Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW)
DOI:
https://doi.org/10.30973/progmat/2025.17.1/2Palabras clave:
Componentes electrónicos, bolsa de palabras visuales, aprendizaje supervisado, visión por computadoraResumen
El problema de la gestión de residuos electrónicos es uno de los más apremiantes en la actualidad. Sin embargo, su gestión adecuada representa una oportunidad lucrativa debido a los diversos metales preciosos y tierras raras que contienen. La tarea de clasificar componentes electrónicos reciclados suele ser realizada por humanos, pero un sistema de visión por computadora y un método de inteligencia artificial como la bolsa de palabras visuales (BoVW) podrían mejorarla. Este artículo presenta el desarrollo de una interfaz gráfica de usuario que consta de dos etapas. En la primera etapa, se crea el conjunto de datos y se entrena el modelo BoVW. En la segunda etapa, se prueba el modelo BoVW con nuevas imágenes adquiridas en tiempo real. La eficiencia del modelo BoVW mejora al aumentar el número de datos utilizados en la etapa de entrenamiento. Se lograron métricas de exactitud en la clasificación del 97%, 94%, 93%, 92% y 89% con circuitos integrados DIP 8, TO-220, display, resistencias y capacitores respectivamente. Nuestros hallazgos indican que el método BoVW puede lograr predicciones precisas en la etapa de prueba con un número menor de imágenes en la etapa de entrenamiento que otros algoritmos de aprendizaje automático.
Citas
Islam MT, Huda N, Baumber AR, Shumon R, Zaman A, Ali F, Hossain R, Sahajwalla B. A global review of consumer behavior towards e-waste and implications for the circular economy. Journal of Cleaner Production. 2021;316:128297. https://doi.org/10.1016/j.jclepro.2021.128297
Chand P. A Low-Resolution Used Electronic Parts Image Dataset for Sorting Application. Data. 2023;8(1):20. https://doi.org/10.3390/data8010020
Huang R, Gu J, Sun X, Hou Y, Uddin S. A Rapid Recognition Method for Electronic Components Based on the Improved YOLO-V3 Network. Electronics. 2019;8(8):825. https://doi.org/10.3390/electronics8080825
Xu Y, Yang G, Luo J, He J. An Electronic Component Recognition Algorithm Based on Deep Learning with a Faster SqueezeNet. Mathematical Problems in Engineering. 2020;2020:2940286. https://doi.org/10.1155/2020/2940286
Atik I. Classification of Electronic Components Based on Convolutional Neural Network Architecture. Energies. 2022;15(7):2347. https://doi.org/10.3390/en15072347
Karim AAA, Sameer RA. Image Classification Using Bag of Visual Words (BoVW). Al-Nahrain Journal of Science. 2018;21(4):76-82. https://doi.org/10.22401/ANJS.21.4.11
Cortés X, Conte D, Cardot H. A new bag of visual words encoding method for human action recognition. Proc. of the 24th International Conference on Pattern Recognition (ICPR), Beijing, China. 2018;2480-2485. https://doi.org/10.1109/ICPR.2018.8545886
Chigateri MK, Moinuddin K. The Detection of Electrical and Electronics Components using K Nearest Neighbour (KNN) Classification Algorithm. International Research Journal of Engineering and Technology (IRJET). 2016;3(5):169-175.
Guo C, Lv XI, Zhang Y, Zhang MI. Improved YOLOv4-tiny network for real-time electronic component detection. Scientific Report. 2021;11:22744. https://doi.org/10.1038/s41598-021-02225-y
Kaya V, Akgül I. Classification of Electronic Circuit Elements by Machine Learning Based Methods. Proc. of the 6th International Conference on Advances in Natural and Applied Sciences, Ağri, Türkiye. 2022;136-140.
Chand P, Lal S. Vision-Based Detection and Classification of Used Electronic Parts. Sensors. 2022;22(23):9079. https://doi.org/10.3390/s22239079
Varna D, Abromavičius V. A System for a Real-Time Electronic Component Detection and Classification on a Conveyor Belt. Applied Sciences. 2022;12:5608. https://doi.org/10.3390/app12115608
MathWorks. Encontrar los bordes de una imagen 2D en escala de grises [Consultado el 4 de julio de 2024]. Disponible en: https://la.mathworks.com/help/images/ref/edge.html.
Rojas-Cuevas ID, Méndez-López LG, Mendoza-Vázquez JR, Ramírez-Palacios V, Torres Méndez SJ. Sistema multiplataforma de gestión de datos para visión por computadora. Programación Matemática y Software. 2022;14(2):60-68. https://doi.org/10.30973/progmat/2022.14.2/7
Organista VD, Montero JA, Martínez MC. Extracción y selección de características en imágenes digitales mostrando lesiones de piel. Programación Matemática y Software. 2021;13(3):91-104. https://doi.org/10.30973/progmat/2021.13.3/7
Hernández Rabadán DL, Sánchez Hernández JP. Redes neuronales convolucionales para el reconocimiento de imágenes con presencia de cenicilla polvorienta en cultivos de tomate. Programación Matemática y Software. 2022;14(3):21-28. https://doi.org/10.30973/progmat/2022.14.3/3
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Teth Azrael Cortes-Aguilar, Adriana Tovar-Arriaga
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
