Professional Documents
Culture Documents
Aplicadas y Calidad
y dirigida por
Valencia, 2005
Agradecimientos________________________________________________________
Agradecimientos
En primer lugar, quiero acordarme aqu de mis Amigos, a los que dej
olvidados en los agradecimientos de mi Proyecto de Fin de Carrera,
espero que estas lneas sirvan para compensar aquella falta. Como podis
comprobar, esta vez s! Pero no slo por eso, sino por haber estado
preguntando e interesndose por este trabajo y su finalizacin. Y ms que
por esto, gracias por ser unos Amigos, es un autntico privilegio formar
parte de este grupo.
i
SPC mediante MIA____________________________________________________
cuales han servido sin duda alguna para que este trabajo tenga una mayor
consistencia.
Durante la carrera nos ensean que hay que dar una solucin buena, no
necesariamente la mejor, pero s en tiempos cortos, prcticamente en
tiempo real, es lo que quiere la empresa: EFICIENCIA. La realizacin
de esta tesis me ha enseado (y sigo aprendiendo, lo juro) a trabajar de
otra manera. Y todo esto no hubiese sido posible sin mi director, una
persona exigente y que me ayuda a mejorar cada da. Por ello y por su
labor de revisin, crtica y conduccin de esta tesis, quiero agradecer
profundamente al profesor Alberto J. Ferrer Riquelme su trabajo y su
paciencia.
A mis padres, porque siempre me lo han dado todo y ms, y a los que
nunca podr compensar (aunque hago todo lo que puedo). Sobran las
palabras, simplemente porque no las hay. Un beso muy fuerte.
Finalmente, si hay una persona que haya padecido los efectos de este
trabajo, sa es mi mujer. Desde aqu, quisiera dedicar todo este esfuerzo
y por tanto la realizacin de esta tesis doctoral a M ngeles, por haber
crecido juntos, por estar siempre ah, y por seguir adelante. Te quiero.
ii
Resumen______________________________________________________________
Resumen
iii
SPC mediante MIA____________________________________________________
iv
Resumen______________________________________________________________
v
SPC mediante MIA____________________________________________________
vi
Resumen______________________________________________________________
Resum
vii
SPC mediante MIA____________________________________________________
viii
Resumen______________________________________________________________
En esta tesi s'ha treballat amb tres conjunts d'imatges reals procedents
dels sectors agrari, cermic i de producci de pedra artificial, aix com
amb un conjunt d'imatges simulades del sector metallrgic. Les imatges
han sigut estudiades per mitj de tres estratgies diferents, els fins
principals de les quals eren: mantindre baix control estadstic un procs,
aix com dur a terme una classificaci de les peces produdes per mitj de
les imatges registrades de les mateixes; detectar defectes inespecfics de
qualsevol tipus no coneguts a priori, com ara ratlles, taques, etc., que
pogueren aparixer en les imatges com a conseqncia de fallades en el
procs de producci o deterioraments durant la seua manipulaci;
controlar el grau i distribuci espacial en qu una determinada
caracterstica o defecte predefinit apareix en una nova imatge.
ix
SPC mediante MIA____________________________________________________
x
Resumen______________________________________________________________
Abstract
xi
SPC mediante MIA____________________________________________________
xii
Resumen______________________________________________________________
The last analysed strategy consists of that one related to the compression
of the original image having a feature or defect of interest in the different
principal components in order to determine the clusters of pixels in the
xiii
SPC mediante MIA____________________________________________________
new latent space and, via the selection of the pixels of interest, locate
them in the original image space, in order to determine if the quantity
and/or the spatial distribution of those pixels can be accepted according
to the established quality standards. This procedure can also be applied
on new images projected on the model built from the images linked to the
defect or feature of interest, detecting and locating the pixels that show a
similar behaviour.
The review of the techniques and the acquired experience have derived in
the proposal of an analysis methodology and, furthermore, multiple
future research trends.
xiv
ndice_________________________________________________________________
ndice
Agradecimientos i
Resumen iii
ndice xv
xv
SPC mediante MIA____________________________________________________
Apndice al captulo 3 97
1 ALGORITMOS DE LOS MODELOS DE COMPRESIN 97
1 1 Tucker3................................ 97
1 2 PARAFAC....... 99
1 3 PCA (y Unfold-PCA) .......... 101
2 MODELOS DE PREDICCIN.... 107
2 1 Unfod-PLS...... 107
2 1 1 SIMPLS...... 110
2 2 N-PLS.................................. 112
xvi
ndice_________________________________________________________________
xvii
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
1 INTRODUCCIN
1
SPC mediante MIA____________________________________________________
Por otro lado, existen pruebas que no se pueden llevar a cabo sobre la
totalidad de las piezas, ya que implican una destruccin de las mismas,
como es el caso de los ensayos destructivos destinados a determinar la
resistencia de una pieza metlica, cermica o de otro tipo. En otros casos,
no es posible controlar la evolucin del proceso por medio de sensores,
sino que dicho control debe ejecutarse por medio de indicadores
derivados de caractersticas visuales, tales como el tamao y distribucin
de las burbujas en el proceso de floculacin del cobre. Finalmente, el
control de procesos mediante anlisis de imgenes permite incorporar
esta tecnologa a lazos de control que permiten modificar los parmetros
de entrada del proceso, como en el caso del control de adicin de
colorantes y aromas durante la fabricacin de snacks.
2
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
3
SPC mediante MIA____________________________________________________
Ello ha dado pie en los ltimos aos al estudio y anlisis de imgenes por
medio de tcnicas que permiten comprimir y agrupar la informacin
existente en las imgenes. Dichas tcnicas son los modelos de proyeccin
sobre estructuras latentes, de los cuales sus mximos exponentes son el
anlisis de componentes principales (Principal Component Analysis,
PCA) y la regresin por mnimos cuadrados parciales (Partial Least
Squares, PLS).
4
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
5
SPC mediante MIA____________________________________________________
6
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
2 CONTENIDOS
7
SPC mediante MIA____________________________________________________
8
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
9
SPC mediante MIA____________________________________________________
3 OBJETIVOS
10
Captulo 1. Introduccin, contenidos y objetivos de la tesis_____________________
11
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
1 CONCEPTO DE IMAGEN
Qu es una imagen?
13
SPC mediante MIA_____________________________________________________
IR
Parte del
haz reflejada
IO
Filtro de longitudes de onda
IA
Parte del haz absorbida Imagen en color filtrada
iluminacin,
14
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
15
SPC mediante MIA_____________________________________________________
J=K
n2 n2
J=3 n2 n2
n2 n2 n2
n1
Imagen en Imagen
escala de grises Imagen RGB multiespectral
(univariante) (trivariante) (multivariante)
n1 n1
n1 n1 n1
Figura 2.3. Estructura y evolucin de una imagen univariante hacia una imagen
multivariante.
Una imagen ptica puede convertirse a una seal elctrica con una
cmara de vdeo o un dispositivo similar. Esta conversin cambia la
representacin de la imagen de una fuente de luz ptica a una seal
elctrica que vara continuamente (seal analgica). Esta seal analgica
puede ser digitalizada.
16
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
Line lineal
Cmara scan
Camera
Personal Computer with
Ordenador Personal con
Image Analysis
Software S oftware
de Anlisis de
- RecordImgenes
and Display
Results
300 ft./min.
Movimiento a velocidad cte.
Figura 2.4. Esquema de la toma de imgenes mediante cmara lineal de una tabla de
madera (Bharati, 2002).
17
SPC mediante MIA_____________________________________________________
18
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
19
SPC mediante MIA_____________________________________________________
Para ello, el primer paso a realizar es distinguir los distintos objetos que
pueden aparecer en la imagen, diferencindolos del fondo. Este proceso
se denomina segmentacin, y tras el mismo cada pxel de la imagen
queda asignado a cada uno de los objetos que aparecen en la misma, o
bien al fondo. Los principales mtodos de segmentacin son: la
umbralizacin, en la que los pxeles se clasifican atendiendo a sus niveles
de intensidad; la deteccin de regiones, en la que los pxeles que
presentan caractersticas del mismo tipo son agrupados en regiones; y la
deteccin de fronteras, que se utiliza para separar los distintos objetos
que aparecen en la imagen.
20
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
n2
J
n2
n2
n2
n1 Vector de caractersticas
Imagen
multiespectral
(multivariante
n1 J canales de
de
color)
n1
21
SPC mediante MIA_____________________________________________________
22
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
23
SPC mediante MIA_____________________________________________________
Mtodos estadsticos
Estadsticos de primer orden
Matrices de concurrencia
Transformada textural
Matrices de Longitudes de Racha
Funcin de autocorrelacin
Mtodos basados en modelos
Markov Random Fields
Anlisis de texturas Modelos Fractales
Modelos autorregresivos (AR)
Mtodos estructurales
24
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
25
SPC mediante MIA_____________________________________________________
26
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
27
SPC mediante MIA_____________________________________________________
28
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
29
SPC mediante MIA_____________________________________________________
Esta conclusin parece tener una cierta lgica a la vista de los resultados
que se indican a continuacin, si bien los mismos parecen sealar a los
modelos basados en transformaciones (Gabor y wavelets principalmente)
como el estado del arte en el campo del anlisis clsico de texturas.
30
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
Song et al. (1992) piensan que a pesar de que los descriptores estadsticos
de textura (tales como las matrices de coocurrencia) son ampliamente
utilizados por los investigadores, necesitan una ventana bastante grande
para calcular las caractersticas de una manera adecuada. Como la textura
(o el defecto asociado) es una propiedad local, si el defecto es mucho
ms pequeo que la ventana utilizada, las caractersticas texturales
calculadas pueden no diferenciar significativamente entre las imgenes
con y sin defectos. As que estas aproximaciones, entre las que se
encuentran las matrices de coocurrencia, son ms apropiadas para la
deteccin de defectos considerablemente grandes.
31
SPC mediante MIA_____________________________________________________
Siguiendo esta lnea, Noda et al., (2002) utilizan los Gaussian Markov
Random Fields en combinacin con las transformadas wavelets, las
cuales son empleadas en dicho trabajo como herramienta de extraccin
de caractersticas.
32
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
En este sentido, Acebrn et al. (2002), Valiente et al. (2002 b), Lpez et
al. (2001) y Lpez et al. (1997), han desarrollado mtodos para la
inspeccin automtica de defectos en piezas cermicas, basados en la
correccin de la posicin de la imagen, el filtrado de determinados falsos
defectos, y la extraccin de caractersticas de sus pxeles (a partir de la
comparacin directa pxel a pxel), tales como rea, permetro, longitudes
de ejes, orientacin, etc. para, a partir de las mismas y mediante el
empleo de distintos algoritmos basados por una parte en distancias a los
distintos tipos de defectos o calidades, y por otra en la cuantificacin de
defectos, determinar la pertenencia de las nuevas imgenes a cada una de
las clases o calidades predeterminadas.
33
SPC mediante MIA_____________________________________________________
34
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
35
SPC mediante MIA_____________________________________________________
36
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
37
SPC mediante MIA_____________________________________________________
38
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
filtro
X XL + XH
imagen
filtro filtro
LL HL X X
ordenacin LL HL
LH HH X X
LH HH
39
SPC mediante MIA_____________________________________________________
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
50
100
150
200
250
300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
41
SPC mediante MIA_____________________________________________________
50
100
150
200
250
50 100 150 200 250
Dado que no hay ninguna razn para esperar que cualquiera de las
subimgenes contenga ms informacin que el resto, de cara al anlisis
textural habra que estudiar, en un primer momento, todas las
subimgenes, para ver cul o cules de ellas resultan ms informativas.
42
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
En este sentido, hay que destacar los comentarios de Unser (1995), quien
indica que se suele extraer ms informacin con dos o tres niveles de
escala que con uno solo, y que el porcentaje de aciertos en la
clasificacin aumenta con el nmero de escalas.
43
SPC mediante MIA_____________________________________________________
Bharati et al., (2004), proponen a las wavelets como el estado del arte en
el anlisis textural. De todas formas, parece haber una gran similitud
entre las Gabor y las wavelets (Van de Wouwer, 1998). Livens (1998)
indica que, en aplicaciones prcticas, la decisin relevante radica en el
hecho de utilizar transformaciones discretas, ms rpidas, o continuas,
ms precisas, y no en el tipo de funcin utilizada (Gabor, wavelets u
otras).
44
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
elevadas frecuencias, que son las que se eliminaran con los primeros
escalados).
Livens (1998) comenta que si bien las Gabor han tenido xito en el
anlisis textural, debido a su aspecto de multirresolucin, las wavelets se
muestran ms fciles de implementar, siendo igualmente una tcnica de
multirresolucin, por lo que se las puede utilizar con garanta para el
anlisis textural.
45
SPC mediante MIA_____________________________________________________
46
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
t a = Xp a (2.1)
E = X TP T (2.2)
47
SPC mediante MIA_____________________________________________________
J
n2
J
n2
n2
n2
Imagenn1
multiespectral
(multivariante
con J canales de
n1
color)
n1 I=n1n2
A J
+
Aplicacin de modelos
de compresin
I I
T E
48
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
49
SPC mediante MIA_____________________________________________________
50
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
J R
n2
J
Modelo
n2 PLS
n2
n2
Imagenn1
multiespectral
(multivariante
con J canales de
n1
color)
n1 I=n1n2 I
51
SPC mediante MIA_____________________________________________________
J C
n2 1 0
J
1 0
1 0
. .
n2
. .
n2
. .
n2
. .
Imagenn1 . .
multiespectral . .
clase 1 Modelo . .
(multivariante PLS . .
ncon
1
J canales . .
n1
de color) I=n1n2 I 1 0
n2 0 1
J 0 1
0 1
. .
n2 . .
n2 . .
n2 . .
Imagenn1 . .
multiespectral . .
clase 2 . .
(multivariante . .
ncon
1
J canales . .
n1
de color) I=n1n2 I 0 1
Al igual que en el caso del MIA, el MIR aparece por primera vez en los
trabajos desarrollados por parte de los profesores Geladi y Esbensen.
Geladi y Esbensen (1991) aplican una regresin a partir de componentes
principales (PCR, Principal Component Regression) a partir de imgenes
satlite. Ejemplos clnicos de la aplicacin MIR se pueden encontrar en
Esbensen et al. (1992) y en Grahn y Sf (1992), mientras que de tipo
industrial aparecen en Esbensen y Lied (1999) y Lied et al. (2000). Lied
et al. (2001) llevan a cabo un anlisis clasificatorio discriminante basado
en modelos inferenciales de estructuras latentes aplicados en el campo
agroindustrial.
52
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
53
SPC mediante MIA_____________________________________________________
n2
Imagen en escala
de grises + =
n1
I=n1n2
De esta manera, el rea mnima a utilizar podra ser aquella que recoge la
textura ms gruesa, aunque esto es algo que tambin puede depender del
nmero y tipo de texturas, y del poder predictivo o discriminante del
modelo que se est utilizando, en funcin de los pxeles vecinos
acumulados, ya que el hecho de recoger toda la informacin para una
textura puede confundir otras, y viceversa.
54
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
Una vez entrenados por medio de la filosofa del MIA, los modelos de
proyeccin pueden utilizarse para extraer propiedades similares de
textura de otras imgenes correspondientes a otras superficies, mediante
la utilizacin de mscaras, y seleccin as de los pxeles de inters; o bien
llevar a cabo un control del proceso basado en imgenes.
Este ltimo resultado hace pensar que tal vez el anlisis basado en la
extraccin de caractersticas va wavelets proporciona unos resultados tal
vez mejores, o al menos del mismo nivel.
55
SPC mediante MIA_____________________________________________________
56
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
K=3
n2 J
n2
J
n2 J
Imagen
Imagen
RGB Imagen Textural
Imagen
RGB Imagenpara el canal
Textural
RGB Imagen para Azul
el canal
Textural
n1 para el canal
Verde
n1 I=n1n2
Rojo
n1
I=n1n2
I=n1n2
57
SPC mediante MIA_____________________________________________________
JK
Figura 2.17. Desplegado de la estructura interna 3-way para su anlisis por medio de
modelos 2-way.
58
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
59
SPC mediante MIA_____________________________________________________
J J
K
n2 Desplegado
n1
I=n1n2
60
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
61
SPC mediante MIA_____________________________________________________
62
Captulo 2. Introduccin al Anlisis de Imgenes_____________________________
63
Captulo 3. Modelos de estructuras latentes_________________________________
1. INTRODUCCIN
Tercer modo
Primer modo
Segundo modo
Figura 3.1. Estructura geomtrica 3-way.
65
SPC mediante MIA____________________________________________________
66
Captulo 3. Modelos de estructuras latentes_________________________________
2. MODELOS DE COMPRESIN
2.1. Tucker3
C
K
K J K
J E F J
G B + R
X = D E
I I
D
A
I
D E F
x ijk = a id b je c kf g def + rijk (3.1)
d =1 e =1 f =1
67
SPC mediante MIA____________________________________________________
X = AG (C B) T + R (3.2)
68
Captulo 3. Modelos de estructuras latentes_________________________________
X = ASS 1G (C B) T + R = AG (C B) T + R (3.3)
Los elementos de G que resultan importantes son los que indican cmo
se relacionan las variables de los distintos modos, y los fenmenos que
subyacen bajo el proceso, o bajo el conjunto de datos que lo definen.
Por otra parte, existen algoritmos que permiten girar el ncleo o core G
hasta conseguir que el mnimo nmero de elementos del mismo
expliquen un mximo de la varianza del mismo (Henrion y Andersson,
1999), o bien que dicho ncleo alcance un mximo de diagonalidad, de
manera que es posible conseguir un mximo de interpretabilidad en el
modelo sin ms que realizar una transformacin de este tipo.
69
SPC mediante MIA____________________________________________________
2.2. PARAFAC
F
x ijk = a if b jf c kf + rijk (3.4)
f =1
( )
F
X = A(C B) T + R = a f c Tf b Tf + R (3.5)
f =1
70
Captulo 3. Modelos de estructuras latentes_________________________________
X k = AD k B T + R k , k=1,.....,K (3.6)
Sea
S k = AD k (3.7)
Entonces,
Xk = Sk BT + R k (3.8)
71
SPC mediante MIA____________________________________________________
k A + k B + k C 2 F + 2, (3.9)
X = AB T + R (3.10)
Este modelo se puede rotar mediante una matriz no singular FF, P, tal
como se indica en la expresin:
AB T = APP 1B T (3.11)
72
Captulo 3. Modelos de estructuras latentes_________________________________
^
X k = AD k B T (3.12)
AD k B T = ATT 1D k SS 1B T (3.13)
De todas formas, el modelo PARAFAC debe tener las matrices del tercer
modo T-1DkS diagonales. Este requerimiento hace que nicamente
matrices muy especiales Ts (y Ss) puedan ser vlidas, principalmente
aqullas que mantienen la diagonalidad.
En la prctica, esto significa que TS-1 (y por ello T-1S) tienen que ser
matrices de permutacin o de escala.
2.3. Unfold-PCA
73
SPC mediante MIA____________________________________________________
K
B J
K
D D
J
+ R
X A
I I
Plegado
J K
D B
Desplegado
D
J K
PCA + R
X A
I
I
74
Captulo 3. Modelos de estructuras latentes_________________________________
D E F
x ijk = a id b je c kf g def + rijk (3.14)
d =1 e =1 f =1
D
x ijk = a id h jkd + rijk (3.16)
d =1
X ( I JK ) = A ( I D ) H ( D JK ) + R ( I JK ) (3.17)
75
SPC mediante MIA____________________________________________________
3. MODELOS DE PREDICCIN
3.1. Unfod-PLS
76
Captulo 3. Modelos de estructuras latentes_________________________________
K M
X Y
I I
77
SPC mediante MIA____________________________________________________
pT1
...
pTF
t1 tF u1 u2
... ...
X Y
wT1 qT1
...
...
wTF qTF
Figura 3.6. Esquema del modelo PLS expresado en funcin de sus variables latentes.
78
Captulo 3. Modelos de estructuras latentes_________________________________
Letra Significado
T Matriz de scores en el plano X, coordenadas en el hiperplano definido en
EK. Los scores t son una combinacin lineal de las variables de X con pesos
w, que son los pesos de las variables originales X en la nueva variable
latente. Los scores t son un resumen de las variables X que estn
correlacionadas con Y.
U Matriz de scores en el plano Y, coordenadas en el hiperplano en EM.
W Matriz de correlaciones entre X y u(Y) t. Las variables de X que tengan
mayor correlacin con las variables Y tendrn mayores pesos o weights w.
Expresan la correlacin entre las variables de X (1 dimensin) o los
residuos de las variables de X (en las siguientes dimensiones), y las
variables respuesta Y o los scores de Y, u(Y).
Q Matriz de correlaciones entre Y y t(X) u. Dan los pesos que combinan
las variables Y para formar los scores u de forma que se maximice la
correlacin con la variables X. Variables Y con altos valores q en valor
absoluto, estarn altamente correlacionadas con T(X).
P Direccin de la componente en el espacio X (cargas o loadings). X se
aproxima como TPT, pero los scores t no se calculan a partir de los vectores
p.
W* Los weights w* son diferentes a w, pues expresan la correlacin entre las
variables X, en todas las dimensiones, y las variables respuesta Y. En la 1
dimensin, w1*=w1. En las siguientes dimensiones, los w* son los pesos que
combinarn las variables originales X (no sus residuos, como con w) para
formar los scores t. W*=W(PTW)-1.
F
x ij = t if p jf + rij (x) (3.18)
f =1
F F
y ij = u if q jf + rij (y) = t if q *jf + g ij (3.19)
f =1 f =1
u if = t if b f + h if (3.20)
79
SPC mediante MIA____________________________________________________
^
u if = t if b f (3.21)
u Tf t f
bf = (3.22)
t Tf t f
De manera matricial,
Relaciones externas
X = TPT + RX (3.23)
con lo que
B PLS = W (P T W ) 1 Q T (3.28)
80
Captulo 3. Modelos de estructuras latentes_________________________________
y m = b 1m x 1 + b 2 m x 2 + ...... + b km x k + f m (3.29)
A J A
T = X J W*
tiT = xiTW* I I
tiT xiT M
M A M
= QT
yprediT = tiTQT Ypre T A
I I
T
ypredi tiT
J K A J
xprediT = tiTPT
Xpre = T A PT
I I
tiT
xpredi
T
Figura 3.7. Esquema del proceso de prediccin en el modelo PLS a partir de las
variables latentes.
81
SPC mediante MIA____________________________________________________
3.2. N-PLS
82
Captulo 3. Modelos de estructuras latentes_________________________________
wK1 WKF
wJ1 w JF
X = ++ + RX
t1 tF
qM1 q MF
qL1 qLF
Y = ++ + RY
u1 uF
F
x ijk = t if w Jjf wkfK + rijk (x) (3.30)
f =1
X = T( W K W J ) T + R X (3.31)
F
y ilm = u if qlfL q mf
M
+ rilm (y) (3.32)
f =1
83
SPC mediante MIA____________________________________________________
o, de manera matricial,
Y = U (Q M Q L ) T + R Y (3.33)
U = TB + R U (3.34)
F 1
R = w 1 (I w 1 w 1T )w 2 ... (I w f w Tf )w F (3.35)
f =1
se deriva que
84
Captulo 3. Modelos de estructuras latentes_________________________________
T = XR (3.36)
y a partir de la relacin
^
y = Tb (3.37)
se obtiene que
b N PLS = Rb (3.38)
^
sern los coeficientes de regresin que calculan directamente y = Tb a
partir de X (IJK).
85
SPC mediante MIA____________________________________________________
86
Captulo 3. Modelos de estructuras latentes_________________________________
4.1. Centrado
87
SPC mediante MIA____________________________________________________
ijk = x ijk x jk
x cent (3.39)
donde
x
i =1
ijk
x jk = (3.40)
I
4.2. Escalado
88
Captulo 3. Modelos de estructuras latentes_________________________________
x
i =1
2
ijk
RMS jk = (3.41)
I
89
SPC mediante MIA____________________________________________________
con lo que:
x ijk
x *ijk = (3.42)
RMS jk
I K
i =1 k =1
2
x ijk
RMS j = (3.43)
IK
x ijk
x *ijk = (3.44)
RMS j
90
Captulo 3. Modelos de estructuras latentes_________________________________
x ijk x * ijk
x *ijk = y x *ijk* = (3.45)
RMS j RMS k
Por otro lado, el efecto de escalar todas las regiones a la misma varianza
puede ser el de dar ms importancia a esas variables que tienen poco
contenido de informacin, incrementando as la cantidad aparente de
variacin no sistemtica en los datos. Este efecto es en ocasiones ms
pronunciado en el escalado por columnas que en el escalado por bloques,
ya que es ms probable que una columna, ms que un bloque entero,
contenga slo ruido de fondo.
Por ello, el escalado por columnas puede verse como una manera
incorrecta de escalar si nos encontramos ante una estructura multilineal.
91
SPC mediante MIA____________________________________________________
92
Captulo 3. Modelos de estructuras latentes_________________________________
SCE
R2 = (3.46)
SCT
93
SPC mediante MIA____________________________________________________
O
PRESS A = ri2 (3.47)
i =1
PRESS ( A )
2
Qcum ( A ) = 1 (3.48)
SC TOTAL
PRESS A
RMSECV = (3.49)
I
PRESS (a )
Q 2 (a) = 1 (3.50)
SCR (a 1)
94
Captulo 3. Modelos de estructuras latentes_________________________________
Varianza residual
PRESS
Prediccin
SCR
Ajuste
95
Apndice al captulo 3. __________________________________________________
Apndice al captulo 3
1.1 Tucker3
min || X AG (C B) T || 2F (A1.1)
A,B,C,G
G ( D EF ) = A T X ( I JK ) (C B) (A1.2)
97
SPC mediante MIA____________________________________________________
min || X PA XPH || 2F =
A
98
Apndice al captulo 3. __________________________________________________
min || Q A XPH || 2F =
A
Inicializar B y C
1. [A ,S , V ] = svd ( X ( I JK ) (C B) , D)
2. [B, S, V ] = svd (X ( J IK ) (C A), )
3. [C, S, V ] = svd ( X ( K IJ ) (B A), F )
4. Ir al paso 1 hasta la convergencia
5. G = A T X(C B)
1.2 PARAFAC
^
X = A(C | | B) T (A1.7)
De igual manera que suceda con Tucker3, se trata de aproximar tan bien
como sea posible la estructura original X, por lo que la correspondiente
funcin de prdida es la indicada en la ecuacin:
99
SPC mediante MIA____________________________________________________
|| X AZ T || 2F (A1.9)
XZ = X 1 BD 1 + X 2 BD 2 + ... + X K BD K (A1.11)
y Z T Z = (B T B) o (CT C) (A1.12)
Inicializar B y C
Z = (C | | B)
1.
A = X ( I JK ) Z( Z T Z ) 1
Z = (C | | A)
2.
B = X ( J IK ) Z(Z T Z) 1
Z = (B | | A )
3.
C = X ( K IJ ) Z(Z T Z) 1
100
Apndice al captulo 3. __________________________________________________
A
X = Ma (A1.13)
a =1
M a = t a p Ta (A1.14)
2
min X TP T (A1.15)
A
101
SPC mediante MIA____________________________________________________
A A
X = Ma = t a p Ta (A1.16)
a =1 a ==1
p Ti p j = ij (A1.17)
t Ti t j = ij i (A1.18)
a p Ta = t Ta X (A1.19)
t a = Xp a (A1.20)
( k2,t ) 2 2 ( k2,t ) 2
* = (1
2 2 2
) = 1 2 2
2 = k
(A1.21)
t k
k k k ,t k 2
t
102
Apndice al captulo 3. __________________________________________________
t2 = p T Vp = 1 (A1.22)
con lo que:
min * = min k2
2
k2 ,t ( ) 2
[
= min 2k p T v k v Tk p ] (A1.23)
k
k t2
k
k
ya que
XT X
V= (A1.25)
I 1
Como k
2
k es la traza de la matriz de varianzas-covarianzas, que es
[ ]
max p T v k v k p = max p T v k v Tk
[
p = max p T V 2 p ] (A1.26)
k k
p T Vp = 1 (A1.27)
(
= p T 1 V 2 p 1 1 p T 1 Vp 1 1) (A1.28)
= 2V 2 p 1 2 1 Vp 1 = 0 V 2 p 1 = 1 Vp 1 (A1.29)
p 1
103
SPC mediante MIA____________________________________________________
De esta manera,
( ) ( ) ( )
max p T 1 V 2 p 1 = max p T 1 1 Vp 1 = max 1p1T Vp 1 = 1 (A1.30)
Vp 1 = 1p 1 (A1.31)
K
t ia = x ik p ak (A1.32)
k =1
104
Apndice al captulo 3. __________________________________________________
X = t 1p T 1 + ......... + t A p T A + R (A1.33)
Este algoritmo se lleva a cabo sobre una dimensin cada vez (tA, pA),
pudiendo estudiar su significacin mediante diversos procedimientos. El
estudio de la significacin de cada una de estas dimensiones es lo que
determina en nmero de variables latentes a retener en el modelo.
105
SPC mediante MIA____________________________________________________
^
X = tb T (t T t ) 1 t T b' = (t T t ) 1 t T X = t T X / (t T t ) = p T
^T
X = pb (p p) p b = (pT p) 1 pT XT = pT XT /(pT p) = t T
T T T 1 T
t = Xp /(p T p) = Xp
106
Apndice al captulo 3. __________________________________________________
2 MODELOS DE PREDICCIN
2.1 Unfod-PLS
El modelo PLS obtiene su nombre del algoritmo NIPALS a partir del cual
se obtiene, tal como indican Kresta et al. (1994). Para cada una de las a
dimensiones del modelo PLS, el algoritmo NIPALS calcula dos variables
latentes que definen la dimensin: ta, combinacin lineal del conjunto de
variables X, y ua, combinacin del conjunto de variables Y. Estas
variables se eligen de manera que se maximiza la covarianza entre ta y
ua.
^ ^
X = tw T de manera que x ij = t i w j (A1.34)
donde los escalares ti son los scores de t y las wj los weights de w, para la
nica componente calculada. Este modelo se calcula a partir de la
expresin:
I J
max cov(t , y ) min (x ij t i w j ) 2 w = 1 (A1.35)
i =1
w
j =1
107
SPC mediante MIA____________________________________________________
J
max cov(t , y ) t i = x ij w j w = 1 (A1.36)
w
j =1
I J
max t i y i t i = x ij w j w = 1 (A1.37)
w
i =1 j =1
I J
max y x i ij w j w = 1 (A1.38)
w
i =1 j =1
J
max z j w j w = 1 (A1.39)
w
j =1
108
Apndice al captulo 3. __________________________________________________
z XT y
w= = T (A1.40)
z X y
M
max cov 2 (t 1 , y m ) (A1.41)
m =1
1. Centrar y escalar X e Y
9. Loadings de X: p=XTt/tTt
2.1.1 SIMPLS
I
t ia u ia
max (cov(t a , u a )) = max i =1
I -1
( )
max t T u =
a a
(A1.43)
T
( T
max w a X Yq a )
sujeta a que w Tj X T Xw h = 0 , para jh, es decir, que las variables latentes
de X son ortogonales entre s.
110
Apndice al captulo 3. __________________________________________________
Algoritmo SIMPLS
1. Yo = Y media(Y)
2. S=XT*Yo
3. Desde a=1 hasta A
a. q = vector principal dominante de ST*S
b. r = S*q
c. t = X*r
d. t = t media (t)
e. norma(t) = (tT*t)1/2
f. t = t/norma(t)
g. r = r/ norma(r)
h. p = XT*t
i. q = YoT*t
j. u = Yo*q
k. v=p
si a>1, entonces: v = v V*(VT*p); u = u T*(TT*u); fin
l. v = v/(vT*v)1/2 normalizar los loadings ortogonales
T
m. S = S v*(v *S) deshinchar S
n. Almacenar r, t, p, q, u y v en R, T, P, Q, U y V,
respectivamente
Fin
4. B= R*QT coeficientes de regresin
T
5. h = diag(T*T )+1/n influencias de las observaciones
111
SPC mediante MIA____________________________________________________
2.2 N-PLS
( )
^ ^
X = T W K W J de manera que x ijk = t i w Jj w kK (A1.44)
donde ti son los escalares del vector de scores t, y wjJ y wkK los escalares
de los pesos correspondientes a los modos segundo y tercero, wJ y wK
respectivamente.
Por la misma razn que para el PLS bivariante, el modelo PLS trivariante
se expresa como un problema de encontrar los vectores wJ y wk que
satisfacen:
I J K
max cov(t , y ) min (x t i w Jj w kK ) 2 (A1.45)
i =1 ijk
wJ wK
j =1 k =1
J K
max cov(t , y ) t i = x w Jj w kK (A1.46)
wJ w K
ijk
j =1 k =1
Esto implica
112
Apndice al captulo 3. __________________________________________________
I J K
max t i y i t i = x ijk w Jj w kK =
w J w K i =1
j =1 k =1
I J K
max y i x ijk w Jj w kK = (A1.47)
wJ wK i 1
= j =1 k =1
J K
max z jk w Jj w kK
wJ wK j 1 k 1
= =
max
J K
w w
[(
wJ )T
] ( )
Zw K w J , w K = SVD(Z) (A1.48)
113
SPC mediante MIA____________________________________________________
PLS1 trilineal
1. Calcular la matriz Z
3. Calcular t
4. b=(TTT)-1TTy
114
Apndice al captulo 3. __________________________________________________
PLS2 trilineal
Centrar X e Y
3. Calcular t
4. q=YTt/|YTt|
5. u=Yq
7. b=(TTT)-1TTu
8. Xi=Xi-tiwJ(wK)T e Y=Y-TbqT
115
Captulo 4. MIA y SPC___________________________________________________
1 INTRODUCCIN
117
SPC mediante MIA____________________________________________________
118
Captulo 4. MIA y SPC___________________________________________________
119
SPC mediante MIA____________________________________________________
120
Captulo 4. MIA y SPC___________________________________________________
Clemenules
Valencia
Navelina
Colletotrichum
Oleocelosis
Escaldado
Podrido
Fitotoxicidad
Cochinilla
Trips
Clareta
Serpgruesa
Porcelnico negro
Sydney
Claro
121
SPC mediante MIA____________________________________________________
122
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.1. Imagen de una naranja con un defecto de podrido (a), y con defecto de
cochinilla (b).
a) b)
Figura 4.2. Imgenes 100100 seleccionadas de las imgenes originales de las naranjas
con podrido (a) y con cochinilla (b).
123
SPC mediante MIA____________________________________________________
a) b) c)
Figura 4.3. Canales Rojo (a), Verde (b) y Azul (c) para un detalle (100100) de la
imagen de la naranja afectada por cochinilla.
124
Captulo 4. MIA y SPC___________________________________________________
3.1 Enfoques
125
SPC mediante MIA____________________________________________________
126
Captulo 4. MIA y SPC___________________________________________________
Anuevo = XnuevoB
X=ABT + E
PCA Patrn Xnuevo
Valor de T2
100
T2
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Valor de SCR
SCR 1000
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Imagen
Patrn
Imagen Enuevo = Xnuevo - AnuevoBT
Nueva
Figura 4.4. Esquema del enfoque de Ajuste a un modelo con PCA.
K
SCR i = rik2 (4.1)
k =1
127
SPC mediante MIA____________________________________________________
V = R T R / ( N 1) (4.2)
1 / ho
h (1 h ) (2 2 h o2 )1 / 2
SCR = 1 1 2 o 2 o + z (4.3)
1 1
1 = i (4.4)
2 = i2 (4.5)
3 = 3i (4.6)
1 3
y ho = 1 2 (4.7)
3 22
128
Captulo 4. MIA y SPC___________________________________________________
1 = traza (V ) (4.8)
2 = traza (V 2 ) (4.9)
3 = traza (V 3 ) (4.10)
A
t ia2
TA2 = 2
= t Ti diag (1 s t2a )t i (4.11)
s
a =1 t a
T2 = A( N 2 1) / ( N ( N A))FA,N A (4.12)
129
SPC mediante MIA____________________________________________________
De una forma anloga se pueden calcular los lmites de control para estos
estadsticos en los modelos N-way, tal como exponen Louwerse y Smilde
(2000).
Dado que las imgenes estn constituidas por un conjunto de pxeles, los
grficos de control T2 y SCR para cada imagen van a contener los valores
de estos estadsticos para cada pxel de la imagen, indicando en rojo los
pxeles que superan los lmites de control para ambos estadsticos. Un
ejemplo se muestra la Figura 4.5.
100
80
Valor de T2
60
40
20
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
4
Valor de SCR
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
130
Captulo 4. MIA y SPC___________________________________________________
131
SPC mediante MIA____________________________________________________
Para crear el modelo se necesita una imagen que recoja el defecto, tal
como la mostrada en la Figura 4.6.
5
x 10 Representacion de Q2X y R2X
20 800 2
Q2X
0 R2X
-2
15 600
Eigenvalue of Cov(x) (p)
-4
RMSECV (s)
-6
10 400
-8
-10
5 200 -12
-14
-16
0 0
0 5 10 15 20 25 30
-18
Latent Variable 0 5 10 15 20 25 30
Numero de variables latentes
a)
b)
Figura 4.7. Grfico de los valores de los valores propios de las variables latentes (azul)
y del RMSECV (rojo) (a), y Grfico de R2X y de Q2X (b).
132
Captulo 4. MIA y SPC___________________________________________________
250
200
Valor de T2
150
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
40
Valor de SCR
30
20
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
133
SPC mediante MIA____________________________________________________
250
200
Valor de T2
150
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
40
30
Valor de SCR
20
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
En estos grficos los pxeles que sobrepasan los lmites del 95% de
probabilidad, para el modelo creado, aparecen en rojo. A partir de este
grfico y tambin de los resultados numricos obtenidos, se puede
establecer que la imagen comparada no pertenece al modelo de
escaldado. Los porcentajes de pxeles que sobrepasan en este caso los
lmites de T2 son el 95,47%, mientras que el porcentaje para la Suma de
Cuadrados Residuales es del 34,27%.
Supngase ahora que se dispone de una imagen que corresponde con otra
naranja afectada por serpgruesa, tal como la mostrada en la Figura 4.10.
134
Captulo 4. MIA y SPC___________________________________________________
La Figura 4.11 muestra los valores alcanzados para T2 y SCR por los
pxeles de la nueva imagen al proyectarlos sobre el modelo creado.
250
200
Valor de T2
150
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
50
40
Valor de SCR
30
20
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
En este grfico, el 30,13% de los pxeles estn por encima de los lmites
para el grfico de T2 (superior al 8,22% de la imagen patrn), mientras
que hay un 4,10% por encima de los lmites para el grafico de SCR
(inferior al 6,68% de la imagen patrn). Esto significara que la naranja
presenta la estructura correspondiente a la enfermedad de serpgruesa, ya
que su porcentaje de pxeles por encima de los lmites establecidos a
partir de la imagen patrn no supera el mximo permitido por la SCR
(6,68%), pero con un grado de afectacin de la enfermedad diferente del
de la imagen patrn (puesto que el lmite s se traspasa en el caso del T2).
135
SPC mediante MIA____________________________________________________
a) b)
Figura 4.12. Imgenes de cermicas de los modelos Porcelnico Negro (a) y Sydney (b).
-0.5
Eigenvalue of Cov(x) (p)
RMSECV (s)
-1
10 500
-1.5
-2
-2.5
0 0 -3
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Latent Variable Numero de variables latentes
a) b)
Figura 4.13. Grfico de los valores propios de las variables latentes (azul) y del
RMSECV (rojo) (a), y Grfico de R2X y de Q2X (b).
136
Captulo 4. MIA y SPC___________________________________________________
1500
Valor de T2
1000
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
15
Valor de SCR
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Figura 4.14. Valores de T2 y de SCR para el modelo Sydney (Fig. 4.12 b) al proyectarlo
sobre el modelo PCA construido para el modelo de Porcelnico Negro (Fig. 4.12 a).
137
SPC mediante MIA____________________________________________________
a) b)
Figura 4.15. Imgenes de cermicas del modelo Claro.
138
Captulo 4. MIA y SPC___________________________________________________
30
20
Valor T2
10
0
0 500 1000 1500 2000 2500 3000
4
x 10
4
3
Valor SCR
0
0 500 1000 1500 2000 2500 3000
Figura 4.17. Valores de T2 y de SCR para la imagen del modelo Claro, Fig.4.15 (b) al
proyectarlo sobre el modelo Tucker3 construido para el modelo de Claro, Fig. 4.15 (a).
3.1.2 SIMCA
Cada uno de estos modelos viene caracterizado por una o varias matrices
de cargas, en funcin de que se haya creado un modelo 2-way o N-way.
Una vez calculados, se toma una nueva imagen, y se proyecta sobre cada
uno de los modelos patrn.
139
SPC mediante MIA____________________________________________________
Xnueva
X1 = A1B1T + E1
PCA Clase 1 Imagen nueva
T2 para nuevos datos respecto modelo 1 T2 para nuevos datos respecto modelo 2 T2 para nuevos datos respecto modelo 3
1400 1400 1400
X3 = A3B3T + E3
Valor T2
Valor T2
Valor T2
800 800 800
SCR
Valor SCR
Valor SCR
Valor SCR
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
Imagen
Imagen Clase 3
Clase 2
Asignacin al modelo
ms cercano
Figura 4.18. Esquema del enfoque SIMCA con PCA.
140
Captulo 4. MIA y SPC___________________________________________________
Si se aplica el enfoque SIMCA con PCA sobre tres tipos de defectos, tales
como colletotrichum, escaldado y podrido (Fig. 4.19 (a), (b) y (c)), se
obtiene en primer lugar los grficos de las Figuras 4.20 y 4.21,
correspondientes a la validacin cruzada.
a) b)
c) d)
Figura 4.19. Imgenes utilizadas para la construccin de los modelos: colletotrichum
(a), escaldado (b) y podrido (c), y la utilizada para llevar a cabo la comparacin,
afectada por colletotrichum (d).
141
SPC mediante MIA____________________________________________________
20 50
20 20 20 3
15 15 15 2.5
RMSECV (s)
RMSECV (s)
RMSECV (s)
10 10 10 2
5 5 5 1.5
0 0
0 0 0 1 0 5 10 15
0 5 10 15 0 5 10 15
Latent Variable
Latent Variable Latent Variable
a) b) c)
Figura 4.20. Grficos de los valores propios de las variables latentes (azul) y del
RMSECV (rojo) para las naranjas con colletotrichum (a), escaldado (b) y podrido (c).
-1000
-200
90
-2000
-400
-3000
85
-600 -4000
80
-5000
-800
-6000
75
-1000
-7000
70
-1200
-8000
-1400 65 -9000
0 5 10 15 0 5 10 15 0 5 10 15
Numero de variables latentes Numero de variables latentes Numero de variables latentes
a) b) c)
Figura 4.21. Grficos de R2X y Q2X para los tres modelos: colletotrichum (a),
escaldado (b) y podrido (c).
Cuando se proyecta la nueva imagen de la Fig. 4.19 (d) sobre los
modelos construidos a partir de las imgenes 4.19 (a), (b) y (c), se
obtienen los resultados mostrados en la Figura 4.22.
Tabla 4.1. Porcentajes de pxeles por encima de los lmites de control para las imgenes
utilizadas como patrn.
142
Captulo 4. MIA y SPC___________________________________________________
Valor T2
Valor T2
Valor T2
150 150 150
50 50 50
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
Valor SCR
Valor SCR
2000 2000 2000
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
a) b) c)
2
Figura 4.22. Valores de T y de SCR de la nueva imagen correspondiente a la naranja
con colletotrichum, Fig. 4.22 (d), respecto de los tres modelos PCA creados:
colletotrichum (a), escaldado (b) y podrido (c).
Tabla 4.2. Porcentajes de pxeles por encima de los lmites para de la imagen proyectada
afectada por colletrichum las imgenes utilizadas como patrn.
143
SPC mediante MIA____________________________________________________
100 20
90 18
80 16
70 14
50 10
40 8
30 6
20 4
10 2
0 0
1 2 3 1 2 3
modelos modelos
a) b)
Figura 4.23. Porcentaje de pxeles sobre los lmites de control de T2 (a) y de SCR (b) de
la nueva imagen respecto de los tres modelos: colletotrichum (1), escaldado (2) y
podrido (3).
144
Captulo 4. MIA y SPC___________________________________________________
Este grfico se repite para los tres tipos de defectos, dando lugar a los
modelos Tucker3 correspondientes (colletotrichum, escaldado y
podrido).
Figura 4.24. Grfico para la determinacin, mediante validacin cruzada, del modelo 3-
way ms adecuado (ejemplo para el modelo de naranja con defecto de colletotrichum).
Las imgenes a partir de las cuales se han creado los modelos han sido
las ya mostradas con anterioridad en la Figura 4.21. (a), (b) y (c),
mientras que la imagen a comparar en este caso ha sido, a fin de
comprobar la bondad de este tipo de anlisis independientemente de la
naturaleza del modelo multivariante empleado, la de una nueva naranja
con defecto de colletotrichum, mostrada en la Figura 4.25.
145
SPC mediante MIA____________________________________________________
80 80 80
Valor T2
Valor T2
Valor T2
60 60 60
40 40 40
20 20 20
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
4 4 4
x 10 x 10 x 10
3 3 3
Valor SCR
Valor SCR
2 2 2
1 1 1
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
a) b) c)
Figura 4.26. Valores de T2 y de SCR de la nueva imagen correspondiente a la naranja con
colletotrichum, Fig. 4.25, respecto de los tres modelos Tucker3 creados: colletotrichum (a),
escaldado (b) y podrido (c).
Los porcentajes de pxeles para las imgenes utilizadas como patrn han
sido los que se muestran en la Tabla 4.3, mientras que la imagen
proyectada presenta los porcentajes de pxeles por encima de lmites
respecto de cada uno de los modelos mostrados en la Tabla 4.4.
Tabla 4.3. Porcentajes de pxeles por encima de los lmites de control para las imgenes
utilizadas como patrn.
Tabla 4.4. Porcentajes de pxeles por encima de los lmites de control establecidos a
partir de las imgenes patrn de la imagen proyectada, afectada por colletrichum, Fig.
4.25.
146
Captulo 4. MIA y SPC___________________________________________________
80 90
80
70
70
60
20
20
10 10
0 0
1 2 3 1 2 3
modelos modelos
a) b)
Figura 4.27. Porcentaje de pxeles sobre los lmites de control de T2 (a) y de SCR (b)
de la imagen de la Figura 4.25 para los tres modelos Tucker3 ajustados.
a) b)
147
SPC mediante MIA____________________________________________________
c) d)
Figura 4.28. Imgenes de las cermicas utilizadas para la aplicacin del enfoque SIMCA
con PCA: Claro (a) Porcelnico Negro (b) y Sydney (c); as como de la pieza de la
referencia Sydney a clasificar (d).
10 5
10 5 10 5
Eigenvalue of Cov(x) (p)
RMSECV (s)
RMSECV (s)
0 0
0 5 10 15 0 0 0 0
0 5 10 15 0 5 10 15
Latent Variable
Latent Variable Latent Variable
a) b) c)
Figura 4.29. Grficos de los valores propios de las variables latentes (azul) y del
RMSECV (rojo) para las cermicas de los modelos Claro (a), Porcelnico Negro (b) y
Sydney (c).
148
Captulo 4. MIA y SPC___________________________________________________
90 90
90
80 80
80
70 70
70
60 60
60
50 50
50
40 40
40
30 30
30 20 20
0 5 10 15 0 5 10 15 0 5 10 15
Numero de variables latentes Numero de variables latentes Numero de variables latentes
a) b) c)
2 2
Figura 4.30. R y Q para los tres modelos: Claro (a), Porcelnico Negro (b) y Sydney (c).
Tabla 4.5. Porcentajes de pxeles por encima de los lmites de control para las imgenes
utilizadas como patrn.
Tabla 4.6. Porcentajes de pxeles por encima de los lmites de control establecidos a
partir de las imgenes patrn de la imagen proyectada del modelo Sydney, Fig. 4. 28 d).
149
SPC mediante MIA____________________________________________________
Valor T2
Valor T2
Valor T2
1000 1000 1000
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
50 50 50
40 40 40
Valor de SCR
Valor SCR
Valor SCR
30 30 30
20 20 20
10 10 10
0 0 0
0 1000 2000 3000 0 1000 2000 3000 0 1000 2000 3000
a) b) c)
Figura 4.31. Valores de T2 y de SCR de la nueva imagen correspondiente a la
cermica de referencia Sydney, Fig. 4.29 (d), respecto de los tres modelos creados:
Claro, Fig. 4.22 (a), Porcelnico Negro (b) y Sydney (c).
100 100
90 90
80 80
70 70
% pixeles sobre SCR
% pixeles sobre T2
60 60
50 50
40 40
30 30
20 20
10 10
0 0
1 2 3 1 2 3
modelos modelos
a) b)
Figura 4.32. Porcentaje de pxeles sobre los lmites de control de T2 (a) y de SCR
(b) de la nueva imagen para los tres modelos: Claro (1), Porcelnico Negro (2) y
Sydney (3).
150
Captulo 4. MIA y SPC___________________________________________________
3.1.3 PLS-DA
Clase 1 ..
100
010
010 Xnueva
010
Clase 2 .
. Nueva
010 Imagen
001
Imagen
001
Clase 1
Clase 3
100
.
001
Ypred = XBPLS 010
001
X Y
Imagen
Clase 2
Valor de T2 de los datos
150
Valor de T2
100
50
T2
Y = XBPLS + G 0
0 1000 2000 3000 4000 5000 6000
1500
Imagen Asignacin
Valor de SCR
1000
Clase 3
500
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
SCR al modelo
ms cercano
Figura 4.33. Esquema del enfoque PLS-Discriminante, utilizando PLS.
151
SPC mediante MIA____________________________________________________
Una vez proyectada la imagen la Figura 4.19 (d) sobre el modelo PLS-
DA construido a partir de las imgenes de las Figuras 4.19 (a), (b) y (c),
el modelo proporcion la salida que se presenta en la Figura 4.35.
152
Captulo 4. MIA y SPC___________________________________________________
Figura 4.35. Valores medios predichos del enfoque PLS-DA construido a partir de
las imgenes utilizadas como patrn, Figs. 4.21 (a), (b) y (c), cuando se proyecta la
imagen de la Fig. 4.22 (d).
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1 2 3
Figura 4.37. Valores medios predichos del enfoque PLS-DA construido a partir de las
imgenes utilizadas como patrn, Figs. 4.28 (a), (b) y (c), cuando se proyecta la imagen
de la Fig. 4.36 (d).
154
Captulo 4. MIA y SPC___________________________________________________
10
10
10
20
20 Xnueva
20
30 Imagen
Dureza 10 30 nueva
30
Rockwell
X Y
D plot
60
50
XBPLS T2
40
D-value
30
20
10
Dureza 15
Y = XBPLS + G 0
0 500 1000 1500
RSS plot
2000 2500 3000
2000
Rockwell SCR
1500
Q-value
1000
500
0
0 500 1000 1500 2000 2500 3000
10 15 30
Dureza 30 Ypred= XBPLS
Rockwell
155
SPC mediante MIA____________________________________________________
156
Captulo 4. MIA y SPC___________________________________________________
157
SPC mediante MIA____________________________________________________
158
Captulo 4. MIA y SPC___________________________________________________
159
SPC mediante MIA____________________________________________________
Dado que en la prctica los diseos no son continuos, sino exactos, los
criterios de optimalidad derivan en los de D-eficiencia y G-eficiencia,
respectivamente, los cuales llevan a diseos que no son los mejores
posibles, pero que se aproximan ms o menos en funcin del ratio de
eficiencia definido. En este sentido, los diseos llevados a cabo en esta
tesis han sido creados en base a un criterio de D-eficiencia del 90%, por
considerar que este valor es un buen nivel de informacin.
X1 = Nivel de compresin
X2 = Tamao de la ventana (en nmero de pxeles)
X3 = Tipo de patrn
160
Captulo 4. MIA y SPC___________________________________________________
X4 = Nmero de patrones
X5 = Metodologa
X6 = Centrado previo de los canales de color
X7 = Estandarizado
X8 = Tipo de wavelet utilizado
Una vez planteados los niveles y variantes de cada una de las pruebas, se
llevaron a cabo las mismas, recogindose los resultados correspondientes
a las diversas variables de salida.
161
SPC mediante MIA____________________________________________________
NARANJAS CERMICAS
Entrenamiento Validacin Entrenamiento Validacin
Tipo N Tipo N Tipo N Tipo N
A 3 A 4 A 3 A 5
B 3 B 4 B 3 B 5
C 3 C 1 C 3 C 5
D-I 1
162
Captulo 4. MIA y SPC___________________________________________________
163
SPC mediante MIA____________________________________________________
log[ p (1 p )] = 0 + i X i (4.13)
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 100 200 300 400 500 600 700 800 900 1000 -8 -6 -4 -2 0 2 4 6 8
164
Captulo 4. MIA y SPC___________________________________________________
e
0 + i X i
p = E( Y / X ) = (4.14)
1+ e
0 + i X i
165
SPC mediante MIA____________________________________________________
^ e
b0 + bi X i
p= (4.15)
1+ e
b0 + bi X i
166
Captulo 4. MIA y SPC___________________________________________________
3.3 Resultados
Nivel de
Nivel de Nivel de
compresin
compresin bajo compresin bajo
CERMICAS
elevado
Tamao grande de Tamao grande de Tamao grande de Tamao pequeo
la ventana la ventana la ventana de la ventana
Tres imgenes Una imagen patrn Tres imgenes
patrn patrn
Modelo 2-way Modelo 2-way Modelo 3-way Modelo 3-way
No centrado No centrado No centrado previo No centrado
previo previo previo
No pre-procesado No pre-procesado No pre-procesado No pre-procesado
DWT
168
Captulo 4. MIA y SPC___________________________________________________
169
SPC mediante MIA____________________________________________________
P( AciertoGlobal ) = P( X ) P( X / X ) + P( X ) P( X / X ) (4.16)
170
Captulo 4. MIA y SPC___________________________________________________
Ajuste a un modelo
A B
P(A/A) A/
P( A) P(B/B) B/
P( B)
SIMCA PLS-DA
T2 SCR
77,61%
61,19% 40,30%
Caso 1, sin lmites Caso 2, sin lmites Caso 1, sin lmite SCR Caso 2, sin lmite SCR
T2 SCR
Incorrecto 93,33% Incorrecto
66,66% 66,66%
171
SPC mediante MIA____________________________________________________
172
Captulo 4. MIA y SPC___________________________________________________
173
SPC mediante MIA____________________________________________________
encima de los lmites para SCR eran similares para las imgenes de los
tipos B y No B.
Ajuste a un modelo
A B
P(A/A) A/
P( A) P(B/B) B/
P( B)
P(A/A) , modificado A/
P( A), modificado P(B/B), modificado B/
P( B), modificado
2 2 2
T SCR T SCR T SCR T2 SCR
SIMCA PLS-DA
T2 SCR
No disponible 79,17% No disponible
69,72% 94,44%
Caso 1, sin lmites Caso 2, sin lmites Caso 1, sin lmite SCR Caso 2, sin lmite SCR
T2 SCR
Incorrecto 100% Incorrecto
94,44% 94,44%
174
Captulo 4. MIA y SPC___________________________________________________
175
SPC mediante MIA____________________________________________________
Tabla 4.13. Expresiones de alfa para cada problema analizado, y para cada enfoque
aplicado, al emplear slo la informacin de carcter espectral, con los factores
estadsticamente significativos (p-valor < 0.05) y sus correspondientes coeficientes.
Capacidad
predictiva del
Enfoque Alfa
modelo
(p-valor)
-0,896912 + 1,55193X6 +
0,374967X1X4 +
64,17%
T2 1,11023X4X3
Ajuste a un (0,0000)
0,636455X4X8
modelo
1,25043X3X6
NARANJAS
176
Captulo 4. MIA y SPC___________________________________________________
A B Sin lmites
Nivel de Nivel de
NARANJAS
WPT WPT
A B Sin lmites
Nivel de Nivel de
CERMICAS
177
SPC mediante MIA____________________________________________________
Ajuste a un modelo
A B
P(A/A) A/
P( A) P(B/B) B/
P( B)
2 2 2 2
T SCR T SCR T SCR T SCR
SIMCA PLS-DA
Caso 1, sin lmites Caso 2, sin lmites Caso 1, sin lmite SCR Caso 2, , sin lmite SCR
2
T SCR
Incorrecto 66,66% Incorrecto
66% 60%
178
Captulo 4. MIA y SPC___________________________________________________
179
SPC mediante MIA____________________________________________________
Ajuste a un modelo
A B
P(A/A) A/
P( A) P(B/B) B/
P( B)
2 2 2 2
T SCR T SCR T SCR T SCR
T2 SCR T2 SCR
P(A/A) , modificado A/
P( A), modificado P(B/B), modificado B/
P( B), modificado
2 2 2
T SCR T SCR T SCR T2 SCR
SIMCA PLS-DA
180
Captulo 4. MIA y SPC___________________________________________________
181
SPC mediante MIA____________________________________________________
182
Captulo 4. MIA y SPC___________________________________________________
183
SPC mediante MIA____________________________________________________
184
Captulo 4. MIA y SPC___________________________________________________
185
SPC mediante MIA____________________________________________________
186
Captulo 4. MIA y SPC___________________________________________________
187
SPC mediante MIA____________________________________________________
188
Captulo 4. MIA y SPC___________________________________________________
250
200
Valor de T2
150
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
40
Valor de SCR
30
20
10
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
189
SPC mediante MIA____________________________________________________
(a) (b)
2
Figura 4.43. Representacin sobre la propia imagen de las T (a) y de las SCR (b) del
modelo patrn.
Las Figuras 4.45 (a) y 4.45 (b) muestran la localizacin de los pxeles y
el valor alcanzado por los mismos para los estadsticos T2 y SCR, a
travs de la construccin de las Imgenes de T2 y SCR. Se puede
comprobar cmo prcticamente el total de la imagen supera los lmites
para T2, mientras que los valores de los pxeles para SCR no son muy
elevados, si bien el rea o porcentaje de la imagen ocupada por los
mismos es considerable.
190
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.45. Representacin sobre la propia imagen de las T2 (a) y SCR (b) de la imagen
comparada.
Como se puede observar a partir de las Figuras 4.47 (a) y (b), lo que
parece ocurrir es que, por un lado y a partir de las conclusiones del
enfoque de Ajuste a un modelo, la naranja presenta un ajuste adecuado al
modelo, como se puede desprender de la visualizacin y localizacin de
los valores de los pxeles que superan los lmites establecidos. Sin
embargo, la Imagen de T2 indica que la zona derecha parece mostrar un
grado de afectacin diferente de la imagen patrn.
191
SPC mediante MIA____________________________________________________
a) b)
Figura 4.47. Imgenes T2 (a) y SCR (b) para la nueva imagen con serpgruesa.
a) b)
Figura 4.48. Imgenes de cermicas de los modelos Porcelnico Negro (a) y Sydney (b).
192
Captulo 4. MIA y SPC___________________________________________________
10 10
12
1000
20 20
30 30 10
800
40 40
8
Valor SCR
Valor T2
50 600 50
6
60 60
400
70 70 4
80 80
200
2
90 90
0 0
10 20 30 40 50 60 70 80 90 10 20 30 40 50 60 70 80 90
a) b)
2
Figura 4.49. Imagen T (a) e Imagen SCR (b) para la referencia Sydney al proyectarla
sobre el modelo construido a partir de la referencia Porcelnico Negro.
a) b)
Figura 4.50. Imgenes de cermicas de la referencia Claro.
193
SPC mediante MIA____________________________________________________
a) b)
Figura 4.51. Imagen T2 (a) e Imagen SCR (b) para una imagen de la referencia Claro al
proyectarla sobre el modelo construido a partir de otra imagen de la misma referencia.
194
Captulo 4. MIA y SPC___________________________________________________
180 45
160 40
140 35
120 30
100 25
80 20
60 15
40 10
20 5
0
20 40 60 80 100 120 140 160 180 200
a)
b)
Figura 4.52. Imagen de una plancha de acero real (a) y de la generada por medio de la
simulacin llevada a cabo (b).
180 45
160 40
140 35
120 30
100 25
80 20
60 15
40 10
20 5
0
20 40 60 80 100 120 140 160 180 200
195
SPC mediante MIA____________________________________________________
180 45
160
40
140
35
120
30
100
25
80
20
60
15
40
20 10
15
Valor de T2
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
4
Representacion de los valores de SCR alcanzados por los pixelesx 10
5000
4000
Valor de SCR
3000
2000
1000
0
0 0.5 1 1.5 2 2.5 3 3.5 4
4
x 10
Figura 4.55. Valores de T2 y de SCR para los pxeles de la imagen sin defectos (Fig. 4.54) al
proyectarla sobre el modelo construido a partir de la imagen de la Figura 4.52 (b).
196
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.56. Localizacin de los pxeles de la Figura 4.54 que superan los lmites de T2
(a) y de los pxeles que superan los lmites de SCR (b).
197
SPC mediante MIA____________________________________________________
15
Valor de T2
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
4
Representacion de los valores de SCR alcanzados por los pixelesx 10
5000
4000
Valor de SCR
3000
2000
1000
0
0 0.5 1 1.5 2 2.5 3 3.5 4
4
x 10
Figura 4.57. Valores de T2 y de SCR para la imagen con picadas de la Figura 4.53 al
proyectarla sobre el modelo construido a partir de la imagen de la Figura 4.52 (b).
a) b)
Figura 4.58. Imgenes T2 (a) y SCR (b) para la imagen con picadas de la Figura 4.53.
198
Captulo 4. MIA y SPC___________________________________________________
Esto hace pensar en el hecho comentado de que los valores de los pxeles
se haban simulado a partir de una distribucin uniforme, mientras que al
comprimir la imagen y realizar el estudio sobre el canal LL, que integra
la informacin existente en la imagen original, los pxeles obtienen
valores que, al ser combinacin de valores de una Uniforme, por el
teorema central de lmite convergen hacia la Normal.
De todas formas, estos valores lmite siguen sin ser superados de manera
clara por la imagen de la plancha con picadas (Fig. 4.54), la cual muestra
unos valores, al ser proyectada sobre el nuevo modelo construido, del
5,31% para T2 y del 4,82 para SCR.
199
SPC mediante MIA____________________________________________________
15
Valor de T2
10
0
0 2000 4000 6000 8000 10000 12000
6000
Valor de SCR
4000
2000
0
0 2000 4000 6000 8000 10000 12000
200
Captulo 4. MIA y SPC___________________________________________________
a) b)
2
Figura 4.60. Imagen T (a) y SCR (b) de la plancha con picadas, comprimida.
180 45
160 40
140 35
120 30
100 25
80 20
60 15
40 10
20 5
0
20 40 60 80 100 120 140 160 180 200
Figura 4.61. Imagen simulada de una plancha con picadas, ampliacin de la Figura 4.53.
201
SPC mediante MIA____________________________________________________
A fin de intentar estudiar cul de las dos figuras proporciona una mejor
informacin, se muestra de nuevo en la Figura 4.61, ampliada, la
simulacin de la plancha con picadas, ya mostrada en la Figura 4.53.
180 55
160 50
45
140
40
120
35
100
30
80
25
60
20
40 15
20 10
202
Captulo 4. MIA y SPC___________________________________________________
rea sucia de grado 10, inferior al grado 15 de las picadas del ejemplo
anterior.
a) b)
Figura 4.63. Imgenes T2 (a) y SCR (b) para una plancha con rea sucia, sin comprimir
y con mnima informacin espacial.
203
SPC mediante MIA____________________________________________________
a) b)
2
Figura 4.64. Representacin conjunta de la Imagen T (a) e Imagen SCR (b),
comprimiendo a un nivel y con mnima informacin espacial (amplitud de la ventana de
vecindad de 1 pxel).
a)
b)
2
Figura 4.65. Representacin conjunta de la Imagen T (a) e Imagen SCR (b),
comprimiendo a un nivel y con una amplitud de la ventana de vecindad de 2 pxeles.
204
Captulo 4. MIA y SPC___________________________________________________
205
SPC mediante MIA____________________________________________________
conseguido una mayor deteccin de la nueva textura, y con ello del borde
relacionado con el rea sucia, con una relacin entre la nueva estructura
de datos y el tamao de la estructura de datos sobre la original de
[494993]/ [989893] = 0.25, es decir, un 25% de la estructura
original.
a) b)
Figura 4.66. Representacin conjunta de la Imagen T2 (a) e Imagen SCR (b), para dos
niveles de compresin y una amplitud de la ventana de vecindad de 1 pxel.
206
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.67. Imagen T2 (a) e Imagen SCR (b) para una imagen estandarizada con dos
niveles de compresin y una amplitud de ventana de vecindad de 1 pxel.
a) b)
2
Figura 4.68. Imagen T (a) e Imagen SCR (b) para una imagen estandarizada con un
nico nivel de compresin y dos pxeles de vecindad.
207
SPC mediante MIA____________________________________________________
180 45
160
40
140
35
120
30
100
25
80
20
60
15
40
20 10
5
20 40 60 80 100 120 140 160 180 200
208
Captulo 4. MIA y SPC___________________________________________________
a) b)
2
Figura 4.70. Representacin de la Imagen T (a) e Imagen SCR (b) para la simulacin de
la plancha de acero con rayas.
209
SPC mediante MIA____________________________________________________
a) b)
Figura 4.71. Imagen T2 (a) e Imagen SCR (b) en el caso de haber estandarizado la
imagen original.
210
Captulo 4. MIA y SPC___________________________________________________
180 45
160
40
140
35
120
30
100
25
80
20
60
15
40
20 10
5
20 40 60 80 100 120 140 160 180 200
211
SPC mediante MIA____________________________________________________
a) b)
Figura 4.73. Imagen T2 (a) e Imagen SCR (b) para una amplitud de la ventana de
vecindad de 1 pxel.
a) b)
Figura 4.74. Imagen T2 (a) e Imagen SCR (b) para una amplitud de la ventana de
vecindad de 2 pxeles.
212
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.75. Imagen T2 (a) e Imagen SCR (b) para un modelo creado a partir de la
imagen comprimida, estandarizada y amplitud de la ventana de vecindad de 1 pxel.
213
SPC mediante MIA____________________________________________________
4.4.1 Tipo A
214
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.76. Imagen de la pieza del Tipo A utilizada como patrn (a) y de la pieza Tipo
A con un defecto de mancha o rea sucia (b).
Con el fin de comprimir las imgenes y eliminar algo del ruido que pueda
existir en las mismas, se ha empleado para el estudio los canales LL de
las DWT. Tras la construccin de un modelo PCA, y aplicando el enfoque
de Ajuste a un modelo, se obtienen los valores de T2 y SCR para cada
uno de los pxeles de la imagen, los cuales dan lugar a la Imagen T2 y
SCR mostradas en la Figura 4.77, correspondientes a la pieza de la
Figura 4.76 (b).
215
SPC mediante MIA____________________________________________________
a) b)
2
Figura 4.77. Imagen T (a) e Imagen SCR (b) correspondientes a la pieza de la Figura
4.76 (b), con un nivel de compresin y una amplitud de la ventana de vecindad de 2
pxeles.
a) b)
Figura 4.78. Imagen T2 (a) e Imagen SCR (b) para la pieza de la Figura 4.76 (b) sin
comprimir y con una amplitud de la ventana de vecindad de 3 pxeles.
216
Captulo 4. MIA y SPC___________________________________________________
4.4.2 Tipo B
a) b)
Figura 4.79. Imgenes originales de la pieza utilizada como patrn (a) y la
correspondiente a la pieza proyectada, con defecto de rea sucia.
b)
a)
Figura 4.80. Imgenes T2para la imagen de la Figura 4.79 (b) comprimida (a) y sin
comprimir (b).
217
SPC mediante MIA____________________________________________________
a) b)
Figura 4.81. Imgenes SCR para la imagen de la Figura 4.79 (b) comprimida (a) y sin
comprimir (b).
218
Captulo 4. MIA y SPC___________________________________________________
4.4.3 Tipo C
a) b)
Figura 4.82. Imgenes de la pieza Tipo C empleada para la construccin del modelo (a),
y la pieza con el defecto de raya (b).
219
SPC mediante MIA____________________________________________________
a) b)
2
Figura 4.83. Imagen T (a) e Imagen SCR (b) para el canal LL de la pieza de la Figura
4.82 (b).
a) b)
2
Figura 4.84. Imagen T (a) e Imagen SCR (b) para el canal HH de la imagen de la pieza
rayada de la Figura 4.82 (b).
220
Captulo 4. MIA y SPC___________________________________________________
a) b)
2
Figura 4.85. Imgenes T (a) y SCR (b) para el canal HH de la imagen comprimida para
la pieza de la imagen 4.82 (b), al trabajar en el espacio HSB.
221
SPC mediante MIA____________________________________________________
0.2
0.15
0.1
0.05
-0.05
-0.1
-0.15
-0.2
-0.25
0 50 100 150 200 250
0.4 0.3
0.3 0.2
0.2
0.1
0.1
0
0
-0.1
-0.1
-0.2
-0.2
-0.3
-0.3
-0.4 -0.4
0 50 100 150 200 250 0 50 100 150 200 250
a) b)
Figura 4.87. Loading Plots para el modelo forzado con 148 pcs (a) y las componentes
82 a 148 (b).
222
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.88. Imagen T2 (a) e Imagen SCR (b) derivadas del modelo forzado con 148
componentes principales, para el canal HH de la imagen comprimida para la pieza de la
imagen 4.82 (b), al trabajar en el espacio HSB.
223
SPC mediante MIA____________________________________________________
a) b)
Figura 4.89. Imagen T2 (a) e Imagen SCR (b) derivadas del modelo estandarizado y
construido mediante validacin cruzada para el canal HH de la imagen comprimida para
la pieza de la imagen 4.82 (b), al trabajar en el espacio HSB.
0.2
0.15
0.1
0.05
-0.05
-0.1
-0.15
-0.2
-0.25
0 50 100 150 200 250
Figura 4.90. Loading Plot correspondiente a las componentes principales del modelo
estandarizado construido mediante validacin cruzada.
Los resultados previos derivados tanto del modelo forzado como del
estandarizado construido mediante validacin cruzada, parecen apuntar al
canal S como el ms relacionado con el defecto de rayas. De acuerdo con
224
Captulo 4. MIA y SPC___________________________________________________
esta asuncin, se pas a estudiar por separado los diferentes canales HSB
de la imagen rayada de la Figura 4.82 (b), los cuales aparecen en la
Figura 4.91, separados mediante Corel Photo Paint.
a) b) c)
Figura 4.91. Canales H (a), S (b) y B (c) para el canal HH de la imagen de la pieza 4.82
(b).
225
SPC mediante MIA____________________________________________________
estar asociados al hecho de que las ventanas sin rayas deben tener
intensidades de valores cercanas a cero con pequea variabilidad
(debemos estar hablando de ruido, puesto que analizamos el canal HH
del primer nivel de compresin); mientras que las ventanas con rayas
deben presentar zonas en las que la estructura de datos se rompe, ya que
hay una variacin de los niveles de intensidad que no se corresponde con
la estructura general, y adems dichos valores deben ser superiores a los
niveles a partir de los cuales se ha construido el modelo. Estos dos
razonamientos se ven apoyados por las Imgenes T2 y SCR de la Figura
4.92, donde se puede observar que la Imagen SCR detecta mejor en este
caso la raya.
a) b)
Figura 4.92. Imagen T2 (a) e Imagen SCR (b) obtenidas del modelo construido con el
canal HH de la imagen correspondiente al canal S del espacio HSB, Fig. 4.91 (b).
El hecho de que las rayas aparezcan mejor detectadas por la Imagen SCR
parece lgico desde un punto de vista terico, ya que las rayas son como
bordes que rompen la estructura de correlacin en la textura de la imagen
sin defectos de este tipo. Es decir, que este tipo de defecto no est ligado
a un cambio de intensidad en una determinada regin, pero manteniendo
la estructura espacial dentro de la misma, como sera el caso de un rea
sucia ya que, si ste fuera el caso, debera quedar mejor detectada por la
Imagen T2, como han mostrado los resultados correspondientes al
ejemplo del Tipo A.
226
Captulo 4. MIA y SPC___________________________________________________
227
SPC mediante MIA____________________________________________________
228
Captulo 4. MIA y SPC___________________________________________________
229
SPC mediante MIA____________________________________________________
20
40
60
80
100
120
140
160
180
200
50 100 150 200 250
a) b)
Figura 4.93. Imagen original de una naranja afectada por cochinilla (a) y Score Image
de la primera componente principal de una imagen (b), tras la aplicacin de un PCA.
230
Captulo 4. MIA y SPC___________________________________________________
231
SPC mediante MIA____________________________________________________
Los Score Plots dan una buena idea de las densidades de los pxeles y de
su localizacin en el espacio multivariante, permitiendo detectar, de una
manera sencilla, pxeles anmalos fuera de las regiones de alta densidad
(Geladi et al, 1992), as como las distintas agrupaciones de pxeles. De
esta manera, es posible estudiar propiedades, caractersticas o defectos
existentes en las imgenes, as como visualizar puntos anmalos,
gradientes y agrupaciones de pxeles.
232
Captulo 4. MIA y SPC___________________________________________________
233
SPC mediante MIA____________________________________________________
Aislamiento de la
caracterstica de inters
Imgenes
Score
X = ABT + E descriptoras
PCA del defecto
o
caracterstica
Imagen con
defecto o Xnuevo
caracterstica
de inters Aislamiento de la
caracterstica de inters
Nueva Imagen
234
Captulo 4. MIA y SPC___________________________________________________
Por otro lado, mediante la comparacin de los Score Plots se puede hacer
un diagnstico de qu tipo de defecto o caracterstica existe en cada zona
de los mismos, ya que aparecern agrupaciones de pxeles en cada Score
Plot para cada tipo de defecto o caracterstica. De esta manera, se pueden
comparar con los Score Plots de cada tipo de caracterstica, y ver cules
son las agrupaciones que presenta la nueva imagen, y en qu grado.
Una posibilidad mencionada por Bharati (2002) es, en aquellos casos que
el defecto o caracterstica quede recogida por ms de una componente
principal, crear una mscara multidimensional (aunque tal vez sera
mejor definirla como un recinto multidimensional), que comprenda los
rangos de valores de scores asociados al defecto en cada componente
principal. De esta manera, la interseccin de todos los rangos definira el
recinto ligado al defecto. En cualquier caso, la estrategia de seleccin ya
consume bastante tiempo de por s, y el hecho de incorporar nuevas
restricciones empeora su aplicabilidad frente a la posible mejora que
podra alcanzarse.
235
SPC mediante MIA____________________________________________________
20 20
-200
50
40 40
-300
60 60
0
-400
80 80
Valor del score
-500
100 100 -50
-100
140 140
-700
160 160
-800 -150
180 180
-900
-200
50 100 150 200 50 100 150 200
a) b)
Figura 4.96. Imgenes Score de la primera componente principal (a) y de la tercera
componente principal (b).
236
Captulo 4. MIA y SPC___________________________________________________
Seleccionando la zona indicada por los rangos, sin ms que sumar a los
mismos los valores absolutos de los mnimos de cada direccin principal,
es decir, 927 y 201 en este caso, se escogen aquellos pxeles que caen
dentro del rea en color rojo, tal como muestra la Figura 4.98.
237
SPC mediante MIA____________________________________________________
a) b)
Figura 4.99. Imagen Score de los pxeles seleccionados, caractersticos del defecto, para
la 1 (a) y 3 (b) componentes principales.
238
Captulo 4. MIA y SPC___________________________________________________
a) b)
Figura 4.102. Imgenes Score de los pxeles seleccionados, caractersticos del defecto,
para la 1 (a) y 3 (b) componentes principales.
239
SPC mediante MIA____________________________________________________
a) b)
240
Captulo 4. MIA y SPC___________________________________________________
241
SPC mediante MIA____________________________________________________
Mediante esta seleccin, los pxeles relacionados con las zonas moteadas
quedan localizados como se muestra en las Figura 4.107, para cada una
de las componentes principales consideradas.
a) b)
Figura 4.107. Imgenes Score de los pxeles seleccionados, caractersticos de las zonas
moteadas, para la 2 (a) y 3 (b) componentes principales.
242
Captulo 4. MIA y SPC___________________________________________________
243
SPC mediante MIA____________________________________________________
20 20
10 5
40 40
5 0
60 60
0 -5
80 80
-5 100 -10
100
120 120
-10
-15
20 40 60 80 100 120 20 40 60 80 100 120
a) b)
Figura 4.109. Imgenes Score para las componentes principales 1 (a) y 3 (b).
b)
a)
Figura 4.110. Score Plot para las componentes principales de inters, con (a) y sin (b) la
aplicacin de la mscara de seleccin de los pxeles asociados a las picadas.
244
Captulo 4. MIA y SPC___________________________________________________
8
20 12 20
6
40 10 4
40
2
Valor del score
6 -2
80
80
-4
4
100 -6
100
2 -8
120 -10
120
0
20 40 60 80 100 120 -12
20 40 60 80 100 120
a) b)
Figura 4.111. Localizacin aislada de las picadas en las Imgenes Score de la 1 (a) y 3
(b) componentes principales.
Figura 4.112. Imagen de la pieza con defecto de rea sucia del Tipo A.
245
SPC mediante MIA____________________________________________________
a) b)
Figura 113. Score Plots para las componentes principales 1 y 3, antes (a) y despus (b)
de aplicar la mscara.
As, mediante la seleccin de la misma zona del Score Plot, los nuevos
pxeles aislados son los que se muestran en las Imgenes Score de la
Figura 114, tanto para la 1 como para la 3 componente principal.
Score Image 1 Score Image 3
20 10
8
18
20 20
6
16
4
40 14 40
2
Valor del score
Valor del score
12
0
60 60
10 -2
80 8 80 -4
6 -6
100 100
-8
4
-10
120 2 120
-12
0
20 40 60 80 100 120 20 40 60 80 100 120
a) b)
Figura 114. Localizacin aislada de los pxeles de inters (picadas) en la 1 (a) y 3 (b)
componentes principales.
246
Captulo 4. MIA y SPC___________________________________________________
Hay que indicar que, dado que el objetivo era detectar las picadas,
caracterstica ligada a un tamao de rea pequeo, se utiliz un amplitud
de ventana de vecindad de 1 pxel. Este hecho ha permitido, no slo
aislar de manera efectiva las picadas de inters, sino tambin descartar el
defecto de rea sucia, cuya localizacin no era el objetivo del presente
estudio.
Figura 4.115. Imagen de una pieza del Tipo C con defecto de rayas.
247
SPC mediante MIA____________________________________________________
20 400 20 400
40 200 200
40
Valor del score
-200 -200
80 80
-400 -400
100 100
-600
-600
120 120
20 40 60 80 100 120 20 40 60 80 100 120
a) b)
Figura 116. Imgenes Score para las componentes principales 3 (a) y 4 (b).
Como los scores asociados a las rayas son aqullos que podran verse
como valores anmalos, la mscara en este caso podra definirse como se
muestra en la Figura 117 (b), rodeando la zona central del Score Plot
asociado a las componentes principales 3 y 4.
a) b)
Figura 117. Score Plots para las componentes principales 3 y 4, antes (a) y despus (b)
de aplicar la mscara.
248
Captulo 4. MIA y SPC___________________________________________________
20 400 20 400
80 80 -200
-200
120 120
-600 -600
a) b)
Figura 118. Localizacin aislada de los pxeles de inters (rayas) en la 3 (a) y 4 (b)
componentes principales.
249
SPC mediante MIA____________________________________________________
1200 1200
2 2
1000 1000
800
PC 3
800
PC 3
1.5 1.5
600 600
400 1 400 1
200 200
0.5 0.5
200 400 600 800 1000 1200 1400 200 400 600 800 1000 1200 1400
PC 4
PC 4
a) b)
Figura 4.120. Score Plots de las componentes 3 y 4 para la imagen de la Figura 4.119
al proyectarla sobre el modelo construido a partir de la pieza de la Figura 4.115, antes
(a) y despus (b) de la aplicacin de la mscara.
20 400 20
400
40 200 40
200
Valor del score
60 0 60
0
80 -200 80
-200
-600
20 40 60 80 100 120 20 40 60 80 100 120
a) b)
Figura 121. Localizacin aislada de los pxeles de inters (rayas) en la 3 (a) y 4 (b)
componentes principales.
5.5 Conclusiones
250
Captulo 4. MIA y SPC___________________________________________________
251
Captulo 5. Conclusiones y lneas futuras___________________________________
253
SPC mediante MIA____________________________________________________
a una discusin que pretende integrar todos los mtodos de anlisis bajo
un mismo marco conceptual relativo al anlisis de imgenes mediante
modelos multivariante, ya sean 2-way o N-way.
254
Captulo 5. Conclusiones y lneas futuras___________________________________
255
SPC mediante MIA____________________________________________________
256
Captulo 5. Conclusiones y lneas futuras___________________________________
257
SPC mediante MIA____________________________________________________
258
Captulo 5. Conclusiones y lneas futuras___________________________________
259
SPC mediante MIA____________________________________________________
260
Referencias Bibliogrficas________________________________________________
Referencias Bibliogrficas
Acebrn, F.; Lpez, F.; Valiente, J.M.; Navarro, J.R. (2002) Surface
defect detection on fixed pattern ceramic tiles, Procedings of the
Second IASTED International Conference on Visualization, imaging,
and imade processing, ISBN: 0889863543, 35-40.
Bharati, M.H., Jay Liu, J., MacGregor, J.F. (2004) Image texture
analysis: methods and comparisons, Chemometrics and Intelligent
Laboratory Systems 72, 57-71.
261
SPC mediante MIA____________________________________________________
Boukouvalas, C.; DeNatale, F.; DeToni, G.; Kittler, J.; Marik, R.;
Mirmehdi, M.; Petrou, M. (1998) Automatic system for surface
inspection and sorting of tiles, Journal of Materials Processing
Technology 82, 179-188.
262
Referencias Bibliogrficas________________________________________________
263
SPC mediante MIA____________________________________________________
Fioravanti, S.; Fioravanti, R.; DeNatale, F.; Marik, R.; Mirmehdi, M.;
Kittler, J.; Petrou, M. (1995) Spectral and Rank order approaches to
Texture Analysis, European Transactions on Telecomunications 6,
287-299.
264
Referencias Bibliogrficas________________________________________________
Geladi, P.; Isaksson, H.; Lindqvist, L.; Wold, S.; Esbensen, K. (1989)
Principal Component Analysis of Multivariate Images, Chemometrics
and Intelligent Laboratory Systems 5, 209-220.
265
SPC mediante MIA____________________________________________________
266
Referencias Bibliogrficas________________________________________________
Huang, J.; Wium, H.; Qvist, K.B.; Esbensen, K.H., (2003) Multi-way
methods in image anlisis-relationships and applications,
Chemometrics and Intelligent Laboratory Systems 66, 141-158.
267
SPC mediante MIA____________________________________________________
Livens, S.; Scheunders, P.; van der Wouwer, G.; Van Dyck, D.
(1997) Wavelets for Texture Analysis, an Overview, Procc IPA, IEE.
Livens, S.; Scheunders, P.; van der Wouwer, G.; Van Dyck, D.;
Smets, H.; Winkelmans, J.; Bogaerts, W. (1996) A Texture Analysis
Approach to Corrosion Image Classification, Micros. Microanal.
Microstruct. 7, 143-152.
268
Referencias Bibliogrficas________________________________________________
269
SPC mediante MIA____________________________________________________
Pratt, W.K. (1978), Digital Image Processing, John Wiley & Sons,
NY.
270
Referencias Bibliogrficas________________________________________________
Russ, J.C. (1999) The Image Processing Handbook, 3rd edition, CRC
Press, FL.
271
SPC mediante MIA____________________________________________________
272
Referencias Bibliogrficas________________________________________________
273
SPC mediante MIA____________________________________________________
274