Page 53 - Ingeniantes 511 interactivo

Revista Ingeniantes 2018 Año 5 No. 1 Vol. 1

Base de Conocimiento: definición de reglas difusas. dades, se repite en 10 imágenes. La Figura 8a presenta
Las reglas de inferencia que conforman la base del co- un ejemplo de una de las imágenes capturadas. En la
nocimiento están definidas como reglas IF (anteceden- Figura 8b se presenta el resultado del pre-procesa-
te) THEN (consecuente). Las reglas son propuestas, de miento, la 8c es el resultado de la clasificación sobre la
tal manera que los giros de los servomotores generen imagen binarizada y la 8d presenta una máscara de la
un movimiento en la cámara hacia la misma dirección imagen original con la imagen obtenida para reconocer
del desplazamiento del objeto. Como se expuso an- un color amarillo.
teriormente, los movimientos del robot fueron caracte-
rizados y la Tabla 2 presenta un resumen de esta ca-
racterización en cuatro movimientos generales: “subir”,
“bajar”, “izquierda” y “derecha”. Para generar cada mo-
vimiento de la Tabla 2, se toman como referencia los
valores del ancho de pulso de la Tabla 1, y se indica la
operación que se debe aplicar sobre dichos valores:
sumar y restar; y así posicionar correctamente a la cá-
mara. De acuerdo con esto, un ejemplo de la regla de
inferencia para generar un movimiento a la izquierda es:
IF error-X es Neg AND error-Y es Cero THEN servo-1
es Suma-Regular AND servo-6 es Resta-Regular.
Tabla 2. Caracterización del movimiento de los (a) Imagen original (b) Pre-procesamiento
Tabla 2. CaracterizacióSnedrevlommovoimtoierentso.de los Servomotores.

servos

123456

Subir suma resta resta suma

Bajar resta suma suma resta

Izquierda suma resta

Derecha resta suma

En total se definieron 49 reglas que completan la base c) Clasificación (d) Resultado final
de conocimiento del controlador. Los operadores difu-
sos min, max-min y el método por centro de gravedad Figura 8. Resultados de la clasificación de la RNA para recono-
son usados como los operadores de intersección, re- cer un color amarillo.
gla composicional y método de defusificación, respec-
tivamente.

RESULTADOS (a) Imagen original (b) Rojo
Reconocimiento de color por RNA.
En cada entrenamiento y validación de la RNA se cal-
cularon los valores de rendimiento MSE (Mean Squa-
red Error) para cada algoritmo de entrenamiento, los
cuales indican el error mínimo alcanzado. Los resulta-
dos promedios del MSE se presentan en la Tabla 3, en
donde se indica que el algoritmo Levenberg-Marquardt
proporcionó el mejor rendimiento en cuanto a entrena-
miento y validación de la red neuronal. Por lo anterior,
Levenberg-Marquardt es el algoritmo con el que se en-
trena la red implementada en este trabajo.

TTabalbala3.3C. oCmopmapraacriaócniódneldreenl dreimnideinmtoiednetolosdedilfoesrednitfeesrealngtoersit-
mos de entrenaamlgieonrtiot.mos de entrenamiento.

Algoritmo Entrenamiento Validación
(MSE) (MSE)

Levenberg-Marquardt 0.0403 0.00063

BFGS Quasi Newton 0.114 0.052
0.0561 0.0398
Gradiente Conjugado
Escalado c) Azul (d) Verde

Para validar el desempeño del reconocimiento de co- Figura 9. Resultados de la clasificación de los colores rojo, azul
lores, se tomaron 70 imágenes que incluían los diferen- y verde.
tes colores, donde cada color en sus diferentes tonali-

49