el ser humano, el reconocimiento de rostros es una actividad muy natural. Llevamos entrenándonos y trabajando para reconocer los rostros prácticamente desde el momento en que nacemos. Seguramente por eso es que lo realizamos de manera prácticamente inconsciente y no estamos completamente al tanto de cómo es que se realiza dicha actividad. 31

32 RECONOCIMIENTO DE ROSTROS Clase 1 Base de conocimiento Imagen de Vector de características entrada Clasificador (X 1,1, X 1,2,... X 1,n ) Clase 2 (X 2,1, X 2,2,... X 2,n ) (X 1, X 2,... X n ) Clase 3 (X m,1, X m,2,... X m,n ) 32

33 CÓMO SE REALIZA ESTE PROCESO? Es necesario englobar y considerar, en la medida de lo posible, los modelos de los procesos que intervienen en la captura de las imágenes por el ojo humano, la transformación de esa información en señales e impulsos eléctricos, la transmisión de esos impulsos transformados a través del nervio óptico, el procesamiento que realiza el cerebro humano de esas señales en la corteza visual y finalmente la extracción o interpretación que el cerebro hace de esas señales, tal que hace posible que una persona pueda reconocer un rostro (Asociación Larense de Astronomía, 2001) 33

34 CÓMO SE REALIZA ESTE PROCESO? OJO ÁREAS VISUALES DE LA CORTEZA CUERPO GENICULAR LATERAL 34

35 OBJETIVOS DE ESTE PROYECTO Encontrar o formular un paradigma de red neuronal artificial que se aproxime más al sistema biológico visual del ser humano o bien al modelo cognitivo empleado en el reconocimiento de rostros 35

36 IV CONCLUSIONES 36

37 CONCLUSIONES Los conocimientos sobre un dominio no son perfectamente correctos ni completos "Estos dos tipos de conocimientos forman dos conjuntos que tienen una intersección, pero que pueden ser totalmente complementarios" [Towell-91] ENTONCES... 37

38 CONCLUSIONES Los conocimientos en un SVA pueden ser obtenidos desde diversas fuentes. Los enfoques simbólico y numérico tienen sus propias ventajas y desventajas, al ser utilizados de manera independiente. PERO.. la solución híbrida ofrece una valiosa alternativa para el tratamiento de los conocimientos en los sistemas de visión artificial. Podemos tener soluciones más robustas. 38

39 GRACIAS Dr. Gerardo Reyes Salgado 39