Search

[Objective] The transformation from RGB to Munsell color space is a relevant issue for different tasks, such as the identification of soil taxonomy, organic materials, rock materials, skin types, among others. This research aims to develop alternatives based on feedforward networks and the convolutional neural networks to predict the hue, value, and chroma in the Munsell soil-color charts (MSCCs) from RGB images. [Methodology] We used images of Munsell soil-color charts from 2000 and 2009 versions taken from Millota et al. (2018) to train and test the models. A division of 2856 images in 10% for testing, 20% for validation, and 70% for training was used to build the models. [Results] The best approach was the convolutional neural networks for classification with 93% of total accuracy of hue, value, and chroma combination; it comprises three CNN, one for the hue prediction, another for value prediction, and the last one for chroma prediction. However, the three best models show closeness between the prediction and real values according to the CIEDE2000 distance. The cases classified incorrectly with this approach had a CIEDE2000 average of 0.27 and a standard deviation of 1.06. [Conclusions] The models demonstrated better color recognition in uncontrolled environments than the Transformation of Centore, which is the classical method to transform from RGB to HVC. The results were promising, but the model should be tested with real images at different applications, such as soil real images, to classify the soil color., [Objetivo] La transformación del espacio de color RGB al de color Munsell es un tema relevante para diferentes tareas como la identificación de: la taxonomía del suelo, materiales orgánicos, materiales rocosos. tipo de piel entre otros. Esta investigación tiene como objetivo desarrollar alternativas basadas en las redes feedforward y las Redes Neuronales Convolucionales para predecir el tono, el valor y el croma en las cartas de color del suelo de Munsell (MSCC) a partir de imágenes RGB. [Metodología] Con el fin de entrenar y probar los modelos, usamos imágenes de los gráficos de colores de suelo de Munsell de las versiones 2000 y 2009 tomadas de Millota et al. (2018). Se utilizó una división de 2856 imágenes en 10% para pruebas, 20% para validación y 70% para entrenamiento con miras a construir los modelos. [Resultados] El mejor enfoque fueron las redes neuronales convolucionales para la clasificación con un 93% de precisión total de la combinación de tono, valor y croma (consta de tres CNN, uno para la predicción de tono, otra para la de valor y la última para la de croma), aunque los tres mejores modelos muestran cercanía entre la predicción y los valores reales según la distancia CIEDE2000. Los casos clasificados incorrectamente con este enfoque tuvieron un promedio CIEDE2000 de 0.27 y una desviación estándar de 1.06. [Conclusiones] Los modelos demostraron un mejor reconocimiento de color en entornos no controlados que la transformación de Centore, la cual es el método clásico para transformar de RGB a HVC. Los resultados fueron prometedores, pero el modelo debe evaluarse ampliamente con imágenes reales del suelo para clasificar su color., [Objetivo] A conversão do espaço de cor RGB para o espaço de cores Munsell é um tema relevante para diferentes tarefas como a identificação: da taxonomia do solo, dos materiais orgânicos, dos materiais rochosos, do tipo de pele, dentre outros. Esta pesquisa tem como objetivo desenvolver alternativas baseadas nas redes feed-forward e nas Redes Neurais Convolucionais (CNN) para prever o matiz, o valor e o croma nas cartas de cores do solo de Munsell (MSCC) a partir de imagens RGB. [Metodologia] Para treinar e testar os modelos, usamos imagens dos gráficos de cores do solo de Munsell das versões 2000 e 2009 tomadas de Millota et al. (2018). Foi usada uma divisão de 2856 imagens em 10% para testes, 20% para validação e 70% para treinamento com o intuito de construir os modelos. [Resultados] O melhor enfoque foram as redes neurais convolucionais para a classificação com 93% de precisão total da combinação de matiz, valor e croma (consta de três CNN, um para a previsão de matiz, outra para a previsão de valor e a última para a previsão de croma), embora três melhores modelos tenham mostrado proximidade entre a previsão e os valores reais dependendo da distância CIEDE2000. Os casos classificados incorretamente com este enfoque tiveram uma média CIEDE2000 de 0,27 e um desvio padrão de 1,06. [Conclusões] Os modelos demonstraram um melhor reconhecimento de cor em ambientes não controlados que a conversão de Centore, que é o método clássico para converter de RGB a HVC. Os resultados foram prometedores, mas o modelo deve ser amplamente avaliado com imagens reais de solo para classificar sua cor.

All water repellent products, theoretically colorless, when applied superficially in the porous face ceramic, produce a chromatic variation in the color of the ceramic. The factors that influence the color variation are explored. The ceramic is selected according to its type of manufacture: manual, pressed and extruded, characterizing it considering the absorption coefficient, open porosity, absorption rate, surface finishing and initial color parameters. The water repellent products are selected on the basis of their chemical composition. The final color of the waterproofing ceramics is analysed together with the parameters obtained from the characterization of the ceramic, noting that the only color variation depends on the initial color of the ceramic, existing a linear relationship between the initial and final color of the waterproofing ceramics with each of the products. The final color of a ceramic can be predicted, depending on the composition of the water repellent product being applied. Resumen: Todos los productos hidrofugantes, teóricamente incoloros, al aplicarlos superficialmente en la cerámica porosa cara vista, producen variación cromática del color de la cerámica. Se estudian los factores de los que depende dicha variación de color. La cerámica se selecciona en función de su tipo de fabricación: manual, prensada y extrusionada, caracterizándola en función de los parámetros del coeficiente de absorción, porosidad abierta, acabado superficial, tasa de absorción y color inicial. Los productos hidrofugantes se seleccionan en función de su composición química. Se relaciona el color final de la cerámica hidrofugada con los parámetros obtenidos de la caracterización de la cerámica, observando que la variación cromática solo depende del color inicial de la cerámica, existiendo una relación lineal entre el color inicial y final de la cerámica hidrofugada con cada uno de los productos. Se puede predecir el color final de una cerámica, dependiendo de la composición del producto hidrofugante aplicado.

Uno de los retos más grandes que hay en la industria de confección y marroquinería, es la seguridad de los operarios en el uso de las máquinas de aplicación de insumos en el producto final. Esto se debe a que en este sector económico se han realizado pocos avances tecnológicos en la maquinaria de aplicación, debido a esto, se tiene un gran campo de investigación y de mejora del sector económico. Por esta razón, este trabajo se enfoca en el diseño de un sistema de seguridad para los operarios de máquinas de aplicación de insumos de confección y marroquinería por medio de visión artificial. El diseño de este sistema de seguridad es basado en la detección de las manos de los operarios, para poder determinar el punto en que se deben tomar acciones para evitar accidentes en la operación de la máquina de aplicación de insumos, esta acción debe ser lo suficientemente segura y confiable, para que la máquina no se accione en el momento de detectar la presencia de las manos en la zona de peligro de la máquina. De esta manera, se plantea en este trabajo un sistema de seguridad para la máquina de aplicación de insumos para la confección y marroquinería basado en un sistema de adquisición por visión artificial y desarrollo de un algoritmo que detecte la presencia de las manos por medio del color de la piel, analizando el espacio de color YCbCr y luego por medio de un filtro de Kalman extendido mejorar la detección y estimado de la posición de la mano. Abstract. One of the biggest challenges in the apparel and leather goods industry is the safety of the operators whom use the machines of attaching the final products. It is because the economic sector have been made a few technological advances in the machinery implemented for the attaching the final products, so it is a great field of research and the improvement of the economic sector. For this reason, this work focuses on the design of a safety system for the operators of machines for the application of clothing and leather goods through artificial vision. The design of this security system, based on the detection of the hands of operators, for determines the point which to take action to avoid accidents in the operation of the machine of application, this action should be sufficiently safety and reliable, so that the machine does not operate at the moment of detect the presence of the hands in the danger zone of the machine. In this way, this work proposes a safety system for the attaching machine of inputs for the making clothes and leather goods based on a system of acquisition by artificial vision and the development of an algorithm that detects the presence of the hands through the skin color, through analyzing the YCbCr color space and then by means of an extended Kalman filter improve the detection and estimation of the hand position. Maestría