1 of 15

Murcia, 22 Diciembre 2021

Proyecto: SC-VA-I40

Evaluación y prototipado de un sistema de visión artificial basado en redes neuronales para la clasificación de piezas y objetos mediante herramientas optimizadas de Cloud/Fog computing..

​

​

Subvencionado Instituto de Fomento, cofinanciado con fondos FEDER

Expediente: 2021.08.CT01.000040

​

CENTIC

Centro Tecnológico de las Tecnologías de la Información y las Comunicaciones de la

Región de Murcia

2 of 15

  1. Escenario Tecnico
  2. Redes Neuronales (CNN)
  3. AWS Rekognition
  4. Matriz de Resultados
  5. Conclusiones

​

2

Sistemas de Clasificación

Visión Artificial

Industria 4.0

SC-VA-I40

3 of 15

SC-VA-I40

3

Escenario Técnico del proyecto

Visión artificial.

​

Redes Neuronales. Clasificación Imágenes

​

Plataformas Zero/Low-Code

​

Industria 4.0

4 of 15

Caso de Uso.- Inspección Visual

Inspeccion Manual (humana)

  • Precision medida
  • Errores humanos entrada datos
  • Accidentes Riesgos Laborales
  • Eficiencia (tiempo) - coste

Maquina Cartesiana (robot)

Alineamiento pieza.

Programacion robot . (flex)

Coste maquinaria (parada)

​

5 of 15

Dataset Imágenes

Note.- Image Dataset: Courtesy of M-Torres Cátedra of UPCT (Polytechnic University of Cartagena)

Dir Francisco Canvas

6 of 15

REDES NEURONALES�Convolutional Neural Networks (CNN)

7 of 15

CNN Precisiones (literatura)

Arquitectura

Top-5 Precision (%)

Top-1 Precision (%)

Dataset

LeNet [13]

99.80

-

MNIST [13]

93.88

77.85

CIFAR-10 [15]

84.60

63.30

ImageNet

84.00

62.50

ImageNet

89.90

69.80

ImageNet

91.90

74.40

ImageNet

94.29

78.57

ImageNet

95.60

80.90

ImageNet

94.40

78.80

ImageNet

96.20

82.70

ImageNet

90.92

71.56

ImageNet

-

74.70

ImageNet

-

75.20

ImageNet

97.00

84.30

ImageNet

94.50

79.00

ImageNet

Inception-ResNet-V2 [28]

95.10

80.10

ImageNet

NasNetLarge [12]

96.20

82.70

ImageNet

Source : [30] Neha Sharma, Vibhor Jain, Anju Mishra,An Analysis Of Convolutional Neural Networks For Image Classification,Procedia Computer Science,Volume 132, 2018, Pages 377-384, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2018.05.198.

8 of 15

Matriz Resultados ( CNN propia)

9 of 15

AWS Rekognition (Zero code)

  • Face Search
  • User Verification Through Face
  • Sentiment and Demographic Analysis
  • Detecting unsafe content
  • Easy detection of Personal Protective Equipment
  • Text Recognition
  • Searchable Video and Image Libraries
  • Detection of Custom Labels

10 of 15

AWS Rekognition

Object and scene Detection

  • Searchable Video and Image Libraries
  • Detection of Custom Labels

​

11 of 15

AWS Rekognition interface

Custom Labels

(Categories)

12 of 15

Matriz Resultados (AWS Rekognition)

13 of 15

AWS Rekognition

CNN propia

14 of 15

Conclusiones

AWS Rekognition

CNN propia(AWS sage maker)

1 - 1.5 seconds

250-800ms

On premise

On Cloud

15 of 15

¿preguntas?

Muchas Gracias

CENTIC

Centro Tecnológico de las Tecnologías de la Información y las Comunicaciones de la

Región de Murcia