facultad de ciencias matemÁticas y fÍsicas carrera de...
TRANSCRIPT
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA
IDENTIFICACIÓN DE PIEZAS DENTALES EN PERSONAS ADULTAS.
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR:
ANASTACIO VILLÓN KATHERINE EVELYN
SAVERIO CHICHANDA EDUARDO ARIEL
TUTOR:
Ing. Lorenzo Cevallos Torres, M. Sc
GUAYAQUIL – ECUADOR
2019
REPOSITORIO NACIONAL EN CIENCIAS Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA IDENTIFICACIÓN DE PIEZAS DENTALES EN PERSONAS ADULTAS.
AUTORES: Katherine Evelyn Anastacio Villón Eduardo Ariel Saverio Chichanda
REVISORES: Ing. Alfonso Guijarro Rodríguez, M.gs.
INSTITUCIÓN: UNIVERSIDAD DE GUAYAQUIL
FACULTAD: CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA: INGENIERÍA EN SISTEMAS COMPUTACIONALES
FECHA DE PUBLICACIÓN: N° DE PÁGS.: 110
ÁREA TEMÁTICA:
PALABRAS CLAVES: Red neuronal, algoritmo, PDI, interfaz, piezas dentales, dientes.
RESUMEN: La detección de piezas dentales ha sido un estudio de profundidad ya que es una tecnología en
la que interviene la visión artif icial. Para realizar la descripción de una pieza dental, se hicieron algunos procesos
entre ellos el entrenamiento y extracción de patrones, mediante el uso de algoritmos de redes neuronales artif iciales
y procesamiento digital de imagen. De tal modo que a trávez de una imagen, se puede facilitar la búsqueda de datos
por medio de las técnicas del PDI la cual procesa y examina la imagen para luego obtener con exactitud patrones
generales de la pieza dental, una vez que ya tenga los patrones se entrenó para identif icar las características de la
pieza dental. Sin embargo el objetivo de este trabajo es crear una interfaz gráfica que le permita al usuario la
identif icación de cada pieza dental por medio de imágenes, detectando lo dientes reconocidos en la imagen ya sea
de forma manual o automática y la interfaz w eb educativa permitirá al usuario conocer características, funciones de
la pieza dental.
N° DE REGISTRO: N° DE CLASIFICACIÓN:
Nº
ADJUNTO PDF SI NO
CONTACTO CON AUTOR:
Katherine Evelyn Anastacio Villón TELEFONO: 0969054837
EMAIL: [email protected]
CONTACTO CON AUTOR:
Eduardo Ariel Saverio Chichanda TELÉFONO: 0939631287
E-MAIL:
[email protected] CONTACTO DE LA INSTITUCIÓN:
Universidad de Guayaquil
Facultad de Ciencias Matemáticas y
Físicas
Carrera de Ingeniería en Sistemas
Computacionales
Dirección: Víctor Manuel Rendón 429 y
Baquerizo
Moreno, Guayaquil.
NOMBRE:
Ab. Juan Chávez Atocha, Esp.
TELÉFONO: (04) 2 307729
x
III
APROBACIÓN DEL TUTOR
En mi calidad de tutor de trabajo de investigación, “Desarrollo de una interfaz web
educativa para la identificación de piezas dentales en personas adultas.” elaborado por
los Srs. Anastacio Villón Katherine Evelyn y Saverio Chichanda Eduardo Ariel, alumnos
no titulados de la Carrera de Ingeniería en Sistemas Computacionales, Facultad de
Ciencias Matemáticas y Físicas de la Universidad de Guayaquil, previo a la obtención
del titulado de Ingeniería en Sistemas Computacionales, me permito declarar que luego
de haber orientado, estudiado y revisado, la Apruebo en todas sus partes.
Atentamente
Ing. Lorenzo Cevallos Torres, M. Sc
TUTOR
IV
DEDICATORIA
Este trabajo de titulacion, va
dedicado a mis padres por siempre
apoyarme, orientarme y guiarme
durante toda mi vida estudiantil. A
todos las personas que fui
conociendo durante el camino a lo
largo de la jornada universitaria. A
los docentes que compartieron sus
conocimientos durante toda mi
carrera
Katherine Evelyn Anastacio Villón
Dedico el siguiente proyecto de
titulación a Dios por darme sabiduría
y fuerza en los momentos más
difíciles durante mi carrera
profesional. A mis padres, Eduardo
Enrique Saverio, Rosa Chichanda
Alcívar quienes me han brindado su
apoyo incondicional durante todo este
tiempo
Eduardo Saverio Chichanda
V
AGRADECIMIENTO
Agradezco a Dios por haber culminado esta
etapa profesional. A mis padres Miriam
Villón Asencio y Franklin Anastacio Cruz
que son mis pilares fundamentales tanto en
lo económico me ayudaron, aun sin tener se
esforzaron para yo sea alguien en la vida y
ser el ejemplo a mis hermanas.
Katherine Evelyn Anastacio Villón
Agradezco de manera especial a mi
Tía Hilda Chichanda por las palabras
y consejos que me brindo; las cuales
me ayudaron terminar mis estudios a
mi compañera de tesis Katherine
Anastacio quien ha sido de gran
apoyo durante el desarrollo del
proyecto de titulación.
Eduardo Saverio Chichanda
VI
TRIBUNAL DE PROYECTO DE TITULACIÓN
Ing. Gustavo Ramírez Aguirre, M.Sc.
DECANO DE LA FACULTAD
CIENCIAS MATEMATICAS Y FISICAS
Ing, Inelda Martillo Alcívar, Mgs. DIRECTOR DE LA CARRERA DE
INGENIERIA EN SISTEMAS
COMPUTACIONALES
Ing. Lorenzo Cevallos Torres, M. Sc PROFESOR TUTOR DEL PROYECTO
DE TITULACION
Ing. Alfonso Guijarro Rodríguez, M. Sc
PROFESOR REVISOR DEL
ÁREA - TRIBUNAL
Ab. Juan Chávez Atocha, Esp.
SECRETARIO
VII
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este Proyecto
de Titulación, nos corresponden exclusivamente; y
el patrimonio intelectual de la misma a la
UNIVERSIDAD DE GUAYAQUIL”
Katherine Evelyn Anastasio Villón
Eduardo Ariel Saverio Chichanda
VIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA IDENTIFICACIÓN
DE PIEZAS DENTALES EN PERSONAS ADULTAS.
Proyecto de Titulación que se presenta como requisito para optar por el título de
INGENIERO EN SISTEMAS COMPUTACIONALES.
Autor: Katherine Evelyn Anastacio Villón
C.I.:0953316890
Autor: Eduardo Ariel Saverio Chichanda
C.I.: 0950775908
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc
Guayaquil, Abril de 2019
IX
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo Directivo de
la Facultad de Ciencias Matemáticas y Físicas de la Universidad de Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por los estudiantes Anastacio
Villón Katherine Evelyn y Saverio Chichanda Eduardo Ariel como requisito previo para
optar por el título de Ingeniero en Sistemas Computacionales cuyo título es: Desarrollo
de una interfaz web educativa para la identificación de piezas dentales en
personas adultas.
Considero aprobado el trabajo en su totalidad.
Presentado por:
Katherine Evelyn Anastacio Villón
C.I.:0953316890
Eduardo Ariel Saverio Chichanda
C.I.: 0950775908
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc
Guayaquil, Abril de 2019
X
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación Nombre Alumno: Katherine Evelyn Anastacio Villón Dirección: Cdla. Socio Vivienda I Mz 6C V20
Teléfono: 0969054837 E-mail: [email protected]
Nombre Alumno: Eduardo Ariel Saverio Chichanda
Dirección: cooperativa luz de Guayas M:5 S:19
Teléfono: 0939631287 E-mail: [email protected]
Facultad: Ciencias Matemáticas y Físicas
Carrera: Ingeniería en Sistemas computacionales
Proyecto de titulación al que opta: Ingeniero en Sistemas computacionales
Profesor tutor: Ing. Lorenzo Cevallos Torres, M. Sc
Título del Proyecto de titulación: Desarrollo de una interfaz web educativa para la identificación de piezas dentales en personas adultas.
2. Autorización de Publicación de Versión Electrónica del Proyecto de
Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de titulación. Publicación electrónica: Inmediata X Después de 1 año
Firma de Alumnos: ___________________________ ___________________________ Katherine Evelyn Anastacio Villón Eduardo Ariel Saverio Chichanda C.I.:0953316890 C.I.: 0950775908
3. Forma de envío: El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF y Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM X
XI
ÍNDICE GENERAL
APROBACIÓN DEL TUTOR ............................................................................................ III
DEDICATORIA ................................................................................................................ IV
AGRADECIMIENTO ......................................................................................................... V
TRIBUNAL DE PROYECTO DE TITULACIÓN............................................................... VI
DECLARACIÓN EXPRESA.............................................................................................VII
CERTIFICADO DE ACEPTACIÓN DEL TUTOR............................................................ IX
ABREVIATURA ............................................................................................................. XVI
ÍNDICE DE GRÁFICOS................................................................................................ XVII
RESUMEN .................................................................................................................... XXII
ABSTRACT ...................................................................................................................XXIII
INTRODUCCIÓN .............................................................................................................. 1
CAPITULO I: EL PROBLEMA......................................................................................... 4
SITUACIÓN CONFLICTO NUDOS CRÍTICOS ............................................................... 5
CAUSAS Y CONSECUENCIAS DEL PROBLEMA ......................................................... 6
DELIMITACIÓN DEL PROBLEMA................................................................................... 7
FORMULACIÓN DEL PROBLEMA.................................................................................. 7
EVALUACIÓN DE PROBLEMA ....................................................................................... 7
OBJETIVOS ...................................................................................................................... 8
OBJETIVO GENERAL...................................................................................................... 8
OBJETIVOS ESPECÍFICOS ............................................................................................ 8
ALCANCES DEL PROBLEMA ......................................................................................... 8
JUSTIFICACIÓN............................................................................................................... 9
METODOLOGÍA DEL PROYECTO ............................................................................... 10
CAPITULO II: MARCO TEÓRICO................................................................................. 13
ANTECENDENTES DEL ESTUDIO .............................................................................. 13
FUNDAMENTACIÓN TEÓRICA .................................................................................... 13
HISTORIA DEL PDI ........................................................................................................ 14
PRINCIPIO DEL PROCEAMIENTO DIGIAL DE IMÁGENES ....................................... 15
PROCESAMIENTO DIGITAL DE IMÁGENES .............................................................. 16
ANÁLISIS DIGITAL DE IMÁGENES .............................................................................. 16
XII
PROCESAMIENTO Y ANÁLISIS DIGITAL DE IMÁGENES ......................................... 16
TIPOS DE IMÁGENES DIGITALIZADAS ...................................................................... 17
IMÁGENES RGB ............................................................................................................ 17
IMÁGENES INDEXADAS ............................................................................................... 18
IMÁGENES EN ESCALA DE GRISES .......................................................................... 18
CAVIDAD BUCAL ........................................................................................................... 23
ANATOMÍA DEL DIENTE............................................................................................... 23
DENTINA ........................................................................................................................ 25
PULPA DENTAL ............................................................................................................. 26
ENCÍA ............................................................................................................................. 26
HUESO ALVEOLAR ....................................................................................................... 26
INCISIVO ........................................................................................................................ 27
CANINOS........................................................................................................................ 27
PREMOLARES ............................................................................................................... 28
ODONTOGRAMAS ........................................................................................................ 30
VENTAJAS DE UN ODONTOGRAMA .......................................................................... 30
MATLAB.......................................................................................................................... 35
CUADRO DE HERRAMIENTAS DE PROCESAMIENTO DE IMÁGENES .................. 35
DEEP LEARNING........................................................................................................... 36
INTERFAZ WEB ............................................................................................................. 37
TIPOS DE APLICACIONES WEB.................................................................................. 37
APLICACIONES WEB PROGRESIVAS O PWA ........................................................... 38
CARACTERÍSTICAS DE UNA PWA.............................................................................. 39
BOOTSTRAP.................................................................................................................. 39
CARACTERÍSTICAS PRINCIPALES DE BOOTSTRAP ............................................... 40
SCRUM ........................................................................................................................... 40
ROLES DE SCRUM ....................................................................................................... 41
MARCO LEGAL .............................................................................................................. 42
SECCIÓN QUINTA ......................................................................................................... 42
EDUCACIÓN .................................................................................................................. 42
SECCIÓN SEGUNDA..................................................................................................... 43
TIPOS DE PROPIEDAD................................................................................................. 43
LEY DE PROPIEDAD INTELECTUAL..................................................................... 45
XIII
LEY ORGÁNICA DE EDUCACIÓN SUPERIOR, LOES ......................................... 47
SOBRE EL USO DEL SOFTWARE LIBRE ............................................................. 49
PREGUNTA CIENTÍFICA A CONTESTARSE................................................................ 50
DEFINICIONES CONCEPTUALES ................................................................................ 50
BASE DE DATOS ............................................................................................................ 51
HTML ............................................................................................................................... 51
PHP .................................................................................................................................. 52
CSS .................................................................................................................................. 52
CAPITULO III: PROPUESTA TECNOLÓGICA ............................................................ 53
TIPOS DE INVESTIGACIÓN ......................................................................................... 54
ANÁLISIS DE FACTIBILIDAD ........................................................................................ 54
FACTIBILIDAD TÉCNICA .............................................................................................. 54
FACTIBILIDAD OPERACIONAL .................................................................................... 55
FACTIBILIDAD LEGAL................................................................................................... 56
FACTIBILIDAD ECONÓMICA ........................................................................................ 56
ETAPAS DE LA METODOLOGÍA DEL PROYECTO .............................................. 57
REUNIONES DE PLANIFICACIÓN DE SPRINT ..................................................... 58
LISTA DE HISTORIA DE USUARIO........................................................................ 58
EL DESARROLLO DEL TRABAJO................................................................................ 58
REVISIÓN DE LOS SPRINTS ..................................................................................... 59
DIAGRAMA DE CASO DE USO ................................................................................. 65
CASO DE USO 1 ......................................................................................................... 66
CASO DE USO 2 ......................................................................................................... 67
CASO DE USO 3 ......................................................................................................... 67
CASO DE USO 4 ......................................................................................................... 68
DISEÑO E IMPLEMENTACIÓN DEL PROYECTO .................................................... 68
ALGORITMO 1: SOFTWARE DE DETECCIÓN ......................................................... 68
ALGORITMO 2: CARGA DEL CLASIFICADOR ......................................................... 69
ALGORITMO 3: PROYECCIÓN .................................................................................. 70
ALGORITMO 4: DETECTOR ...................................................................................... 71
ALGORITMO DE APRENDIZAJE DEL CLASIFICADOR ........................................... 71
ENTRENAMIENTO ...................................................................................................... 74
XIV
EXTRACCIÓN DE CARATERÍSTICAS....................................................................... 75
DIAGRAMA DE SECUENCIAS ................................................................................... 76
DETECCIÓN ................................................................................................................ 80
USO DE DEEP LEARNING EN EL PROYECTO........................................................ 81
PLAN DE PRUEBAS FUNCIONALES ........................................................................ 82
ENTREGABLES DEL PROYECTO ............................................................................... 88
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA .................................................... 88
PROCESAMIENTO Y ANÁLISIS ................................................................................... 89
TÉCNICAS PARA EL PROCESAMIENTO Y ANÁLISIS DE DATOS ..................... 90
CAPITULO IV. RESULTADOS, CONCLUSIONES Y RECOMENDACIONES.......... 100
RESULTADOS.............................................................................................................. 100
CONCLUSIONES ......................................................................................................... 101
RECOMENDACIONES ................................................................................................ 102
BIBLIOGRAFÍA ............................................................................................................ 103
ANEXO I ....................................................................................................................... 113
MANUAL TÉCNICO...................................................................................................... 113
ANEXO II ...................................................................................................................... 129
MANUAL DE USUARIO ............................................................................................... 129
ANEXOS III ................................................................................................................... 139
INSTALACIÓN DE LIBRERÍAS DE TOOLBOX EN MATLAB ..................................... 139
ANEXO IV ..................................................................................................................... 142
CRITERIOS DE VALIDACIÓN ..................................................................................... 142
ANEXO V ...................................................................................................................... 144
CRONOGRAMA DE ACTIVIDADES............................................................................ 144
ANEXO VI ..................................................................................................................... 145
ACTA DE ACEPTACIÓN DEL PROYECTO ................................................................ 145
ANEXO VII .................................................................................................................... 146
ACTA DE ACEPTACIÓN.............................................................................................. 146
ANEXO VIII ................................................................................................................... 147
VALIDACIÓN Y PRUEBAS FUNCIONALES ............................................................... 147
ANEXO IX ..................................................................................................................... 148
VALIDACIÓN DE USABILIDAD ................................................................................... 148
ANEXO X ...................................................................................................................... 149
XV
CERTIFICADO DE APROBACIÓN PARA LA ENCUESTA ........................................ 149
ANEXO XI ..................................................................................................................... 150
EVIDENCIA DE LA VISITA A LA FACULTAD DE PILOTO ODONTOLOGÍA ............ 150
ANEXO XII .................................................................................................................... 151
EXPOSICIÓN DEL PROYECTO AL VICEDECANO DE LA FPO ............................... 151
XVI
ABREVIATURA
PDI: Procesamiento Digital de Imagen
RNA: Redes Neuronales Artificiales
COIP: Código Orgánico Integral Penal
MSP: Ministerio de Salud Pública
OMS: Organización Mundial de la Salud
CNN: Red Neuronal Convolucional
GPU: Unidad de Procesamiento Gráfico
FCMF: Facultad de Ciencias Matemáticas y Físicas
FOP: Facultad de Piloto Odontología
CISC: Carrera de Ingeniería en Sistemas Computacionales
RN: Red Neuronal
IA: Inteligencia Artificial
XVII
ÍNDICE DE GRÁFICOS
GRÁFICO N°1. PIEZAS DENTALES. .............................................................................. 2
GRÁFICO N°2. FASES DE LOS PROCESOS DE SCRUM.......................................... 11
GRÁFICO N°3. MÉTODO INDUCTIVO ......................................................................... 12
GRÁFICO N°4. COMPONENTES RGB......................................................................... 17
GRÁFICO N°5. BINARIA ................................................................................................ 18
GRÁFICO N°6. DETECCIÓN DE PUNTOS AISLADOS ............................................... 19
GRÁFICO N°7. DETECCIÓN DE LÍNEAS..................................................................... 19
GRÁFICO N°8. DETECCIÓN DE BORDES .................................................................. 20
GRÁFICO N°9. CAVIDAD BUCAL ................................................................................. 23
GRÁFICO N°10. ANATOMÍA DEL DIENTE................................................................... 24
GRÁFICO N°11. INCISIVOS .......................................................................................... 27
GRÁFICO N°12. CANINOS SUPERIORES E INFERIORES........................................ 28
GRÁFICO N°13. VISTA INFERIOR DE LOS PREMOLARES ...................................... 29
GRÁFICO N°14. IDENTIFICACIÓN DE LOS MOLARES ............................................. 29
GRÁFICO N°15. ODONTOGRAMA ............................................................................... 30
GRÁFICO N°16. ARQUITECTURA DE UNA RNA. ....................................................... 32
GRÁFICO N°17. ARQUITECTURA DE UNA RED NEURONAL MONOCAPA. ........... 33
GRÁFICO N°18. ARQUITECTURA DE UNA RED NEURONAL MULTICAPA. ........... 33
GRÁFICO N°19. APRENDIZAJE NO SUPERVISADO ................................................. 35
GRÁFICO N°20. ROLES, ARTEFACTOS Y EVENTOS PRINCIPALES DE SCRUM . 41
GRÁFICO N°21. DISEÑO DE LA INTERFAZ GRÁFICA .............................................. 56
GRÁFICO N°22.DIAGRAMA DE CASO DE USO ......................................................... 66
GRÁFICO N°23. DESCRIPCIÓN DEL CASO 1. ........................................................... 66
GRÁFICO N°24. DESCRIPCIÓN DEL CASO 2 ............................................................ 67
GRÁFICO N°25. CASO DE USO 3 ................................................................................ 67
GRÁFICO N°26. DESCRIPCIÓN DEL CASO 4 ............................................................ 68
GRÁFICO N°27. ALGORITMO 1: SOFTWARE DE DETECCIÓN ................................ 69
GRÁFICO N°28. ALGORITMO 2: CARGA DEL CLASIFICADOR ................................ 69
GRÁFICO N° 29. ALGORITMO 3: PROYECCIÓN........................................................ 70
GRÁFICO N°30. ALGORITMO 4: DETECTOR ............................................................. 71
XVIII
GRÁFICO N°31. MÁQUINA DE APRENDIZAJE ........................................................... 72
GRÁFICO N° 32. EJECUCIÓN DE LA RED NEURONAL ............................................ 73
GRÁFICO N°33. DETECCIÓN DE CARACTERÍSTICAS ............................................. 76
GRÁFICO N° 34. SECUENCIA PRINCIPAL.................................................................. 77
GRÁFICO N°35. DIAGRAMA DE SECUENCIA MÉTODO DE PROYECCIÓN ........... 78
GRÁFICO N°36.DIAGRAMA DE SECUENCIA DEL DETECTOR ................................ 79
GRÁFICO N° 37. USO DE DEEP LEARNIG ................................................................. 81
GRÁFICO N° 38. FLUJO DE TRABAJO PARA EL RECONOCIMIENTO DE OBJETOS .. 82
GRÁFICO N° 39.PRUEBAS FUNCIONALES SPRINT #4 ............................................ 82
GRÁFICO N° 40. PRUEBA FUNCIONALES SPRINT #4.............................................. 84
GRÁFICO N° 41. PRUEBAS FUNCIONALES SPRINT #4 ........................................... 85
GRÁFICO N° 42. PRUEBAS FUNCIONALES SPRINT #4 ........................................... 87
GRÁFICO N° 43. REPRESENTACION DE LA INTERFÁZ GRÁFICA ......................... 89
GRÁFICO N° 44. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 1 .................... 92
GRÁFICO N° 45. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 2 .................... 93
GRÁFICO N° 46. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 3 .................... 94
GRÁFICO N° 47. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 4 .................... 95
GRÁFICO N° 48. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 5 .................... 96
GRÁFICO N° 49. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 6 .................... 97
GRÁFICO N° 50. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 7 .................... 98
GRÁFICO N° 51. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 8 .................... 99
GRÁFICO N° N° 52.DESCARGAR LA VERSIÓN DE MATLAB ................................. 113
GRÁFICO N° N° 53.SELECCIONAR LOGIN............................................................... 114
GRÁFICO N° N° 54.LICENCIA DE MATLAB............................................................... 114
GRÁFICO N° N° 55.REGISTRO PARA INGRESAR A MATLAB ................................ 115
GRÁFICO N° N° 56.INGRESO DE USUARIO Y CONTRASEÑA............................... 115
GRÁFICO N° N° 57.ACTIVACIÓN DE MATLAB ......................................................... 116
GRÁFICO N° N° 58.INSTALACIÓN DE MATLAB ....................................................... 116
GRÁFICO N° N° 59.SELECCIÓN DE HERRAMIENTAS A INSTALAR ..................... 117
GRÁFICO N° N° 60.CONFIRMACIÓN DE LA INSTALACIÓN ................................... 117
GRÁFICO N° N° 61.PROCESO DE LA DESCARGA.................................................. 118
GRÁFICO N° N° 62.FINALIZACIÓN DE LA INSTALACIÓN DE MATLAB ................. 118
XIX
GRÁFICO N° 63.ENCENDER CÁMARA ..................................................................... 119
GRÁFICO N° 64.CODIGO DE MATLAB PARA CAPTURAR IMAGEN ...................... 119
GRÁFICO N° 65.CARGAR IMAGEN ........................................................................... 120
GRÁFICO N° 66.CÓDIGO FUENTE HISTOGRAMA .................................................. 120
GRÁFICO N° 67.CÓDIGO FUENTE LIMPIAR ............................................................ 120
GRÁFICO N° 68 CÓDIGO DE CAVIDAD RELLENA .................................................. 121
GRÁFICO N° 69.CÓDIGO DE DILATACIÓN .............................................................. 121
GRÁFICO N° 70.CÓDIGO FUENTE DE EROSIÓN .................................................... 122
GRÁFICO N° 71.CÓDIGO FUENTE DE FILTRO TOP- HAT...................................... 122
GRÁFICO N° 72.CÓDIGO FUENTE DE FILTRO GAUSSIANO ................................. 122
GRÁFICO N° 73.CÓDIGO FUENTE DE FILTRO MEDIA ........................................... 123
GRÁFICO N° 74.CÓDIGO FUENTE DE FILTRO MEDIANO...................................... 123
GRÁFICO N° 75.CÓDIGO FUENTE DE K-MEANS .................................................... 124
GRÁFICO N° 76.CÓDIGO FUENTE DE MASCARA BINARIA ................................... 124
GRÁFICO N° 77.CÓDIGO FUENTE DE SOBEL ........................................................ 125
GRÁFICO N° 78.CÓDIGO FUENTE DE LA TRANSFORMADA DE CANNY ............ 125
GRÁFICO N° 79.CÓDIGO FUENTE DE WATERSHED ............................................. 126
GRÁFICO N° 80.CÓDIGO FUENTE DE MUESTRA DE CARACTERÍSTICAS ......... 126
GRÁFICO N° 81.CÓDIGO FUENTE DE LAS PROPIEDADES .................................. 127
GRÁFICO N° 82.CÓDIGO FUENTE DE SALIR .......................................................... 127
GRÁFICO N° N° 83.INTERFAZ GRÁFICA .................................................................. 129
GRÁFICO N° 84.SUBIR IMAGEN................................................................................ 129
GRÁFICO N° 85. HISTOGRAMA................................................................................. 130
GRÁFICO N° 86.TECNICA DE EROSIÓN .................................................................. 130
GRÁFICO N° 87.TÉCNICA FILTRO MEDIA................................................................ 131
GRÁFICO N° 88.TÉCNICA FILTRO GUASSIANO ..................................................... 131
GRÁFICO N° 89.TÉCNICA DE TOP-HAT ................................................................... 132
GRÁFICO N° 90.TÉCNICA K-MEANS......................................................................... 132
GRÁFICO N° 91.TÉCNICA WATERSHED .................................................................. 133
GRÁFICO N° 92.TÉCNICA DE CANNY ...................................................................... 133
GRÁFICO N° 93.TÉCNICA DE SOBEL ....................................................................... 134
GRÁFICO N° 94. TÉCNICA DILATACIÓN-BINARIA .................................................. 134
XX
GRÁFICO N° 95. TÉCNICA MASCARA RELLENA .................................................... 135
GRÁFICO N° 96. TÉCNICA CAVIDAD RELLENA ...................................................... 135
GRÁFICO N° 97. DETECCIÓN DE CARACTERÍSTICAS .......................................... 136
GRÁFICO N° 98. PROPIEDADES DE LA PIEZA DENTAL ........................................ 136
GRÁFICO N° 99. MUESTRA DE CARACTERÍSTICAS .............................................. 137
GRÁFICO N° 100. INTERFAZ WEB EDUCATIVA ...................................................... 137
GRÁFICO N° 101.INFORMACIÓN DE LA PIEZA DENTAL........................................ 138
XXI
ÍNDICE DE CUADROS
CUADRO N° 1.CAUSAS Y CONSECUENCIAS DEL PROBLEMA .................................6
CUADRO N° 2.IDENTIFICACIÓN DE LOS MOLARES ................................................. 25
CUADRO N° 3.COMPOSICIÓN DE LA DENTINA ....................................... 26
CUADRO N° 4.BASES LEGALES CON SUS RESPECTIVOS ARTÍCULOS ............... 56
CUADRO N° 5.COSTOS VARIOS .................................................................................. 57
CUADRO N° 6.COSTO TOTALES ................................................................................. 57
CUADRO N° 7.SCRUM DIARIOS ................................................................................... 58
CUADRO N° 8.SPRINT 1 – LEVANTAMIENTO DE INFORMACIÓN DEL PROYECTO ... 60
CUADRO N° 9.SPRINT 1 - HISTORIA DE USUARIO 1 ................................................ 60
CUADRO N° 10.SPRINT 1 - HISTORIA DE USUARIO 2 .............................................. 61
CUADRO N° 11.SPRINT 2 – DISEÑO, ELABORACIÓN DE LA INTERFAZ GRÁFICA ..... 62
CUADRO N° 12.SPRINT 2 - HISTORIA DE USUARIO 3 .............................................. 62
CUADRO N° 13.SPRINT 2 - HISTORIA DE USUARIO 3 .............................................. 63
CUADRO N° 14.SPRINT 4 - DESARROLLO DEL MÓDULO PARA LA DETECCIÓN ....... 63
CUADRO N° 15.SPRINT 4 - HISTORIA DE USUARIO 8 .............................................. 64
CUADRO N° 16.SPRINT 4 – HISTORIA DE USUARIO 9 ............................................. 64
CUADRO N° 17.SPRINT 4 – HISTORIA DE USUARIO 10 ........................................... 65
CUADRO N° 18.MIEMBROS QUE CONFORMAN LAS ENCUESTAS ......................... 91
CUADRO N° 19. RESULTADOS DE LA ENCUESTA PREGUNTA N° 1 ...................... 92
CUADRO N° 20. RESULTADOS DE LA ENCUESTA PREGUNTA N° 2 ...................... 93
CUADRO N° 21.RESULTADOS DE LA ENCUESTA PREGUNTA N°3 ........................ 94
CUADRO N° 22.RESULTADOS DE LA ENCUESTA PREGUNTA N°4 ........................ 95
CUADRO N° 23.RESULTADOS DE LA ENCUESTA PREGUNTA N° 5 ....................... 96
CUADRO N° 24.RESULTADOS DE LA ENCUESTA PREGUNTA N° 6 ....................... 97
CUADRO N° 25.RESULTADOS DE LA ENCUESTA PREGUNTA N° 7 ....................... 98
CUADRO N° 26.RESULTADOS DE LA ENCUESTA PREGUNTA N° 8 ....................... 99
XXII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA IDENTIFICACIÓN
DE PIEZAS DENTALES EN PERSONAS ADULTAS.
RESUMEN
La detección de piezas dentales ha sido un estudio de profundidad ya que es una
tecnología en la que interviene la visión artificial. Para realizar la descripción de
una pieza dental, se hicieron algunos procesos entre ellos el entrenamiento y
extracción de patrones, mediante el uso de algoritmos de redes neuronales
artificiales y procesamiento digital de imagen. De tal modo que a trávez de una
imagen, se puede facilitar la búsqueda de datos por medio de las técnicas del PDI
la cual procesa y examina la imagen para luego obtener con exactitud patrones
generales de la pieza dental, una vez que ya tenga los patrones se entrenó para
identificar las características de la pieza dental. Sin embargo el objetivo de este
trabajo es crear una interfaz gráfica que le permita al usuario la identificación de
cada pieza dental por medio de imágenes, detectando lo dientes reconocidos en
la imagen ya sea de forma manual o automática y la interfaz web educativa
permitirá al usuario conocer características, funciones de la pieza dental.
Palabras claves: Red neuronal, algoritmo, PDI, interfaz, piezas dentales, dientes.
Autores: Katherine Evelyn Anastacio Villón
Eduardo Ariel Saverio Chichanda
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc.
XXIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
DEVELOPMENT OF AN EDUCATIONAL WEB INTERFACE FOR THE IDENTIFICATION OF DENTAL PARTS IN ADULT PERSONS
ABSTRACT
The detection of dental pieces has been a study of depth since it is a technology
in which artificial vision intervenes. To make the description of a dental piece, some
processes were made, among them the training and extraction of patterns, through
the use of artificial neural network algorithms and digital image processing. In such
a way that through an image, it is possible to facilitate the search of data by means
of the techniques of the PDI which processes and examines the image in order to
obtain with exactitude general patterns of the dental piece, once it has the patterns
He trained to identify the characteristics of the tooth. However, the objective of this
work is to create a graphic interface that allows the user to identify each tooth by
means of images, detecting the teeth recognized in the image either manually or
automatically and the educational web interface will allow the user know
characteristics, functions of the dental piece.
Keywords: Neural network, algorithm, segmentation, PDI, interface, teeth, teeth.
Autores: Katherine Evelyn Anastacio Villón
Eduardo Ariel Saverio Chichanda
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc.
1
INTRODUCCIÓN
La visión artificial en los últimos años ha causado un gran impacto en el campo
científico (Infaimon, 2010); los sistemas de visión artificial han evolucionado tanto
tecnológicamente y su aplicación ha sido de gran interés para las industrias (Zion,
2012), y se ha expandidos a otras ramas como la medicina, la agricultura, entre
otras(Aperador-chaparro, Bautista-ruiz, & Mejía, 2013). Esto ha permitido cambios
beneficiosos en la forma de analizar la visión artificial, por medio de un computador
utilizando herramientas de procesamiento de imágenes para la interpretación de
procesos.
La visión por computador, también denominada visión artificial, se compone de
un conjunto de procesos que incluye métodos para procesar, analizar e interpretar
las imágenes del mundo real, con el fin de examinar resultados que puedan ser
tratados por un computador (Zion, 2012). La actividad que realiza un método de
visión artificial puede ser desde una simple detección de objetos sencillos en la
imagen, hasta la interpretación tridimensional de escenas complejas( Huerta,
2014).
En la Universidad Politécnica de Madrid se desarrolló un detector de elementos
para el videojuego Dark Souls, su objetivo era desarrollar un Sistema de Visión
Artificial para el videojuego que permita a través de escenarios de juego
capturados como imágenes en directo, dotar a un jugador autónomo de
actuaciones que le permitan aprender a jugar el juego, como resultado el sistema
es capaz de detectar y etiquetar los elementos del juego a partir de imágenes
capturadas en tiempo real. Se lo desarrollo utilizando el modelo de red neuronal
profunda denominada SSD-Mobile Net( Gamino & Sánchez, 2017).
A nivel nacional se a realizado un estudio del Reconocimiento Automático de
partituras para guitarra por medio de visión artificial y redes Neuronales Artificiales,
el propósito del proyecto fue desarrollar un software que permita la interpretación
de las partituras musicales mediante visión artificial y traducirlas a un lenguaje
gráfico que permita la interpretación de la guitarra (Varela, 2018).
2
Los procesos de reconocimiento de objetos tienen una importante tarea de
solucionar problemas asociados que llevaran a establecer las características de
los dientes, lo cual la tecnología presenta metodología de procesamiento digital
de imágenes (Magaña, Atoche & Sandoval, 2015), en la detección de objetos tiene
como alternativas técnicas de segmentación de imágenes que se han
caracterizado como el estudio de piezas dentales como se presenta en el gráfico
n°1, que tomaron como referencia la técnica de la desviación de la medicina en
conjunto con redes neuronales.
GRÁFICO N°1. PIEZAS DENTALES.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Thuillier, 2015).
En el actual proyecto de investigación está orientado a las técnicas de
procesamiento digital de imágenes(dientes) para poder interactuar con sistemas
informáticos y así también poder determinar con exactitud y presión las
características de cada pieza dental.
A continuación, se detallan minuciosamente los cuatro capítulos del presente
trabajo: En el primer capítulo se plantea la problemática, además del análisis de
cada uno de los nudos críticos, las causas y consecuencias, delimitación y
evaluación del problema, sin olvidar los objetivos tanto el general como los
específicos, además de los alcances, justificación e importancia.
3
En el segundo se encuentran los antecedentes de investigaciones relacionadas a
la visión artificial y a la detección de objetos, además del marco teórico, en donde
se detalla los conceptos básicos del mismo, e incluso información referente a las
características de las piezas dentales, por último, se encuentran lo que son el
marco legal, en el cual se basa la investigación, las variables y definiciones
conceptuales.
En el tercer capítulo de detalla la metodología utilizada para el presente proyecto
de investigación, además de las técnicas e instrumentos que se utilizaron para la
recolección de datos, los cuales posteriormente fueron procesados y analizados.
En el último capítulo se muestran los resultados obtenidos, así como las
conclusiones, recomendaciones y bibliografías que se emplearon para el presente
proyecto.
4
CAPITULO I
EL PROBLEMA
PLANTEAMIENTO DEL PROBLEMA
Ubicación del Problema en un Contexto
Hay diferentes tipos de características de los dientes que observamos a primera
vista, pero que están comprendido dentro de las imágenes con las que
trabajaremos. En el método de procesamiento digital de imágenes y detección de
objetos se debe apropiarse en varios enfoques con relación a la idea psicovisual
del ser humano y la detección de la pieza dental. La visión humana se enriquece
deduciendo de forma cualitativa de escenas o imágenes complejas no
estructuradas, el espectador será quien, según su pensamiento, determinara si
dicha imagen visualizada es de su agrado o no (Rosabal & Orozco, 2012).
La técnica de análisis es un campo muy amplio en el ámbito informática dado que,
el área de la ingeniería está revolucionando; hay una cantidad de características
para exprimir mucha información que sea muy útil para la caracterización de
dientes, acerca de estructuras, forma y tamaño. Podemos seleccionar las
imágenes que abarquen un gran contenido de texturas y poseen componentes
que tienen mucha variedad de formas, color y tamaños, con esto procesos se hará
muy cercano su estudio para dar resultados precisos y realizar su correcto uso en
investigaciones. Se encuentra una gran cantidad de algoritmos (métodos y
modelos) que accedan a datos de una imagen, los cuales se emplearan para
considerar ciertas las características de interés (Sanchéz,2013).
Debido a esto se realizará una interfaz web educativa que le permitirá observar
cada una de sus piezas dentales(dientes), determinando así todas sus
características como la forma, tamaño y contextura basándonos en fotos e
imágenes de adultos, para obtener resultados claros, precisos y veraz.
5
SITUACIÓN CONFLICTO NUDOS CRÍTICOS
El estudio y procesamiento de información de los diferentes campos el mayor
problema es el de la ingeniería, pues los datos que se seleccionan y alcanzan en
diferentes tareas decisivamente se puede seguir tratando para que la información
sea útil y de calidad. La fragmentación digital cambia o sintetiza la muestra de la
imagen en diferente a la anterior y da otra más significativa que por defecto es
mucho más fácil de analizarla; para especificar los límites de una imagen, cada
píxel encontrado nos dará características, color, intensidad, tamaño o la textura.
Para la detección, selección y manipulación de objetos se aplicará un algoritmo
idóneo que detecte objetos sin afectar la postura en la que este localizada la
imagen, haciendo uso de información de color, y tratando de reducir la influencia
de sombras y brillos que aparecen formando parte de información acromática
presente en las imágenes capturadas; en base a esta necesidad se plantea el uso
del algoritmo surf que es rápido y detecta homogéneamente los puntos de interés
(Atoche, Magaña & Sandoval, 2015).
Debido a el requisito de visualizar una fotografía surge un problema al momento
de ser examinada. Por lo tanto es importante que en la imagen podamos procesar
una salida de la información, útil reconocer que clase de inconvenientes tienen la
imagen para tener la oportunidad de ser examinada, y separar la información que
nos dé información muy relevante.
6
CAUSAS Y CONSECUENCIAS DEL PROBLEMA
CUADRO N° 1.CAUSAS Y CONSECUENCIAS DEL PROBLEMA
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Elaboración propia.
Causas Consecuencias Entrenar al algoritmo de la red
neuronal con imágenes de alta
calidad.
Obtener con mayor precisión la
detección de cada pieza dental
Poco entendimiento de técnicas de
PDI aplicadas al estudio de la
cavidad bucal
Escasas herramienta para la
detección de objetos
Limitados sistemas para la detección
de imágenes
Limitados algoritmo de detección de
objeto
Desinterés de herramientas
tecnológicas para el estudio de la
cavidad bucal
Pérdida de competitividad
Procedimientos de almacenamiento
de imágenes
Orden en los registros de la base de
datos del archivo
El limitado ingreso de recursos
financieros
Desinterés por adquirir herramientas
tecnológicas de procesamiento de
imagen
Limitado conocimiento social sobre
la importancia de las piezas dentales
Complicación en la salud bucal
7
DELIMITACIÓN DEL PROBLEMA
Campo: Tecnología
Área: Procesamiento Digital de imágenes e Identificador de
objetos.
Aspecto: Análisis de piezas dentales.
Tema: Desarrollo de una interfaz web educativa para la
identificación de piezas dentales en personas adultas.
FORMULACIÓN DEL PROBLEMA
¿Cómo el desarrollo de una interfaz web educativa permitirá la identificación de
piezas dentales en personas adultas?
EVALUACIÓN DE PROBLEMA
Los aspectos generales de evaluación son:
Claro: Programar una aplicación gráfica que permita la identificación de piezas
dentales de la cavidad bucal con fines formativos.
Concreto: Identificación de piezas dentales con sus características rotuladas.
Relevante: Una vez que este desarrollado la interfaz gráfica, será de gran aporte
para el campo de la odontología que podría beneficiar de manera oportuna al
momento de detectar cada una de las piezas dentales que existen dentro de la
cavidad bucal del ser humano.
Contextual: Se basa en algoritmos para la detección de piezas dentales que se
plantea con el uso de las redes neuronales y resaltar cada una de las
características que proyecten en una imagen.
Factible: Es factible porque nuestro clasificador ayuda a la búsqueda de
caracterizaciones de cada diente para adquisición para el desarrollo de distintas
áreas en el campo de la investigación.
8
Delimitado: El inconveniente es en que no observamos a primera vista ciertas
imágenes, pero pueden ser visualizadas gracias a un computador, que serán
obligadas a ser analizadas mediante un estudio para poder extraer información.
OBJETIVOS
OBJETIVO GENERAL
Desarrollar una aplicación informática que identifique pieza dental de personas
adultas mediante herramientas open source para contribuir en el proceso de
reconocimiento de objetos.
OBJETIVOS ESPECÍFICOS
• Diseñar una interfaz gráfica que muestre el caracterizado de las piezas dentales
para personas adultas.
• Crear una Base de datos de información para catalogar las piezas dentales en
función de los odontogramas.
• Aplicar la metodología de desarrollo scrum para modelar las interfaces que
complementan la detección de objetos.
• Generar reportes que den a conocer la cantidad de iteraciones que realizan las
redes neuronales artificiales como clasificador de objetos en la tarea de
reconocimiento de piezas dentales.
ALCANCES DEL PROBLEMA
• Crear una interfaz gráfica utilizando herramientas open source que optimicen el
tiempo de desarrollo, y seleccionar un algoritmo de identificación de objetos como
modelo para el reconocimiento de cada uno de los dientes en personas adultas.
• Seleccionar fotografías de alta calidad de cada diente de la cavidad bucal de un
adulto, y posteriormente clasificarlas por nombre como etiqueta para el
entrenamiento de la red neuronal.
9
• Se implementará una metodología ágil de desarrollo para controlar el
cumplimiento de las interfaces que se realizarán en este proyecto se dispondrá
del uso de un tablero que facilita la planificación, revisión, continuidad de cada uno
de los procesos.
• Entrenar el algoritmo de red neuronal por medio de un grupo de imágenes de cada
una de las piezas dentales, generando diversos reportes de las características de
cada conglomeración de archivos de imágenes.
• Implementar diversas pruebas utilizando algoritmos de redes neuronales,
cambiando los parámetros de detección al momento de entrenar las
características de cada base de datos de las imágenes de cada diente
JUSTIFICACIÓN
Teniendo en cuenta a la gama de dientes que tiene la cavidad bucal de un adulto
tenemos la importancia de describir sus características a partir de criterios de
clasificación de los dientes. El reto más grande es identificar cada pieza de la
cavidad bucal de un adulto, para ello se debe determinar con la herramienta de
procesamiento de imagen y la utilización de algoritmos de detección de objetos.
A través de metodologías experimentales como el procesamiento digital de
imágenes (PDI) se pretende realizar un análisis textural de imágenes de piezas
dentales, procurar caracterizar piezas dentales basándose en la recopilación de
imágenes, llevando a cabo una serie de procesos de aprendizaje en una red
neuronal comúnmente llamada entrenamiento permitiendo identificar con mayor
exactitud las piezas dentales, se busca determinar las características de los
dientes.
El presente trabajo, podemos colaborar con las diversas áreas de la ingeniería
facilitando con una herramienta precisa para su mayor fiabilidad y mejor
identificación de imágenes por medio de la segmentación de imagen y detección
de objeto.
10
METODOLOGÍA DEL PROYECTO
METODOLOGÍA SCRUM
Para el desarrollo de este proyecto se utilizará la metodología SCRUM la cual es
una metodología ágil cuyo fin es minimizar los riesgos a la hora de desarrollar las
actividades programadas como se muestra en el gráfico n° 2.
Esta metodología se compone principalmente de las siguientes etapas:
• Planificación del sprint: Esta reunión se realiza al principio de cada Sprint
y se define como va a estar enfocado el proyecto que viene del Producto
Backlog las etapas y los plazos, Cada Sprint este combinado por diferentes
features.
• Trabajo diario: es una temporal reunión que se elabora a diario mientras
dura el tiempo en que se realiza el Sprint. Se contesta individualmente tres
interrogantes: ¿Qué hice ayer?, ¿Qué voy a hacer hoy?, ¿Qué ayuda
necesito? El SCRUM Master debe tratar de solucionar los problemas que
se presentan en el transcurso de todo el proyecto.
• Revisión del sprint: se inspecciona el Sprint terminado y ya debería mostrar
resultados de un avance claro y evidente para mostrarle al cliente como se
va avanzando en el desarrollo del producto.
• Retrospectiva del sprint: El equipo examina los objetivos terminados del
Sprint cumplido, Se registra lo bueno y lo malo que se ha efectuado en el
desarrollo del Sprint, para no volver repetir los errores. Con el objetivo de
perfeccionar su productividad y la calidad del producto que se está
planteando.
11
GRÁFICO N°2. FASES DE LOS PROCESOS DE SCRUM
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: (Isla Visual.,2012)
Diseño Metodológico
El marco estratégico establecido por los métodos, técnicas (procedimientos), e
instrumentos que se emplearán en la ejecución del proyecto de investigación para
disponer a prueba la hipótesis, alcanzar los objetivos de investigación, y así dar
una solución al problema de investigación.
La presente investigación pretende demostrar los factores que contribuyen al
procesamiento digital de imágenes. Revisaremos informes, artículos de revistas y
tesis doctorales de consultaremos sitios web (Google Académico, Dialnet,
Redalyc, biblioteca virtual, entre otros).
Histórico Lógico
Este método se refiere a que en la sociedad los problemas o fenómenos no se
presentan de una manera dificultosa ya que su resultado es un largo proceso que
los origina motiva o da lugar a su existencia, Esta evolución de otra parte no es
rigurosa o repetitiva de manera similar, va cambiando de acuerdo a las
Lista de requisitos,
características,
historias,...
El equipo solucionara a partir
los requisitos cuando pueda
componerse para
entregar el sprint.
Aportaciones de los equipos de
los ejecutivos, equipo, clientes,
usuarios y partes interesadas
12
determinadas expresiones o tendencias que le ayuda a interpretar de manera
secuencia (Sosa, 2015).
Metodología Descriptiva
En el ámbito de recolección de información utilizaremos la metodología descriptiva
que radica es conocer las situaciones, costumbres y actitudes predominantes a
través de la descripción exacta de las actividades, objetos, procesos y personas.
Método Inductivo
Con este método se analiza y se conoce las características generales que se
evidencia en una agrupación de objetivos para realizar una propuesta o ley
científica de índole universal. (…) El método inductivo proyectar un razonamiento
ascendente. (…) Puede analizarse que la inducción es un producto lógico y
metodológico de la utilidad del método comparativo (Abreu, 2014, p. 200).
GRÁFICO N°3. MÉTODO INDUCTIVO
Elaborado por: Katherine Anastacio y Eduardo Saverio. Fuente: (Zapata, 2014).
Método Deductivo
Este método permite poder determinar aquellas propiedades que adquiere una
realidad que se descubre como objeto de estudio ya sea por “derivación o
resultado de los atributos o aquellos enunciados contenidos en proposiciones o
leyes científicas de carácter general formuladas con anterioridad” (Abreu, 2014, p.
200).
13
CAPITULO II
MARCO TEÓRICO
ANTECENDENTES DEL ESTUDIO
El procesamiento digital de imágenes es un conjunto de métodos que se adapten
a las imágenes digitales con el propósito de perfeccionar su cualidad, mientras
tanto que el estudio de imágenes que comprende aquellos métodos cuyo principal
propósito es permitir la búsqueda y análisis de información comprendida en ellas.
Por lo tanto se menciona que el procesamiento de imágenes y la detección de
objetos contiene una serie de métodos que interpretan procedimientos de una
imagen y como resultado una imagen tratada y analizada.
Un sistema para la detección de objetos en una imagen y una evaluación profunda
permitirá obtener buenos resultados, cada región extraída debe ser caracterizada
mediante un vector de propiedades que permita la identificación eficiente del
objeto. En base a una segmentación de imágenes y a las profundidades
calculadas, se detectan los objetos buscados. Se puede encontrar una gran
variedad de formas de clasificación de las técnicas pertenecientes a esta área de
la ingeniería.
FUNDAMENTACIÓN TEÓRICA
A continuación, del tema investigativo se describen conceptos teóricos para el
ámbito informático, de la cual podrá adquirir conocimientos acerca de
terminologías y definiciones básicas que sean lo suficientemente importante para
destacar dentro del tema a desarrollar.
14
HISTORIA DEL PDI
Dentro de la historia de la computación el procesamiento digital de imágenes se
manifiesta que antes de considerar en ello, se consideraba evolucionar el
hardware y todos los sistemas operativos que posibiliten hacer representaciones
gráficas. Es decir, que los algoritmos y métodos de optimización han considerado
ser transformados para el crecimiento de procesamiento digital de imágenes ya
que son muy complejos. En la actualidad se manifiesta demasiadas aplicaciones
muy referentes al software que le proporciona un procesamiento digital de
imagen, para ello utilizan algoritmos y procedimientos que de gran beneficio para
toda la sociedad que laboran en ello (Domínguez, 2016).
El procesamiento digital de imágenes fue trasmitido y codificado por un cable
submarino las cuales fueron edificadas por un receptor terminal con un
equipamiento complejo de impresión, las cuales participo New York y Londres
para esparcir uno de sus magníficos modelos de procesamiento digital de
imágenes. Su función del método de gráficas difundidas por cable entre los
periodos 1920 y 1930 las imágenes solicitan una duración de tiempo para lograr
transportarla a través del océano (Domínguez, 2016).
Los problemas que se exhibieron en décadas atrás, al querer modernizar las
fotografías emitidas para tener una importancia visual, se encontraban
vinculadas con varias técnicas de recopilación de impresión y asignación de
diferentes horizontes para la perfección de la imagen. La transferencia de
fotografías de varios métodos elementales en cinco fases diferentes de brillantez
eran competentes para transmitirlos por cable.
Los ordenadores digitales tenían la capacidad de restaurar y procesar las
imágenes por programas ya que a partir de ello fueron descubriendo el
procesamiento digital de imagen, en 1929 se amplió a 15 niveles, de manera que
el desarrollo de difusión se elevó cuantiosamente mientras que la preparación
de placas fílmicas en un método; estos se daban por rayos de luz que eran
pronunciadas por una fotografía codificada, si bien uno de las mejores técnicas
para observar imágenes digitales permanecieron por más de 35 años. (García,
2015).
15
El PDI (Procesamiento digitales de imágenes) por medio de ordenadores tuvo
sus orígenes en 1964 por Jet Propultion Laboratory, las imágenes de la Luna
fueron tratadas por un ordenador para reparar sus diferentes figuras de
distorsiones relacionados con una técnica para la captura de imágenes. Estos
métodos ayudaron como soporte para enriquecer las técnicas ya utilizadas para
la restauración y clarificar las imágenes, hicieron sistemas que fueron empleados
en la nave Surveyor (Ruiz, 2012).
PRINCIPIO DEL PROCEAMIENTO DIGIAL DE IMÁGENES
Comprendamos que el PDI se conforma por la utilización de un ordenador digital,
por lo cual están profundamente conectados los uno de los otros. Para ello hay
precedentes que aportan información muy importante para comentar sobre el
tema a tratar.
Las representaciones gráficas digitales se facilitaron para una de las primeras
prácticas que se dieron en las aplicaciones industriales en los países New York
y Londres en la época de los veinte se exportaban imágenes por medio de cables
submarinos. La técnica nominada Bartlane consistía en máquinas potentes
especializadas en la interpretación y reconstrucción de fotografías para ser
observadas por el cable (Alvarado, 2015).
Las fotografías médicas son procesamiento de desarrollo equivalente durante
los años 60 y 70. El descubrimiento en los años 70 era el de la tomografía axial
computarizada, este fue uno de los primeros inventos en poner en práctica el
PDI de evaluación. La tomografía axial se puede interpretar por medio de una
fuente de rayos X, la cual se conoce por medio del paciente y acumulan un
margen opuesto, las imágenes son correspondiente a la rama médica (Alvarado,
2015).
Durante los años sesenta los ordenadores han desarrollado del PDI pasos
extraordinarios ya que sus algoritmos comenzaron a tener una importancia, lo
pusieron a utilizar para el estudio de la contaminación de figuras de satélites con
fotografías antiguas que restablecen artefactos desintegrados con el tiempo; por
16
medio de equipos para la tecnología de red apoyados del internet se han
desarrollo con total conformidad lo antes visto en el crecimiento del PDI.
PROCESAMIENTO DIGITAL DE IMÁGENES
El procesamiento de imágenes digitales existe varios métodos la cual su único
propósito es el de mejorar su calidad. Agrupa una gran cantidad de métodos para
comprender procedimientos desde el origen de una imagen, y el producto final
es otra. El pixel en una imagen de producto final que puede estar en función de
mayor interés de la imagen ingresada.
El propósito de estos métodos es analizar o examinar una imagen, de tal manera
que sea conveniente de la imagen original, para alguna utilidad en específica. El
intervalo en específico es fundamental, porque dispone que el beneficio del
resultado este a cargo de la incógnita que se trata. De modo que, una técnica es
conveniente para elaborar un modelo de imagen que no pueda serlo para otras.
ANÁLISIS DIGITAL DE IMÁGENES
El ADI se origina de la evolución, comprendidas como el conjunto de operaciones
matemáticas ya sea de datos o información comprendida de una imagen.
Comprende de algunos métodos cuyo propósito es examinar y aclarar la
información comprendida en ellas. Un estudio de imágenes se diferencia ya que
contiene parámetro de ingreso de una imagen y cuyo resultado es usualmente
es numérica (Rogerio-Candelera & Linares, 2015).
PROCESAMIENTO Y ANÁLISIS DIGITAL DE IMÁGENES
La definición del procesamiento y análisis digital de imágenes está enfocado en
multi-disciplinas ya sea en el área de la ingeniería la cual se representa
mediante un ordenador la cual su función será de procesar, analizar, caracterizar
y extraer información de una imagen digital para una retroalimentación visual y
así darle una mejor una interpretación humana (Ortíz, 2013).
17
TIPOS DE IMÁGENES DIGITALIZADAS
El PDI utiliza cuatro muestras de imágenes que son las siguientes: imágenes
RGB, imágenes en escala de grises, imágenes binarias, imágenes indexadas,
las que explicaremos a continuación;
IMÁGENES RGB
Las imágenes RGB su significado es (Red-rojo, Green-verde, Blue-azul) este tipo
de imagen se define con un arreglo de 3 x M x N en pixeles. El principal objetivo
de la imagen RGB es el reconocer, su modelo ya que así es la demostración de
imágenes en dispositivos eléctricos tales como Tablet, ordenadores, celulares,
etc.
GRÁFICO N°4. COMPONENTES RGB
Elaborado: Katherine Anastacio y Eduardo Saverio
Fuente: (Maxwell, 2015).
IMÁGENES BINARIAS
Las imágenes binarias solo se representan con dos valores muy
significativos que son 0 o 1, normalmente se los interpreta en una
herramienta muy conocida en el ámbito tecnológico como lo es en Matlab
para los arreglos lógicos, la cual nos permite almacenar la imagen con
transparencia.
18
GRÁFICO N°5. BINARIA
Elaborado: Katherine Anastacio y Eduardo Saverio
Fuente: (Valle, 2016).
IMÁGENES INDEXADAS
Este formato se almacena dos matrices, la cual la primera matriz conserva el
mismo tamaño que el de la original y una cifra para cada píxel. La segunda matriz
consta de un mapa de color y su tamaño pertenece a la misma cantidad de
colores que quiere que sea de su agrado.
IMÁGENES EN ESCALA DE GRISES
Es un tipo de formato la cual se consta de una matriz de M x N, por lo cual cada
píxel es una representación importante ya q contiene un reporte muy relevante
de la imagen. También denominada escala de intensidades o escala
monocromática.
SEGMENTACIÓN DE IMÁGENES
Es un estudio de imágenes para localizar una clase de piezas dadas. Para
aclarar la incógnita, mediante un modelo matemático de estos elementos, se
extrae parámetros indispensables y pretender apreciar las diferentes zonas de
la imagen con características específicas de acuerdo a su forma o color de la
imagen.
Los algoritmos de segmentación de imagen demuestran que una estas dos
características básicas en el nivel valores grises: discontinuidad o similitud entre
los niveles de gris de pixeles cercanos.
19
Discontinuidad: este algoritmo consta en la división de la imagen demostrando
cambios bruscos de niveles de la escala de gris, como son: Detección de Líneas,
Detección de puntos aislados y la detección de bordes.
Detección De Puntos Aislados
Es una forma muy clásica al momento de aplicar el filtro laplaciano(máscara), es
decir si en una imagen tiene un tono gris se distingue de las zonas cercanas de
ese mismo tono pixelado. De manera que un píxel es un punto aislado.
GRÁFICO N°6. DETECCIÓN DE PUNTOS AISLADOS
Elaborado: Katherine Anastacio y Eduardo Saverio
Fuente:(Roncagliolo, 2016).
Detección De Líneas
Para la detección de líneas en una imagen se localiza un pixel de ancho para si
poder utilizar una máscara de laplaciano. Por lo tanto para determinar una
dirección se necesita encontrar los pixeles en forma de líneas horizontales,
verticales o diagonales, para tener resultado ante cualquier mascara.
GRÁFICO N°7. DETECCIÓN DE LÍNEAS
Elaborado: Katherine Anastacio y Eduardo Saverio
Fuente:(Roncagliolo, 2016).
20
Detección De Bordes
Un borde es un conjunto de pixeles de borde adyacentes, ya que si se presenta
un cambio dificultoso en una de sus características la dirección varia
gradualmente, en la cual se llega a una deducción manipulando la derivación de
un píxel que pertenece a un borde.
GRÁFICO N°8. DETECCIÓN DE BORDES
Elaborado: Katherine Anastacio y Eduardo Saverio
Fuente: (Roncagliolo, 2016).
TÉCNICAS DE PRE-PROCESAMIENTO DE IMAGEN
Erosión Binaria
La técnica de erosión binaria interpreta en la dilatación de componentes que está
constituida por la estructura de una imagen. El crecimiento de regiones está
delimitado por medio de un radio, esto posibilita que, si un elemento que engloba
a la imagen no concuerda con el radio, esta presenta la imagen original, y se
dilatará.
Filtro de la Media
Filtro de la media es una técnica que se fundamenta en la visita de cada uno de
los pixeles que constituye la imagen. Esta técnica es considerada como uno de
21
los filtros más sencillo ya que con ello se puede reducir las posibles variaciones
de intensidad que puede existir entre los pixeles vecinos.
Filtro Mediana
El filtro se emplea cuando la imagen a tratar presenta un ruido aleatorio, con la
finalidad de poder distinguir aquellos pixeles que cuentan con distintos niveles de
intensidad que se denomina en los pixeles más cercanos. Por lo tanto, esto
facilitara poder establecer el valor de la mediana a cada punto de la imagen, de
tal manera generara una imagen nueva.
Filtro Gaussiano
Este filtro tiene una semejanza con el filtro de la media, por lo que se diferencia
tras el uso de una máscara distinta al proceder con la aplicación, por lo tanto su
principal propósito es disminuir la distorsión de la imagen.
TÉCNICAS DE PORCESAMIENTO DE IMAGEN
TRANSFORMADA DE TOP – HAT
Es una técnica de segmentación que permite mostrar aquellas estructuras de la
representación gráfica que han sido excluidas durante el procedimiento de
apertura o cierre, a través de ese proceso nos proporciona filtrar la imagen que se
puede examinar tanto el residuo de la apertura morfológica y la identidad de la
imagen original una vez ya haya sido procesada (González, 2010).
La función que se utilizará en la transformada Top-Hat se halla definida de la
siguiente manera:
Fórmula 1. Transformada top-hat
𝑇𝑑𝐹𝐵(𝑓) = 𝑓 − (𝑓)𝐵
Donde (𝑓)𝐵 representa la apertura.
22
TRANSFORMADA DE K-MEANS
La transformada es un método que se lo conoce como algoritmo de Lloyd en el
campo de la informática es un método, el cual consiste en clasificar un conjunto
de elementos en base a propiedades de estos de forma iterativa. El algoritmo fue
creado por Stuart Lloyd en el año 1957, fue creado como una técnica para
modulación por impulsos codificados (López & Luna, 2014, p. 2). Este método es
utilizado para llevar a cabo la transformación de segmentación de imagen (López
& Luna, 2014).
TRANSFORMADA DE WATERSHED
Es una técnica de procesamiento morfológica resistente por medio de ello nos
proporciona llevar a cabo la segmentación de imagen, a través de esta técnica de
segmentación de imagen basada en regiones, el mismo que se adapta a las
diferentes muestras de imágenes a tal punto que es capaz de distinguir elementos
complejos que generalmente no pueden ser procesados correctamente mediante
algoritmos comunes (González, Rodríguez, & Orozco, 2017, p. 138).
TRANSFORMADA CANNY
El algoritmo de la transformada Canny es una técnica de segmentación, empleado
para la detección de bordes que existen dentro de una representación gráfica. Sin
embargo el presente algoritmo es reconocido como el más destacado en los
métodos de detección de bordes, se debe a la utilidad de máscaras de convolución
por lo que está basado en la primera derivada (Valverde, 2007, p. 2). El algoritmo
de Canny cuenta con las siguientes fases:
• Obtener el gradiente.
• Supresión no máxima.
• Histéresis de umbral.
• Cerrar los bordes que hayan quedado abiertos por el ruido (Valverde,
2007).
23
TRANSFORMADA SOBEL
La transformada de Sobel es una técnica de segmentación, que se aplica dentro
del procesamiento digital de imágenes, esta técnica nos facilita el cálculo de la
intensidad y la gradiente de la ilustración adquirida por medio de cada pixel la cual
se compone de la imagen, de esta manera facilita la obtención de bordes para
mostrar los oportunos cambios bruscos que se pueden haber efectuado, además
de presentar la dirección ya sea de forma horizontal como vertical (Gálvez, 2014).
CAVIDAD BUCAL
La cavidad bucal es la parte principal que conforma el sistema digestivo, donde su
principal función es el ingreso de alimentos. Entre las principales partes de la
cavidad bucal tenemos los labios superior e inferior, lengua, órgano del sentido
del gusto, y las piezas dentales, desempeñando diversas funciones como la
sonrisa, lenguaje, expresiones faciales entre otros, no solo limitándose a la
alimentación, sino también a la comunicación a través de la pronunciación
(Ceballos, 2013). Como se contempla en el gráfico.
GRÁFICO N°9. CAVIDAD BUCAL
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: (Campos, 2012).
ANATOMÍA DEL DIENTE
Un diente está compuesto por una sección visible y una sección no visible que se
localiza en la mucosa bucal encima del hueso. Cuando el diente está
completamente sano, la fracción visible está compuesta de la llamada corona. La
fracción más extensa de la pieza dental se halla cubierta y está formada por el
24
cuello ubicado bajo la encía y la raíz de cada diente, que se combina al maxilar a
través del periodonto. Existen piezas dentales unirradiculares (dientes de una sola
raíz) como por ejemplo los incisivos, y multirradiculares (dientes de múltiples
raíces), como los premolares; las muelas del maxilar inferior poseen dos raíces
mientras que las del maxilar superior poseen comúnmente tres raíces (Onmeda,
2012).
GRÁFICO N°10. ANATOMÍA DEL DIENTE
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: (Galvan, 2016).
ESMALTE
Es esmalte es el único tejido de origen osteoblástico, siendo la sustancia más dura
que posee el cuerpo humano. Su aspecto es traslucido brillante que recubre la
corona de cada pieza dental y su principales características es proteger la dentina
del medio bucal, si llegase a desgastar el esmalte dental este no podrá
regenerarse perdiéndose de por vida esto permitirá atraer enfermedades como las
caries, gingivitis, periodontitis entre otros (Silverty, 2014).
25
CUADRO N° 2. IDENTIFICACIÓN DE LOS MOLARES Composición química Valor porcentual
Fosfato de calcio y fluoruros 89.89%
Carbonato de calcio 4.30%
Fosfato de magnesio 1.34%
Otras sales 0.88%
Cartílago 3.39%
Grasa 0.20%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente:(Niwa, 2007).
EL endurecimiento del esmalte dental aumenta de adentro hacia afuera a medida
que avanza la edad de la persona. Además, el esmalte está compuesto por
prismas entrelazados por una sustancia interprismática, cuya fortaleza es menor
que la de los prismas. Esto se confirma histológicamente descalcificando una
pieza dental consumida o desgastado en el cual microscópicamente se contempla
que la sustancia interprismática ha sido atacada por el ácido que producen las
bacterias (Mendez, 2006).
DENTINA
La dentina o también llamada sustancia de marfil, representa la mayor cantidad
de cada diente, cada pieza dental está compuesto mayormente por la dentina, su
desarrollo se lo conoce como dentinogénesis, siendo células llamadas
odontoblastos que se dedican a la fabricación de la dentina. Entre los
componentes que constituyen este tejido se localiza el colágeno y las moléculas
citoplasmáticas, se destaca por presentar un cubrimiento de tejido viviente y
túbulos que están conectados al nervio del diente. Si se origina una reducción de
las encías , la dentina queda expuesta generando trastornos como la sensibilidad
dental (Pérez & Gardey, 2017).
26
CUADRO N° 3. COMPOSICIÓN DE LA DENTINA
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Orellana, 2013).
PULPA DENTAL
La pulpa es un tejido laxo conjuntivo, que posee vasos sanguíneos de pared
delgados, no contiene fibras elásticas, está compuesto por fibras colágenas,
células y fibras nerviosas. Esta cavidad se disminuye con la edad por desarrollo
dentinal que invade progresivamente la pulpa, representando que la cavidad
pulpar de un joven será más amplia que la de una persona mayor. Cabe destacar
que esta cavidad es la principal responsable que permite la construcción del
esmalte y la dentina a su vez es un tejido blando que se ajusta a la forma que
posee cada pieza dental (Castillo, 2015).
ENCÍA
La encía dental se la define como un tejido mucoso grueso que une el epitelio que
cubre cada diente. Su principal función es sostener a los dientes en los huesos
maxilares, recubre a cada pieza dental evitando que los microbios y bacterias
afecten a la raíz, tiende a tener un color rosa, cuando observamos en la encina
presenta un tono rojizo y esta inflamada esto es causa de enfermedades bucales
como la gingivitis, para esto se recomienda tener un buen cepillado en cada aseo
bucal (Pichel & Delgado, 2013).
HUESO ALVEOLAR
El hueso alveolar se lo denomina al hueso de la mandíbula que forma y reviste los
alveolos o cuencas de cada diente. Es un tejido conjuntivo en la que se mantiene
las raíces de los dientes, esta calcificadas y compactas con múltiples
perforaciones, a través de las cuales pasan los nervios, vasos linfáticos y los vasos
27
sanguíneos. Entre las principales funciones se encuentra la distribución y
absorción de las fuerzas generadas por la masticación y otros contactos dentarios
.Otra función del hueso alveolar es suministra los alveolos para que cada pieza
dental se sujete a ellos a través de las fibras periodontales protegiendo a los
nervios y vasos sanguíneos del ligamento periodontal (Galdames, 2017).
INCISIVO
Normalmente son los tipos de dientes que primero aparecen en la cavidad
bucal entre los 6 meses de edad y se posicionan entre los 6 y 8 años de
edad, en total son 8 dientes que se visualizan en la parte delantera (cuatro
en la zona inferior de la boca y cuatro en la zona superior), cabe destacar
que los incisos superiores son más grandes que los incisos inferiores, su
principal función radica en cortar los alimentos en trozos más pequeños
(Seiro, 2017).
GRÁFICO N°11. INCISIVOS
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Muñoz, 2016).
CANINOS
Los caninos son 4 piezas dentales que comúnmente se los llaman “colmillos”, son
dientes que aparecen entre los 16 y 20 meses (1 o 2 años de edad), en la dentición
permanente los caninos inferiores aparecen entre los 9 y 10 años y los superiores
entre los 11 y 12 años de edad, su ubicación en la cavidad bucal es al lado o
seguidos de los incisivos tanto en la parte inferior como superior de la boca .La
apariencia de su corona es puntiaguda y afilada ya que su principal función es
28
desgarrar todo tipo de alimentos , su principal característica es que solo posee
una sola raíz (Thuillier, 2015).
GRÁFICO N°12. CANINOS SUPERIORES E INFERIORES
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente:(Salazar, 2016).
PREMOLARES
Los premolares son la tercera agrupación de dientes situados en la parte central
de la boca por detrás de los caninos y delante de los molares, en total son 8 piezas
dentales de este tipo dividiéndose en dos partes (cuatro dientes en el maxilar
inferior y otros 4 en el maxilar superior), también son llamados bicúspide ya que
tienen la particularidad de poseer 2 raíces a diferencia de los incisivos y caninos
que solo poseen una sola raíz, lo que origina una compostura de agarre en el
hueso alveolar del maxilar superior e inferior mucho más estable en sujeción , su
principal función es encargarse de desgarrar alimentos junto con los caninos y
molares triturando alimentos ya cortados por los incisivos (Moenne, 2013).
29
GRÁFICO N°13. VISTA INFERIOR DE LOS PREMOLARES
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Moenne, 2013).
MOLARES
Los dienes molares o comunmente llamadas muelas son las piezas dentales mas
grandes encontradas en la cabidad bucal , localizadas en la parte posterior de la
boca detrás de los premolares , los brotes de estos molares suelen aparecer a
partir de los 16 meses de nacimiento y a partir de los 11 o 13 años de edad puede
tener 8 molares permanentes que han sustituido a los temporales o de leche ,cabe
recalcar que los ultimos 4 dientes son los mas tardios en emerger , llegando a
brotar entre los 16 y 18 años de edad y pueden expandirce hasta los 25 años para
su erupcion ,estos utimos 4 dientes son comunmente llamados muelas del juicio .
Las muelas son las encargadas de moler y tritura en particulas muy finas los
alimientos con el fin que el alimento sea bien digerido (Alvares & Nazar, 2013).
GRÁFICO N°14. IDENTIFICACIÓN DE LOS MOLARES
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Lara, 2017).
30
ODONTOGRAMAS
Una odontograma o también de nominado odontograma periodontograma,
diagrama dentario y carta dental es un bosquejo representativo de la cavidad bucal
donde se muestra todas las piezas dentarias de una persona, cada pieza se lo
enumera o se lo reconoce con letras mayúsculas, en cualquier cuestión se lo
aplica la nomenclatura universal para que pueda ser observado y conocido por
cualquier experto odontológico (Porto & Gardey, 2015).
GRÁFICO N°15. ODONTOGRAMA
Elaborado: Katherine Anastacio y Eduardo Saverio.
Fuente:(Oregón, 2016).
VENTAJAS DE UN ODONTOGRAMA
• Su registro es de manera clara y precisa para evitar cualquier tipo de
confusión a la hora de su explicación.
• La ubicación de la forma y tamaño de cada pieza dental.
• Es un instrumento muy factible de utilizar para obtener comodidad y
optimizar tiempo.
31
RED NEURONAL ARTIFICIAL (RNA)
Las Redes Neuronales Artificiales (RNA) o también llamadas sistemas
conexionistas son un modelo computacional de procesamiento de la información
cuyo funcionamiento y estructura están inspirados en las redes neuronales de los
organismos vivos. Radica en un conjunto de elementos conectados entre sí por
conexiones que tienen un valor numérico modificable llamado peso. Con la
experiencia las neuronas vas reforzando ciertos enlaces para aprender o entrenar
permitiendo buscar la combinación de ciertos parámetros que se adaptan a un
determinado problema.
Un sistema de RNA para realizar una determinada tarea no se programa a
diferencia de una arquitectura Von Neumann, sino que es entrenado de manera
supervisada o autónoma. Consideremos un ejemplo en la estructura de una RNA.
Supongamos que mostramos a la red dos modelos de objetos, por ejemplo la letra
A y la letra Y con diferentes tamaños y en distintas posturas. En el entrenamiento
de la red neuronal artificial se obtiene, tras un número elevado de presentaciones
de los diferentes objetos en diferentes ángulos y consiguiente ajuste o cambio de
las conexiones del sistema, que la red reconozca entre As y Ys, sea cual fuere su
posición y tamaña en la pantalla. Para ello, se entrena a la red neuronal para que
proporcione como salida el valor 1 cada vez que se muestre una A y el valor 0 en
caso de que se muestre una Y. El aprendizaje en una RNA es un desarrollo de
modificaciones o ajustes de los pesos o valores de las conexiones (Díaz-Matha,
Gómez, Fernández, 2015).
32
GRÁFICO N°16. ARQUITECTURA DE UNA RNA.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Pozó, 2015).
CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES
REDES MONOCAPAS
Las redes monocapas se constituyen de una sola capa.Esta neuronas crean
enlaces laterales para conectarse con otras neuronas de su capa .Entre las redes
mas representativas son las de BRAIN-STATE-IN-A-BOX o memoria asociativa,
maquinas estocásticas de Botzmann , Hopfield, Hopfield.
Entre las redes monocapa, se encuentran algunas que permiten que las neuronas
tengan enlaces a si mismas y se las conoce como autorecurrentes, estas redes
han sido utilizadas en circuitos electricos debido a su topologia , son convenientes
para ser implementadas hardware, empleando matrices de diodos que
representan los enlaces de las neuronas (Dominguez, 2016).
33
GRÁFICO N°17. ARQUITECTURA DE UNA RED NEURONAL
MONOCAPA.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Altamirano, 2017).
REDES NEURONALES MULTICAPA
Las redes multicapas están conformadas por varias capas de neuronas. Estas
redes se agrupan atendiendo a la manera en que se encuentran conectadas sus
capas. Las capas están ordenadas por el orden en que receptan la señal desde la
entrada hasta la salida y están enlazadas en ese orden. Este tipo de enlace se lo
define como conexión hacia delante o feedforward, existen varias redes en que
las capas están unidas desde la salida hasta la entrada en el orden inverso, este
tipo de conexión se definen como retroalimentadas o feedback (Altamirano, 2017).
GRÁFICO N°18. ARQUITECTURA DE UNA RED NEURONAL
MULTICAPA.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente:(Altamirano, 2017).
34
CLASIFICACIÓN DE LAS (RNA) RESPECTO A SU ALGORITMO DE
APRENDIZAJE
APRENDIZAJE SUPERVIADO
Durante este aprendizaje o entrenamiento se incorporan los patrones al algoritmo
y la salida deseada para esos patrones para esto se utiliza una fórmula
matemática de minimización de fallas que permita ajustar el valor de los patrones
para dar la salida más cercana posible a la detección del objeto. Si la red está bien
ajustada y gracias a la gran operación de cada nodo, el algoritmo será capaz de
entrenar con información incompleta o difícil de predecir (Graciany & Bonal, 2016).
Entre sus aplicaciones más importantes están:
• Relación de patrones, Es relacionar dos patrones que permita recuperar la
información a pesar de fallas en la capa de entrada.
• Modeladores funcionales, las redes neuronales permiten, gracias a su
capacidad de ajustar el error dar los valores más cercanos a una función
de la que solo sabemos algunos puntos por los que pasa.
APRENDIZAJE NO SUPERVISADO
Este aprendizaje no necesita el registro de patrones, ya que el algoritmo que se
implementa y la regla de modificación de los enlaces generan patrones de salida
consistentes. Cuando el algoritmo de red neuronal procesa patrones con una gran
cantidad de información similar genera la misma salida para ambos patrones.
35
GRÁFICO N°19. APRENDIZAJE NO SUPERVISADO
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: (López, 2014).
MATLAB
Es una herramienta, se fundamenta en el ámbito matemático, a su vez brinda un
entorno de desarrollo integrado (IDE), también cuenta con un lenguaje propio de
programación, dentro de sus operaciones básicas se presenta la implementación
de algoritmos, el uso de matrices, la innovación de interfaces de usuario (GUI),
con una relación con lenguajes y otros programas para dar resultados de datos y
funciones (Vargas, Berenguel, & Álamo, 2012). Sin embargo se ha transformado
en una herramienta de contribuye de mucho en el ámbito científico o estudiantil.
CUADRO DE HERRAMIENTAS DE PROCESAMIENTO DE IMÁGENES
DESCRIPCIÓN DEL PRODUCTO
El cuadro de herramientas de procesamiento de imagen o también llamado Image
processing Toolbox nos facilita un conjunto completo de algoritmos estándar de
relación y las aplicaciones de flujo de trabajo para realizar los siguientes procesos
de imagen estos son: el procesamiento, análisis, visualización y desarrollo de
algoritmos de imágenes. También realiza la segmentación de imágenes, la mejora
de imágenes, la reducción de ruido, las transformaciones geométricas, el registro
de imágenes y el procesamiento de imágenes en 3D(MathWorks, 2015).
36
Las aplicaciones de cuadro de herramientas de procesamiento de imagen tienen
la posibilidad de automatizar flujos de trabajo ordinarios, a través del toolbox se
puede segmentar interactivamente todos los datos de las imágenes, por lo tanto
se podrá comparar técnicas de registro de imágenes y tratar grandes conjuntos
de datos por parte. Todas las aplicaciones y funciones de visualización le facilitan
analizar imágenes, volúmenes 3D y videos; también ajustar el contraste de la
imagen, crear histogramas; y manejar regiones de interés (MathWorks, 2015).
Características
• Análisis de imágenes, incluyendo segmentación, morfología, estadísticas
y medición.
• Aplicaciones para análisis de regiones de imágenes, procesamiento de
lotes de imágenes y registro de imágenes.
• Flujos de trabajo de procesamiento de imágenes en 3D, que incluyen
visualización y segmentación.
• Mejora de la imagen, filtrado, transformaciones geométricas y algoritmos
de desenfoque.
• Métodos de registro de imágenes no rígidos y basados en intensidad.
DEEP LEARNING
El Deep Learning es un método de aprendizaje mecánico que exhibe a los
ordenadores a hacer lo que resulta natural para las personas, es decir aprender
mediante ejemplos. Por medio de este modelo informático aprende a realizar
tareas de clasificación directamente a partir de imágenes, texto o sonido. Los
modelos de Deep Learning pueden alcanzar una precisión de vanguardia que, en
ocasiones, supera el rendimiento humano. Los modelos se entrenan mediante un
amplio conjunto de datos etiquetados y arquitecturas de redes neuronales que
contienen muchas capas (Bendemra, 2018).
37
INTERFAZ WEB
La “Interfaz web” o también conocidos como “sistemas web” son herramientas
codificadas en diferentes leguajes de programación que puede ser interpretado
por diferentes navegadores web (Chrome, Firefox, Opera, Interne Explorer,
etc.).Se encuentran alojados en un servidor que el usuario puede utilizar mediante
internet o intranet (red local).Pueden contener componentes que facilitan una
comunicación activa entre el usuario y la información, permitiendo que este
acceda a los datos de forma dinámica, además de poseer funcionalidades muy
potentes que proporcionan respuesta a diferentes casos en particular (wiboo,
2017).
Las aplicaciones web son herramientas codificadas en un lenguaje de
programación compatible con los navegadores, permitiendo a los usuarios
ejecutar diferentes tipos de tareas dentro de un sitio web, ejecutando únicamente
el navegador el navegador que se esté utilizando (Espinoza, 2017).
TIPOS DE APLICACIONES WEB
Según (Espinoza, 2017) indica: Esta clasificación de la interfaz web se basa en
cómo se presentan tales aplicaciones al usuario y el contenido que proyectan en
el sitio. Entre ellas distinguimos:
Aplicación web estática
Este tipo de aplicaciones se utiliza constantemente en el desarrollo de portafolios
profesionales, datos de contacto, currículos vitae digitales, entre otros. En estas
aplicaciones web se visualiza poca información y no suelen contar con muchos
cambios regularmente son desarrolladas en HTML Y CCS.
Aplicación web dinámica
Este tipo de aplicaciones maneja bases de datos para cargar la información y los
contenidos se actualizan cada vez que el usuario ingresa a este tipo de aplicación.
Principalmente son desarrolladas utilizando lenguajes de programación como son:
PHP Y ASP, unas de las ventajas más representativas de estas aplicaciones es
que se posicionan mejor en los navegadores.
38
Tienda virtual
Las tiendas virtuales se desempeñan como un comercio electrónico de tiendas
online. En estas tiendas se pueden realizar diversos tipos de pagos electrónicos,
y utilizan paneles de gestión de contenido, permitiendo al administrador subir
cualquier tipo de producto, actualizar precios, realizar inventario, administrar
pedidos y pagos.
Portal web app
Este tipo de aplicaciones permite la entrada a otras áreas como: correo
electrónico, zonas de registro, foros, chats, buscadores, etc. Su principal objetivo
es guiar a los usuarios a encontrar la información que buscan sin tener la
necesidad de salir del portal motivándolos a usarlos de forma mucho más
continua.
Web app animada
La web app animadas utilizan flash permitiendo proyectar contenidos con
animaciones y es muy común que los diseñadores utilicen este tipo de tecnología.
Una de las desventajas de las aplicaciones web, es que los navegadores no
pueden mostrar adecuadamente este tipo de contenido
Aplicación para gestión de contenidos
Este modelo de aplicación se desarrolla principalmente en sitios donde la
información se debe renovar constantemente. Se utiliza un gestor de contenidos
(CMS), esto permite que el administrador como los editores pueda realizar
modificaciones al contenido de la información. Este tipo de aplicaciones web es
muy común en sitios como blogs, personales ,páginas de noticias ,páginas de
artículos , blogs profesionales, y medios de comunicación (Espinoza, 2017).
APLICACIONES WEB PROGRESIVAS O PWA
Conocidas regularmente por PWA (progressive web applications.) Son webs que
son accesibles desde cualquier dispositivo móvil o de escritorio que cuente con un
navegador, para mostrar una experiencia en móviles lo más semejante a la de una
aplicación nativa, permitiendo ser ejecutadas, gracias a que están desarrolladas
en HTML Y JavaScript que son lenguajes multiplataforma y multidispositivo,
39
consiguiendo usuarios de una manera más efectiva que las aplicaciones móviles
debido a su universalidad (MOBILE ANALYTICS, 2018).
CARACTERÍSTICAS DE UNA PWA
• Son universales y multiplataforma. Se puede acceder desde cualquier
dispositivo que cuente con un buscador incorporado en su sistema.
• Se pueden instalar en cualquier dispositivo móvil o tabla, el usuario no
tendrá la necesidad de acceder al navegador y escribir la dirección para
volver a ingresar, sino que tendrá en su lista de aplicaciones el nombre de
la web con su respectivo logo.
• Una de sus características es enviar notificaciones push que pueden llegar
hacer muy interesantes, de esta manera el usuario puede abrir la
notificación y acceder a la aplicación instalada desde su dispositivo.
• Otra de sus características es que pueden funcionar sin necesidad de
conexión a internet, permitiendo ser accesibles, aunque el usuario no
tenga a su disposición una conexión, ya sea de datos o wifi.
• Cuenta con un mayor rendimiento que las aplicaciones convencionales
móviles ya que mejora su tiempo de carga(MOBILE ANALYTICS, 2018).
BOOTSTRAP
Es un framework para el desarrollo de interfaces de usuario de aplicaciones web
(front-end). Podemos usarlo tanto por medio de CSS puro o mediante extensiones
del lenguaje como Less o Sass.
Está fundamentado sobre la tendencia actual en web respecto a diseñar primero
para las pantallas móviles (mobile-first) y en crear diseños responsivos
(responsive-design); de manera que nos permite desarrollar aplicaciones web que
luzcan y funcionen bien tanto en móviles como en computadoras de escritorio o
laptops (Guevara, 2014).
40
CARACTERÍSTICAS PRINCIPALES DE BOOTSTRAP
Bootstrap ofrece una serie de plantillas CSS y ficheros Javascript que nos
permiten integrar el framework de forma sencilla y potente en nuestros proyectos
webs (Rodríguez, 2012).
• Permite crear interfaces que se adapten a los diferentes navegadores,
tanto de escritorio como tablets y móviles a distintas escalas y
resoluciones.
• Se integra perfectamente con las principales librerías Javascript, por
ejemplo JQuery.
• Ofrece un diseño sólido usando LESS y estándares como CSS3/HTML5.
• Es un framework ligero que se integra de forma limpia en nuestro proyecto
actual.
• Funciona con todos los navegadores, incluido Internet Explorer usando
HTML Shim para que reconozca los tags HTML5.
• Dispone de distintos layout predefinidos con estructuras fijas a 940 píxeles
de distintas columnas o diseños fluidos.
SCRUM
Scrum es un proceso de gestión que reduce la complejidad en el desarrollo de
productos para satisfacer las necesidades de los clientes. La gerencia y los
equipos de Scrum trabajan juntos alrededor de requisitos y tecnologías para
entregar productos funcionando de manera incremental usando el empirismo
(Francia, 2017)
Scrum es un marco de trabajo simple que promueve la colaboración en los equipos
para lograr desarrollar productos complejos. Ken Schwaber y Jeff Sutherland han
escrito La Guía Scrum para explicar Scrum de manera clara y simple.
41
ROLES DE SCRUM
Según (Najda-Janoszka & Daba-Buzoianu, 2018) Indica: La metodología Scrum
tiene unos roles y responsabilidades principales, asignados a sus procesos de
desarrollo. Estos son:
Project Owner. Se asegura de que el proyecto se esté desarrollando acorde con
la estrategia del negocio. Escribe historias de usuario, las prioriza, y las coloca en
el Product Backlog.
Master Scrum o Facilitador. Elimina los obstáculos que impiden que el equipo
cumpla con su objetivo.
Development team Member. Los encargados de crear el producto para que
pueda estar listo con los requerimientos necesarios. Se recomienda que sea un
equipo multidisciplinar, de no más de 10 personas. Sin embargo, empresas como
Google disponen de unos 15.000 desarrolladores trabajando en una rama del
código. Y con una metodología Scrum. La automatización en el testeo explica
sobre por qué este gran volumen en el equipo.
GRÁFICO N°20. ROLES, ARTEFACTOS Y EVENTOS PRINCIPALES DE
SCRUM
Elaborado: Katherine Anastacio y Eduardo Saverio.
Fuente: (Chapin, 2004).
42
MARCO LEGAL
Basado en la presente fundamentación legal nuestro proyecto se apega a las
leyes, cumpliendo con todas las normas y especificaciones que requiere este
proyecto de titulación.
Sección quinta Educación
Art. 29.- EI Estado garantizará la libertad de enseñanza, la libertad de cátedra en
la educación superior, y el derecho de las personas de aprender en su propia
lengua y ámbito cultural.
Las madres y padres o sus representantes tendrán la libertad de escoger para sus
hijas e hijos una educación acorde con sus principios, creencias y opciones
pedagógicas.
Como lo dice en el presente artículo todas tenemos el derecho de adquirir conocimientos
por lo cual estoy ejerciendo de este para culminar mi carrera universitaria.
Art. 350. El sistema de educación superior tiene como finalidad la formación
académica y profesional con visión científica y humanista, la investigación
científica y tecnológica, la innovación, promoción, desarrollo y difusión de los
saberes y las culturas, la construcción de situaciones para los problemas del país,
en relación con los objetivos del régimen de desarrollo.
En el presente artículo nos permite emplear a través de nuestro conocimiento adquirido
en la carrera dar solución a varios problemas, haciendo uso de herramientas tecnológicas.
43
Sección segunda
Tipos de propiedad
Artículo 104.- Obras susceptibles de protección. - La protección reconocida por
el presente Título recae sobre todas las obras literarias, artísticas y científicas, que
sean originales y que puedan reproducirse o divulgarse por cualquier forma o
medio conocido o por conocerse. 12.- SOFTWARE
En el presente artículo nos proporciona la seguridad de las obras realizadas en el medio
a conocerse mediante el Software.
Capítulo I: Del Derecho de Autor
Art. 4. Se reconocen y garantizan los derechos de los autores y los derechos de
los demás titulares sobre sus obras.
Art. 5. El derecho de autor nace y se protege por el solo hecho de la creación de
la obra, independientemente de su mérito, destino o modo de expresión.
Se protegen todas las obras, interpretaciones, ejecuciones, producciones o
emisiones radiofónicas cualquiera sea el país de origen de la obra, la nacionalidad
o el domicilio del autor o titular. Esta protección también se reconoce cualquiera
que sea el lugar de publicación o divulgación.
El reconocimiento de los derechos de autor y de los derechos conexos no está
sometido a registro, depósito, ni al cumplimiento de formalidad alguna.
El derecho conexo nace de la necesidad de asegurar la protección de los derechos
de los artistas, intérpretes o ejecutantes y de los productores de fonogramas.
Art. 6. El derecho de autor es independiente, compatible y acumulable con:
La propiedad y otros derechos que tengan por objeto la cosa material a la que esté
incorporada la obra;
Los derechos de propiedad industrial que puedan existir sobre la obra; y,
Los otros derechos de propiedad intelectual reconocidos por la ley.
44
Art. 7. Para los efectos de este Título los términos señalados a continuación
tendrán los siguientes significados:
Autor: Persona natural que realiza la creación intelectual. Artista intérprete o
ejecutante: Persona que representa, canta, lee, recita, interpreta o ejecuta en
cualquier forma una obra.
Base de datos: Compilación de obras, hechos o datos en forma impresa, en una
unidad de almacenamiento de ordenador o de cualquier otra forma.
Distribución: Puesta a disposición del público, del original o copias de la obra,
mediante su venta, arrendamiento, préstamo público o de cualquier otra forma
conocida o por conocerse de transferencia de la propiedad, posesión o tenencia
de dicho original o copia.
Divulgación: El acto de hacer accesible por primera vez la obra al público, con el
consentimiento del autor, por cualquier medio o procedimiento conocido o por
conocerse.
Editor: Persona natural o jurídica que mediante contrato escrito con el autor o su
causahabiente se obliga a asegurar la publicación y divulgación de la obra por su
propia cuenta.
Licencia: Autorización o permiso que concede el titular de los derechos al usuario
de la obra u otra producción protegida, para utilizarla en la forma determinada y
de conformidad con las condiciones convenidas en el contrato. No transfiere la
titularidad de los derechos.
Programa de ordenador (software): Toda secuencia de instrucciones o
indicaciones destinadas a ser utilizadas, directa o indirectamente, en un
dispositivo de lectura automatizada, ordenador, o aparato electrónico o similar con
capacidad de procesar información, para la realización de una función o tarea, u
obtención de un resultado determinado, cualquiera que fuere su forma de
expresión o fijación. El programa de ordenador comprende también la
documentación preparatoria, planes y diseños, la documentación técnica, y los
manuales de uso.
45
Titularidad: Calidad de la persona natural o jurídica, de titular de los derechos
reconocidos por el presente Libro.
La presente sección de artículos nos garantiza la protección de los procesos de desarrollos
informáticos de este proyecto siendo un requisito indispensable para culminar la carrera
universitaria.
LEY DE PROPIEDAD INTELECTUAL SECCIÓN V
DISPOSICIONES ESPECIALES SOBRE CIERTAS OBRAS
PARAGRAFO PRIMERO DE LOS PROGRAMAS DE ORDENADOR
Art. 28. Los programas de ordenador se consideran obras literarias y se protegen
como tales. Dicha protección se otorga independientemente de que hayan sido
incorporados en un ordenador y cualquiera sea la forma en que estén expresados,
ya sea en forma legible por el hombre (código fuente) o en forma legible por
máquina (código objeto), ya sean programas operativos y programas aplicativos,
incluyendo diagramas de flujo, planos, manuales de uso, y en general, aquellos
elementos que conformen la estructura, secuencia y organización del programa.
Art. 29. Es titular de un programa de ordenador, el productor, esto es la persona
natural o jurídica que toma la iniciativa y responsabilidad de la realización de la
obra. Se considerará titular, salvo prueba en contrario, a la persona cuyo nombre
conste en la obra o sus copias de la forma usual.
Dicho titular está además legitimado para ejercer en nombre propio los derechos
morales sobre la obra, incluyendo la facultad para decidir sobre su divulgación.
El productor tendrá el derecho exclusivo de realizar, autorizar o prohibir la
realización de modificaciones o versiones sucesivas del programa, y de
programas derivados del mismo. Las disposiciones del presente artículo podrán
ser modificadas mediante acuerdo entre los autores y el producto.
46
Art. 30. La adquisición de un ejemplar de un programa de ordenador que haya
circulado lícitamente autoriza a su propietario a realizar exclusivamente:
a) Una copia de la versión del programa legible por máquina (código objeto)
con fines de seguridad o resguardo;
b) Fijar el programa en la memoria interna del aparato, ya sea que dicha
fijación desaparezca o no al apagarlo, con el único fin y en la medida necesaria
para utilizar el programa;
c) Salvo prohibición expresa, adaptar el programa para su exclusivo uso
personal, siempre que se limite al uso normal previsto en la licencia.
d) El adquirente no podrá transferir a ningún título el soporte que contenga el
programa así adaptado, ni podrá utilizarlo de ninguna otra forma sin autorización
expresa, según las reglas generales.
e) Se requerirá de autorización del titular de los derechos para cualquier otra
utilización, inclusive la reproducción para fines de uso personal o el
aprovechamiento del programa por varias personas, a través de redes u otros
sistemas análogos, conocidos o por conocerse.
Art. 31. No se considerará que exista arrendamiento de un programa de
ordenador cuando éste no sea el objeto esencial de dicho contrato. Se considerará
que el programa es el objeto esencial cuando la funcionalidad del objeto materia
del contrato, dependa directamente del programa de ordenador suministrado con
dicho objeto; como cuando se arrienda un ordenador con programas de ordenador
instalados previamente.
Art. 32. Las excepciones al derecho de autor establecidas en los artículos 30 y 31
son las únicas aplicables respecto a los programas de ordenador.
Las normas contenidas en el presente Parágrafo se interpretarán de manera que
su aplicación no perjudique la normal explotación de la obra o los intereses
legítimos del titular de los derechos.
La presente sección de artículos nos garantiza la protección intelectual de este proyecto
siendo un requisito indispensable para culminar la carrera universitaria.
47
LEY ORGÁNICA DE EDUCACIÓN SUPERIOR, LOES CAPITULO 2
PATRIMONIO Y FINANCIAMIENTO DE LAS INSTITUCIONES DE
EDUCACION SUPERIOR
Art. 20.- Del Patrimonio y Financiamiento de las instituciones del sistema de
educación superior.- En ejercicio de la autonomía responsable, el patrimonio y
financiamiento de las instituciones del sistema de educación superior estará
constituido por:
a) Los bienes muebles e inmuebles que al promulgarse esta Ley sean
de su propiedad, y los bienes que se adquieran en el futuro a
cualquier título, así como aquellos que fueron ofertados y
comprometidos al momento de presentar su proyecto de creación;
b) Las rentas establecidas en la Ley del Fondo Permanente de
Desarrollo Universitario y Politécnico
c) (FOPEDEUPO);
d) Las asignaciones que han constatado y las que consten en el
Presupuesto General del Estado, con los incrementos que manda la
Constitución de la República del Ecuador;
e) Las asignaciones que corresponden a la gratuidad para las
instituciones públicas;
f) Los ingresos por matrículas, derechos y aranceles, con las
excepciones establecidas en la Constitución y en esta Ley en las
universidades y escuelas politécnicas públicas;
g) Los beneficios obtenidos por su participación en actividades
productivas de bienes y servicios, siempre y cuando esa
participación no persiga fines de lucro y que sea en beneficio de la
institución;
h) Los recursos provenientes de herencias, legados y donaciones a su
favor;
i) Los fondos autogenerados por cursos, seminarios extracurriculares,
programas de posgrado, consultorías, prestación de servicios y
similares, en el marco de lo establecido en esta Ley;
48
j) Los ingresos provenientes de la propiedad intelectual como fruto de
sus investigaciones y otras actividades académicas;
k) Los saldos presupuestarios comprometidos para inversión en
desarrollo de ciencia y tecnología y proyectos académicos y de
investigación que se encuentren en ejecución no devengados a la
finalización del ejercicio económico, obligatoriamente se
incorporarán al presupuesto del ejercicio fiscal siguiente;
l) Los recursos obtenidos por contribuciones de la cooperación
internacional; y,
m) Otros bienes y fondos económicos que les correspondan o que
adquieran de acuerdo con la Ley.
Art. 3.- Recursos Públicos.- Para efecto de esta Ley se entenderán por recursos
públicos, todos los bienes, fondos, títulos, acciones, participaciones, activos,
rentas, utilidades, excedentes, subvenciones y todos los derechos que pertenecen
al Estado y a sus instituciones, sea cual fuere la fuente de la que procedan,
inclusive los provenientes de préstamos, donaciones y entregas que, a cualquier
otro título realicen a favor del Estado o de sus instituciones, personas naturales o
jurídicas u organismos nacionales o internacionales.
Los recursos públicos no pierden su calidad de tales al ser administrados por
corporaciones, fundaciones, sociedades civiles, compañías mercantiles y otras
entidades de derecho privado, cualquiera hubiere sido o fuere su origen, creación
o constitución hasta tanto los títulos, acciones, participaciones o derechos que
representen ese patrimonio sean transferidos a personas naturales o personas
jurídicas de derecho privado, de conformidad con la ley.
En la presente sección de artículos nos benefició a nosotros como estudiantes, mantener
una educación gratuita, que nos permitió culminar nuestros estudios de educación superior
49
CONSTITUCIÓN DE LA REPÚBLICA DEL ECUADOR
DECRETO 1014
SOBRE EL USO DEL SOFTWARE LIBRE
Para el desarrollo del aplicativo web para la automatización de los procesos de
registro de soporte TICS se ha empleado herramientas de código abierto, por lo
que si cumple con lo que establece la Constitución de la República del Ecuador
en su Decreto 1014:
Art. 1: Establecer como política pública para las entidades de administración
Pública central la utilización del Software Libre en sus sistemas y equipamientos
informáticos.
Art. 2: Se entiende por software libre, a los programas de computación que se
pueden utilizar y distribuir sin restricción alguna, que permitan el acceso a los
códigos fuentes y que sus aplicaciones puedan ser mejoradas. Estos programas
de computación tienen las siguientes libertades:
• Utilización del programa con cualquier propósito de uso común.
• Distribución de copias sin restricción alguna.
• Estudio y modificación de programa (Requisito: código fuente disponible).
• Publicación del programa mejorado (Requisito: código fuente disponible).
Art. 3: Las entidades de la administración pública central previa a la instalación
del software libre en sus equipos, deberán verificar la existencia de capacidad
técnica que brinde el soporte necesario para este tipo de software.
Art. 4: Se faculta la utilización de software propietario (no libre) únicamente
cuando no exista una solución de software libre que supla las necesidades
requeridas, o cuando esté en riesgo de seguridad nacional, o cuando el proyecto
informático se encuentre en un punto de no retorno.
Art. 5: Tanto para software libre como software propietario, siempre y cuando se
satisfagan los requerimientos.
Nacionales que permitan autonomía y soberanía tecnológica
50
• Regionales con componente nacional.
• Regionales con proveedores nacionales.
• Internacionales con componente nacional.
• Internacionales con proveedores nacionales.
• Internacionales.
Art. 6: La subsecretaría de Informática como órgano regulador y ejecutor de las
políticas y proyectos informáticos en las entidades de Gobierno Central deberá
realizar el control y seguimiento de este Decreto.
Art. 7: Encargue de la ejecución de este decreto los señores Ministros
Coordinadores y el señor Secretario General de la Administración Pública y
Comunicación (Rep, Subsecretar, & Inform, 2009).
La presente sección de artículos nos permite emplear el uso de software gratuito mediante
la institución de educación superior (Universidad de Guayaquil)
PREGUNTA CIENTÍFICA A CONTESTARSE
¿Cómo se ha venido desarrollando los sistemas educativos que identifiquen pieza
dental en un adulto mayor?
DEFINICIONES CONCEPTUALES
SEGMENTACIÓN
Se compone de pixeles que restauran una imagen por medio de fases esta se
requiere dividir una imagen en sus partes, con el propósito de agrupar las partes
que son de gran relevancia de la imagen (Herol-García & Escobedo-Nicot,
2007).
51
IMÁGENES
Una figura de un elemento en específico busca impresionar la percepción visual
del ser humano teniendo en cuenta este físico o digital (López, 2014).
PIEZAS DENTALES
Se las denomina como un cuerpo duro que, se encuentra encargado en la
mandíbula del ser humano y de muchos animales, está en descubierto, para luego
servir como un miembro de masticación (Aravena, 2012).
ANÁLISIS DIGITAL DE IMÁGENES
Llamado análisis de información por el cual está producido a través de las
imágenes en varios formatos. Por la tanto esto es de ayuda para un estudio digital
como el visual (procesamiento digital de imágenes) (Rogerio-Candelera & Linares,
2015).
PROCESAMIENTO DIGITAL DE IMÁGENES
Son métodos que se utilizan en las imágenes digitales con el propósito de
regenerar la calidad y apoya en la búsqueda de un buen reporte(Ortíz, 2013).
BASE DE DATOS
La base de datos es un sistema formado por un conjunto de datos almacenados
en discos que permiten el acceso directo a ellos y un conjunto de programas que
manipulen ese conjunto de datos(Pérez, 2010).
HTML
HTML son las siglas designadas para Hyper Text Markup Language, que traducido
al español significa Lenguaje de Marcas de Hipertexto. HTML es un lenguaje
utilizado en la informática, cuyo fin es el desarrollo de las páginas web, indicando
cuales son los elementos que la compondrán, orientando hacia cuál será su
estructura y también su contenido, básicamente es su definición; por medio del
HTML se indica tanto el texto como las imágenes pertenecientes a cada página
de internet(H Tecnología, 2015).
52
PHP
PHP este lenguaje es al que le debemos la visualización de contenido dinámico
en las páginas web. Todo el código PHP es invisible para el usuario, porque todas
las interacciones que se desarrollan en este lenguaje son por completo
transformadas para que se puedan ver imágenes, variedad de multimedia y los
formatos con los que somos capaces de interactuar añadiendo o descargando
información de ellos.(General, 2014)
CSS
El CSS (hojas de estilo en cascada) es un lenguaje que define la apariencia de un
documento escrito en un lenguaje de marcado (por ejemplo, HTML). Así, a los
elementos de la página web creados con HTML se les dará la apariencia que se
desee utilizando CSS: colores, espacios entre elementos, tipos de letra,
separando de esta forma la estructura de la presentación (Charland & LeRoux,
2011).
53
CAPITULO III
PROPUESTA TECNOLÓGICA
El presente proyecto se basa para un aporte tecnológico, asociado a la rama de
la medicina permitiendo la automatización del proceso en la detección de piezas
dentales aplicando algoritmo de redes neuronales para obtener con mayor
precisión la identificación de piezas dentarias, no obstante, se relaciona con
métodos de procesamiento digital de imágenes y procesamientos de
segmentación, que han sido utilizadas.
El desarrollo del guide se basa en la descripción de representaciones gráficas,
mediante la recolección de datos que será de beneficio para entrenar a la red con
respecto a los parámetros como área, etiqueta y efectividad. Como segundo
proceso es la ilustración de las piezas dentales la cuales serán segmentadas para
extraer y examinar los datos; por lo consecuente se aplicará algoritmos
matemáticos para la implementación y muestreo de cada pieza dentaria, y por
último el análisis de datos que serán arrojados mediante las representaciones
graficas que dará como respuesta la optimización y precisión sobre la
identificación de piezas dentales.
El proyecto se enfoca en la implementación de algoritmos de procesamiento de
imagen para clasificar las imágenes por piezas dentales con la colaboración de
módulos de entrenamiento de una red neuronal digital por capas, para tener un
resultado con mayor precisión del objeto para ello se implementó un
entrenamiento continuo con imágenes positivas y negativas de cada pieza dental.
Previo a la implementación se debe contar con programas, aplicaciones,
framework, lenguaje de desarrollo, librerías, etc.
El algoritmo supervisado en cascada a utilizar se ajusta a los parámetros y
modelos matemáticos para el resultado final es el algoritmo de redes neuronales
por capas, la cual le permita la identificación de cada pieza dental.
54
TIPOS DE INVESTIGACIÓN
Se han elegido un tipo de investigación para el presente proyecto con sus propias
características los cuales son los siguientes:
ANÁLISIS DE FACTIBILIDAD
Una vez que se tiene en claro las problemáticas y los conflictos viales, se realizara
la implementación para dar solución a través de algoritmos de redes neuronales
por capa para tener la optimización y eficiencia al momento de identificar de cada
pieza dental.
El presente proyecto tiene factibilidad de uso en la automatización de información
que serán representadas y consumidas mediante ilustraciones dentales. Así
mismo cuenta con los requerimientos y características necesarios para ser
detectados con precisión a su vez representarlo por la interfaz web donde se
demostrará los resultados del desarrollo del proyecto como un módulo del antes
mencionado.
FACTIBILIDAD TÉCNICA
De acuerdo a los requerimientos que se implantaron al proyecto está elaborado
para la inserción de una interfaz web educativa como primer punto debe de contar
con el procesamiento Matlab, para desde allí programar con algoritmos para la
segmentación de imagen y con la ayuda de la red neuronal la cual entrenará para
una detección supervisada y recolectará la información de la imagen, para así
obtener un resultado en este caso la identificación de la pieza dental.
HARDWARE
A continuación, se detalla las características de los equipos físicos, utilizados para
realizar de desarrollo del proyecto.
LAPTOP
• Intel(R) Core(TM) i3-7500U CP @ 2.70GHz (4 CPUs), ~2.9 GHz.
• Memoria RAM de 8 GB.
55
• Disco Duro de 1000 GB.
• Sistema Operativo Windows 10 Home 64 bits.
• Tarjeta de red.
LAPTOP
• Intel(R) Pentium Dual Core @ 2.20GHz (2 CPUs), ~2.2 GHz.
• Memoria RAM de 4GB.
• Disco Duro 500 GB.
• Sistema Operativo Windows 7 Ultimate x64 bits.
• Tarjeta de red.
SOFTWARE
Las herramientas que se utilizaron para elaborar el desarrollo de una interfaz
gráfica en su totalidad, el uso de sistemas de Matlab, se puede utilizar la versión
estudiante siendo una especie de versión de prueba.
Software utilizados para el desarrollo:
• Matlab.
• Toolbox.
• Deep Learning.
FACTIBILIDAD OPERACIONAL
En cuanto a la operabilidad del proyecto se puede manifestar que el sistema va a
ser muy sencillo de manipular, debido a que su funcionalidad es dinámica, en
conjunto con su aprendizaje de trayectorias más recurrentes. A nivel de
visualización el usuario podrá solo orientarse con cada nombre de la pieza dental,
y el sistema se encargará de subir la imagen este hará una consulta de todas las
segmentaciones de la imagen para una dar un mejor resultado en el ámbito de
detección de piezas dentales, analizará las imágenes dentarias y nos dará la
identificación precisa del diente.
56
GRÁFICO N°21. DISEÑO DE LA INTERFAZ GRÁFICA
Elaborado por: Katherine Anastacio y Eduardo Saverio. Fuente: Elaboración propia
FACTIBILIDAD LEGAL
De acuerdo con los procesos del proyecto estos se rigen a una ley o reglamento
de disponibilidad, uso e integración. Y con la factibilidad legal se puede deducir en
el siguiente cuadro con detalle las bases legales con su respetiva articulo o inciso.
CUADRO N° 4. BASES LEGALES CON SUS RESPECTIVOS ARTÍCULOS
BASE LEGAL ARTICULO O INCISO
Ley de propiedad intelectual Art.4,5y6
Objetivo al derecho del autor Art. 8
Titulares de los derechos Art.11 y12
Educación (Constitución de la república
del Ecuador)
Art. 350, 355 y 385
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
FACTIBILIDAD ECONÓMICA
Una vez analizado el costo económico del proyecto previo a la implementación
tanto como de software: aplicaciones, framework, sistema operativo entre otros, y
de hardware como equipo de cómputo donde se empleará, otros recursos físicos,
57
entre otros. Se conoce no se hizo gastos considerables. A continuación, se
mostrará en un cuadro sobre los costos empleados de hardware y software
detalladamente.
COSTOS VARIOS
Los costos varios son aquellos gastos invertidos en accesorios y material de
oficina y que son de uso diario tales como: cartuchos de impresora, marcadores,
papeles, plumas, etc. A continuación, se muestra una tabla que muestra estos
gastos.
CUADRO N° 5. COSTOS VARIOS
DESCRIPCIÓN PRECIO POR DÍA DÍAS PRECIO FINAL
Energía Eléctrica - 120 $90 Transportación $3.00 120 $360
Internet - 120 $100 Alimentación $3.00 120 $360 Impresiones - - $50
TOTAL $ 970
Elaborado por: Katherine Anastacio y Eduardo Saverio Fuente: Elaboración propia
CUADRO N° 6. COSTO TOTALES
DESCRIPCION PRECIO FINAL
COSTO DE DESARROLLO $4000.00 COSTOS VARIOS $920.00
TOTAL DE COSTOS $4920.00
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
ETAPAS DE LA METODOLOGÍA DEL PROYECTO
La metodología utilizada para el desarrollo del proyecto de un sistema para la
descripción de las piezas dentales en una interfaz gráfica. Para esto ha sido
seleccionada la metodología scrum, que es una metodología que contempla
trabajar con equipos reducidos, multidisciplinares, que trabajan en comunicación
directa utilizando ingeniería recurrente, en lugar de ciclos o fases secuenciales.
58
Reuniones de Planificación de Sprint
En la primera etapa de la metodología Scrum se define la lista de características
y funcionalidades como los Backlog del Producto que se realizará durante el
desarrollo del proyecto en curso, las mismas que se detallarán en cada una de las
reuniones de planificación donde el objetivo es completar cada iteración que se
realice, indicando al usuario el proceso final de cada iteración, donde se prepara
el producto para su entrega final.
Lista de Historia de Usuario
1. Investigación Preliminar.
2. Instalación de herramientas a utilizar en el desarrollo del sistema.
3. Diseño y elaboración de la interfaz gráfica.
4. Diseño de Interfaz del Servicio Web.
5. Desarrollo del módulo para la detección de piezas dentales.
A continuación, se detallará las reuniones diarias que se tendrán en el transcurso
del presente proyecto:
CUADRO N° 7. SCRUM DIARIOS
ID Nombre Importancia Esfuerzo Estimación
(días) Sprint
1
Investigación
Preliminar del proyecto
100
5
2
1
2
Instalación de herramientas a utilizar
en el desarrollo del sistema
90
4
2
1
3
Diseño y Elaboración de la interfaz gráfica
100
5
5
2
4
Diseño de Interfaz de Servicio Web
80
4
3
2
5
Desarrollo de los módulos de la detección de piezas dentales
100
5
15
3
Elaborado por: Katherine Anastacio y Eduardo Saverio. Fuente: Elaboración propia.
59
EL DESARROLLO DEL TRABAJO
El grupo de trabajo se compromete a realizar y cumplir con todos los
requerimientos planteados por el propietario de la cual se estableció los sprints
con las reuniones planificadas anteriormente, e incluso en caso de ocurrir
modificaciones en alguno de los sprint que fueron definidos el equipo de proyecto
se encargará de realizarlo con resultados favorables y satisfactorios para el
Product Ower.
Detallamos a continuación la estructura de cómo funcionará el sistema planteado.
Se dará a conocer de manera detallada todo el proceso de desarrollo y el modo
de uso correcto de la interfaz en el que se especificará a continuación mediante
gráficos el proceso adecuado que el usuario debe seguir para la utilización del
sistema.
Product Backlog
El Product Backlog está conformado por 4 casos de uso cada uno con su
respectiva especificación, se utiliza para priorizar o detallar una lista de historia de
usuarios, en este parte se puede observar todos los procesos de la interfaz gráfica
para observar sus fases respectivo, de esta forma se da prioridad a las tareas con
mayor relevancia.
Revisión de los Sprints
En esta parte el propietario comprueba el progreso del sistema revisando que se
haya cumplido con todo lo establecido en los Scrum diarios de acuerdo a los
componentes y módulos que le están siendo presentados de manera que se
verifiquen que el funcionamiento tanto del aplicativo móvil como del servicio web
estén trabajando correctamente.
A continuación, se detallará los 4 sprint que fue establecido en los scrum diarios
los cuales son:
• Sprint 1: Levantamiento de Información del proyecto.
• Sprint 2: Diseño de la Estructura de interfaz Gráfica.
• Sprint 3: Diseño de servicio web.
60
• Sprint 4: Desarrollo de los módulos de la detección de piezas dentales.
Sprint 1: Levantamiento de Información del proyecto
En este sprint se formuló el desarrollo de la historia de usuario que se detalla a
continuación:
CUADRO N° 8. SPRINT 1 – LEVANTAMIENTO DE INFORMACIÓN
DEL PROYECTO
Sprint 1 Prioridad Estado
Investigación Preliminar
Reunión con el tutor Alta Finalizado
Planificar reuniones y entrevistas Alta Finalizado
Instalación de Herramientas para el desarrollo del sistema
Instalación de diferentes lenguajes de programación Medio Finalizado
Instalación de Matlab Medio Finalizado
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
En la siguiente tabla se presenta el product blackog que son todos los
requerimientos necesarios que se recabaron para el desarrollo del presente
proyecto.
CUADRO N° 9. SPRINT 1 - HISTORIA DE USUARIO 1
HU01 Investigación Preliminar
ROL: Desarrollador
Quiero visualizar: Requerimientos establecidos por el cliente
Para qué lo realizo: Para tener información clara para el desarrollo del sistema
Condiciones • Cumplir con los requerimientos iniciales.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
61
CUADRO N° 10. SPRINT 1 - HISTORIA DE USUARIO 2 HU02 Instalación de herramientas para el desarrollo del sistema
ROL: Desarrollador
Quiero
visualizar:
Instalación de todas las plataformas de desarrollo para la
elaboración del proyecto planteado.
Para qué lo
realizo:
Para poder empezar con el desarrollo de los módulos que con
llevan el servicio web.
Condiciones • Instalación de matlab.
• Instalación de los complementos de los programas.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
Durante el levantamiento de información para el desarrollo del presente proyecto se determinó que se utilizarán varias herramientas tecnológicas que se empelarán al momento de trabajar en la aplicación móvil y servicio web.
Herramientas que se utilizaron para el desarrollo del Servicio Web
• Css.
• Html.
• Php.
• Hosting.
Sprint 2: Diseño de la Estructura de la Interfaz Gráfica
En la siguiente tabla se puede visualizar las actividades que se realizaron en el
Sprint 2, en el que se indica que contiene las tareas planificadas y realizadas por
cada iteración las cuales ninguna fue negada por parte del equipo de trabajo.
62
CUADRO N° 11. SPRINT 2 – DISEÑO, ELABORACIÓN DE LA
INTERFAZ GRÁFICA Y EL SERVICIO WEB Sprint 2 Prioridad Estado
Diseño de interfaz del Servicio web
Elaboración del diseño inicial de la interfaz web Medio Finalizado
Elaboración del diseño inicial del usuario Medio Finalizado
Diseño de interfaz Gráfica
Elaboración del diseño inicial de la interfaz gráfica Medio Finalizado
Elaboración del diseño inicial de usuario general Medio Finalizado
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
CUADRO N° 12. SPRINT 2 - HISTORIA DE USUARIO 3
HU04 DISEÑO DE INTERFAZ DEL SERVICIO WEB
ROL: Usuario
Quiero visualizar: Logotipo y colores característicos de Dientes
Para qué lo realizo: Para que los usuarios se sientan muy conforme con la
interfaz y su vez adquirir conocimientos de sus piezas
dentarias.
Condiciones
• Amigable para el usuario.
• Acceso rápido.
• Fácil manejo y adaptación.
• El sistema debe poseer colores que puedan
reflejar una atención por el usuario.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
63
CUADRO N° 13. SPRINT 2 - HISTORIA DE USUARIO 3 HU04 DISEÑO DE INTERFAZ GRÁFICA
ROL: Usuario
Quiero visualizar: característicos de Dientes
Para qué lo realizo: Para que los usuarios se sientan muy conforme con la
interfaz y su vez adquirir conocimientos de sus piezas
dentarias.
Condiciones
• Amigable para el usuario.
• Fácil manejo y adaptación.
• El sistema debe poseer colores que puedan
reflejar una atención por el usuario.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
Sprint 4: Desarrollo de los módulos en el Servicio Web
Se podrá observar a continuación que el Sprint 4 se desarrolló sin ninguna
interrupción obteniendo un estado finalizado sin presentar ningún inconveniente.
CUADRO N° 14. SPRINT 4 - DESARROLLO DEL MÓDULO PARA LA
DETECCIÓN DE PIEZAS DENTALES
Sprint 4 Prioridad Estado
Desarrollo de los módulos de Imagen
Desarrollo del módulo de imagen Alta Finalizado
Desarrollo del módulo segmentación de imagen Desarrollo del módulo de pre-procesamiento de imagen
Alta Finalizado
Desarrollo del módulo del PDI Alta Finalizado Desarrollo del módulo detección de características
Generación de informes en el módulo de características Alta Finalizado Generación de gráficos de las características encontradas
Alta Finalizado
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
64
CUADRO N° 15. SPRINT 4 - HISTORIA DE USUARIO 8
HU08 Desarrollo del módulo de Imagen
ROL: Usuario
Quiero visualizar: Esta historia el usuario podrá subir una imagen
Para qué lo realizo:
Para que el usuario pueda visualizar la imagen a
través de las técnicas del PDI
Condiciones
• Amigable con el usuario.
• Acceso rápido.
• Fácil manejo y adaptación.
• El sistema debe procesar la imagen en
tiempo real.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
CUADRO N° 16. SPRINT 4 – HISTORIA DE USUARIO 9
HU09 Desarrollo del módulo de segmentación de imagen
ROL: Usuario
Quiero visualizar: Esta historia el usuario podrá visualizar por medio de
imagen los procesas de cada técnica del PDI.
Para qué lo realizo:
Para que el usuario pueda visualizar la imagen a través
de las técnicas del PDI
Condiciones
• Amigable con el usuario
• Acceso rápido
• Fácil manejo y adaptación
• El sistema debe procesar en tiempo real.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
65
CUADRO N° 17. SPRINT 4 – HISTORIA DE USUARIO 10
HU09 Desarrollo del módulo detección de características de imagen
ROL: Usuario
Quiero visualizar: Esta historia el usuario podrá visualizar por medio de
imagen los procesas de cada técnica del PDI y podrá
visualizar todas las características encontradas.
Para qué lo
realizo:
Para que el usuario pueda visualizar la imagen a
través de las técnicas del PDI y así tener
conocimiento de cada propiedad de una pieza
dentaria.
Condiciones
• Amigable con el usuario
• Acceso rápido
• Fácil manejo y adaptación
• El sistema debe procesar en tiempo real.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Datos de la Investigación.
DIAGRAMA DE CASO DE USO
A continuación se muestra en el gráfico 24 el caso de uso correspondiente del
presente proyecto la cual se distingue cuatro casos de uso e ira describiendo con
cada caso que se explicará a continuación.
66
GRÁFICO N°22.DIAGRAMA DE CASO DE USO
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Caso de uso 1
GRÁFICO N°23. DESCRIPCIÓN DEL CASO 1.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
1. Preparación de las imágenes del clasificador
•1.1. Descripción: En este caso deuso se preparan las imágenes paraque estén en el formato adecuado yser utilizadas por el clasificador.
2. Flujo de Eventos
•2.1. Flujo Básico
•1. Introducir en una carpeta todaslas imágenes que se utilizarán comopositivos para el entrenamiento delclasificador, y en otra carpeta lasimágenes que se usarán comonegativos.
•2. Aplicar el programaPreparaImagen.exe, que realiza laoperación Canny a cada una de lasimágenes. Una vez finalizado,modificar las imágenes para quetengan 24 bits de profundidad.
67
Caso de uso 2
GRÁFICO N°24. DESCRIPCIÓN DEL CASO 2
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Caso de uso 3
GRÁFICO N°25. CASO DE USO 3
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
1. Creación de la matriz de positivos
•1.1. Descripción
•En este caso de uso secrea una matriz a partirde las imágenespositivas,
•que será utilizada parael entrenamiento delclasificador.
2. Flujo de Eventos
•2.1. Flujo Básico
•1. Introducir en elcódigo deDemotMatlabEngine.cpp la dirección de lacarpeta que contienelos positivos. Indicar elnúmero de círculos ysectores que usará eldescriptor, así como elnombre con el que sedesea que se guardenlos datos.
3. Precondiciones
•3.1. Haber preparadolas imágenes medianteel caso de uso 1.
•3.2. Incluir en el pathde matlab la carpetaque contiene lasimágenes positivas.
•3.3 Disponer de lalibreríaDescriptor_Mex.dll.
1. Entrenamiento de la cascada
•1.1. Descripción
•En este caso de uso seobtiene un clasificadora partir de la matrizcon la informaciónsobre los positivos.
2. Flujo de Eventos
•2.1. Flujo Básico
•1. Abrir Matlab y cargar la matriz.
•2. Ejecutar el entrenador por medio de red neurnal.
•3. Guardar el resultado del entrenador en un archivo .xml.
3. Precondiciones
•3.1. Haber preparadolas imágenes medianteel caso de uso 2.
•3.2. Disponer de lalibreríaDescriptor_Mex.dll.
68
Caso de uso 4
GRÁFICO N°26. DESCRIPCIÓN DEL CASO 4
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
DISEÑO E IMPLEMENTACIÓN DEL PROYECTO Algoritmos
El presente software este determinado por los siguientes pseudocódigos. Los
algoritmos de entrenamiento y para el proyecto están detallados a continuación:
Algoritmo 1: Software De Detección
La Parte primordial del código, se encarga en gestionar el recorrido de la imagen
y aplicar el método o función de detección.
1. Detección
•1.1. Descripción
•En este caso de uso se detectan los objetos que pueden aparecer en una imagen a partir del clasificador entrenado en el caso de uso 3.
2. Flujo de Eventos
•2.1. Flujo Básico
•1. Introducir los valores yarchivos que se utilizaránpara la detección.
•2. Carga de la imagen aanalizar.
•3. Carga de la cascada enmemoria.
•4. Recorrido de la imagenen busca de los objetos.
•5. Los resultados sefiltran para eliminarposibles falsos positivos.
•6. El resultado del filtradodel paso 5 se guarda enun archivo y es mostrado.
•2.2 Flujo alternativo
•2.2.1. En el paso 2.
•La imagen indicada noexiste, el programafinaliza.
•2.2.2. En el paso 3.
•El archivo con la cascadano existe, el programafinaliza.
3. Precondiciones
•3.1. Disponer de la cascada entrenada en el caso de uso 3.
69
GRÁFICO N°27. ALGORITMO 1: SOFTWARE DE DETECCIÓN
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Algoritmo 2: Carga del clasificador
El pseudocódigo de carga del clasificador detalla el proceso del método que
realiza la carga del archivo que contiene el clasificador en la estructura para su
posterior utilización.
GRÁFICO N°28. ALGORITMO 2: CARGA DEL CLASIFICADOR
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Apertura del archivo
Mientras el archivo tenga líneas.
Si la línea indica inicio de nivel.
Cargar valores de nivel
Mientras la línea no indique final de nivel.
Cargar datos de características
Fin de nivel.
Fin del archivo
Carga de la imagen a analizar y de la imagen en la que se guardan los datos.
Carga del archivo del clasificador.
Procesar la imagen mediante proyección para reducir el tamaño si así se desea
Preparación de la imagen para ser analizada por el detector
Desde el tamaño mínimo de la ventana de detección hasta el máximo,
incrementándose en el factor indicado.
Desde el punto inicial hasta el tamaño de la imagen menos el de la ventana
en el eje y, incrementándose en el factor indicado.
Desde el punto inicial hasta el tamaño de la imagen menos el de la
ventana en el eje x, incrementándose en el factor indicado.
Aplicar el detector a la ventana.
Si la ventana es un positivo, marcarla en la imagen de salida y
guardar los valores en la lista de positivos
Finalizar el recorrido en x.
Finalizar recorrido en y.
Finalizar el incremento del tamaño de la ventana.
Calcular intersecciones de positivos.
Mostrar resultados.
70
Algoritmo 3: Proyección
El pseudocódigo de carga del clasificador detalla el proceso del método que utiliza
el algoritmo de proyección para reducir el tamaño de la imagen y acelerar el tiempo
de proceso de la aplicación.
GRÁFICO N° 29. ALGORITMO 3: PROYECCIÓN
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Desde el inicio de la imagen hasta el final en el eje x.
Desde inicio de la imagen hasta el final en el eje y.
Si el píxel no es blanco, se incrementa la suma en 1.
Si la suma es mayor de 1.
Si el punto menos el margen no está fuera de la imagen, marcamos
como margen lateral izquierdo el punto menos el margen.
Salimos del bucle.
Desde el final de la imagen hasta el inicio en el eje x.
Desde el inicio de la imagen hasta el inicio en el eje y.
Si el píxel no es blanco, se incrementa la suma en 1.
Si la suma es mayor de 1.
Si el punto más el margen no está fuera de la imagen, macamos como
margen lateral derecho el punto más el margen.
Salimos del bucle.
Desde el inicio de la imagen hasta el final en eje y.
Desde el inicio de la imagen hasta el final en el eje x.
Si el píxel no es blanco, se incrementa la suma en 1.
Si la suma es mayor de 1.
Si el punto menos el margen no está fuera de la imagen, marcamos como
margen superior el punto menos el margen.
Salimos del bucle.
Desde el final de la imagen hasta el inicio en el eje y.
Desde el inicio de la imagen hasta el final en el eje x.
Si el píxel no es blanco, se incrementa la suma en 1.
Si la suma es mayor de 1.
Si el punto más el margen no está fuera de la imagen, marcamos
como margen lateral inferior el punto más el margen.
Salimos del bucle.
Si algún no es el original.
Copiamos la región indicada en una imagen nueva.
Retornamos la imagen nueva.
Retornamos la imagen original.
71
Algoritmo 4: Detector
El algoritmo del detecto explica el algoritmo de detección utilizado para detectar
los posibles objetos dentro de las imágenes.
GRÁFICO N°30. ALGORITMO 4: DETECTOR
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
ALGORITMO DE APRENDIZAJE DEL CLASIFICADOR
El aprendizaje es el proceso de estimación de una dependencia desconocida
(entrada, salida) o estructurada de un sistema utilizando un número limitado de
observaciones como se muestra en la siguiente Ilustración. El esquema de
aprendizaje incluye tres componentes:
1. Un generador de vectores de entrada aleatorios.
2. Un sistema que proporciona una salida para un vector de entrada dado.
3. Una máquina de aprendizaje que estima una relación desconocida
(entrada, salida) del sistema a partir de las muestras observadas (entrada,
salida).
Obtener región a analizar de la imagen total.
Describir la región.
Mientras queden niveles del clasificador.
Mientras queden características del nivel.
Si la polaridad es -1, y el valor de la región indicada por la
característica es mayor que el theshold de la característica, se
incrementa la suma en la Alpha de la característica.
Si la polaridad es 1, y el valor de la región indicada por la
característica es menor que el threshold de la característica, se
incrementa la suma en la Alpha de la característica.
Fin de las características.
Si la suma es menor que el threshold del nivel.
72
GRÁFICO N°31. MÁQUINA DE APRENDIZAJE
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
El clasificador está basado en una cascada de clasificadores binarios entrenados
mediante el algoritmo de Adaboost descrito a continuación.
Dadas las imágenes de ejemplo (𝑥1,𝑦1 ), … , (𝑥𝑛,𝑦𝑛) donde 𝑦𝑖 = 0,1 para los
ejemplos negativos y positivos respectivamente.
• Inicializamos los pesos para respectivamente 𝜔1,𝑖 =1
2𝑚,
1
2𝑛 para 𝑦𝑖 = 0,1
respectivamente donde 𝑚 y 𝑙 son el número de negativos y positivos
respectivamente.
• Para 𝑡 = 1, … , 𝑇:
1. Normalizar los pesos, 𝜔𝑡,𝑖 ←𝜔𝑡,𝑖
∑ 𝜔𝑡,𝑗𝑛𝑗=1
De manera que 𝜔𝑡 es una distribución de probabilidad.
2. Para cada característica, j, entrenar un clasificador hj que está restringido
a usar una sola característica. El error es evaluado con respecto a
𝜔𝑡 ,𝜖𝑗 = ∑ 𝜔𝑖|ℎ𝑗(𝑥𝑖) − 𝑦𝑖|
𝑗
𝑖
3. Escoger el clasificador, hj, con el menor error 𝜖𝑡
4. Se actualiza los pesos:
𝜔𝑡 + 1, 𝑖 = 𝜔𝑡,𝑖𝛽𝑡1−𝑒𝑖
Donde 𝑒𝑖 = 0 si el ejemplo 𝑥, se ha clasificado correctamente, 𝑒𝑖 = 1 en
caso contrario, y 𝛽𝑡 =𝜖𝑡
1−𝜖𝑡
Generador
de muestra Máquina de
aprendizaje
sistema
X y
y
73
• El clasificador fuerte final es:
ℎ(𝑥) = { ∑ 𝛼𝑡ℎ𝑡(𝑥) ≥1
2
𝑇
𝑡=101 ∑ 𝛼𝑡
𝑇
𝑡=1
donde 𝛼𝑡 = log1
𝛽𝑡
Una vez obtenemos un clasificador, entrenamos los siguientes teniendo en
cuenta los casos negativos no descartados por los clasificadores anteriores.
GRÁFICO N° 32. EJECUCIÓN DE LA RED NEURONAL
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
74
ENTRENAMIENTO
Para el entrenamiento del clasificador en Matlab necesitaremos los siguientes
datos:
• Una matriz que contiene en cada fila una imagen positiva a la cual se le
ha aplicado la función Canny.
• Número de negativos que se quieren utilizar para entrenar cada nivel de
la cascada.
• Número de niveles que se desean entrenar.
• Porcentaje de acierto mínimo para pasar al siguiente nivel. El clasificador
de ese nivel debe clasificar como positivo el porcentaje indicado.
• Porcentaje de error máximo para pasar al siguiente nivel. El porcentaje
máximo de negativos que el clasificador puede clasificar como positivos
en un nivel.
• Una carpeta que contiene las imágenes negativas, a las cuales se les ha
aplicado la función Canny. Es necesario que las imágenes negativas no
contengan ninguna de las imágenes positivas.
• Formato en el que se encuentran las imágenes negativas.
• Tamaño mínimo en el eje y de los negativos a utilizar. El entrenador del
clasificador selecciona regiones al azar de las imágenes negativas para
usarlas. Esta región debe tener como mínimo el tamaño indicado, si no
se descartará y se seleccionará otra.
• Tamaño mínimo en el eje x de los negativos a utilizar. El mismo caso
que en el eje Y.
• Número de iteraciones máximas que se usaran por nivel. El entrenador
intentara cumplir las condiciones de porcentaje de acierto mínimo y de
error máximo en un número concreto de iteraciones.
• Número de círculos que utilizara el descriptor. Debe ser el mismo que se
usó para describir a los positivos de la matriz.
• Número de sectores que utilizara el descriptor. Debe ser el mismo que
se usó para describir a los positivos de la matriz
75
EXTRACCIÓN DE CARATERÍSTICAS
Ahora bien, la extracción de características sobre las piezas dentales analizadas
se realizó con la segmentación de la pieza dental. Las características que se han
extraído son: área total, entropía, contraste, correlación, energía, homogeneidad
y salida. Las características mencionadas serán de gran aporte al momento de
llevarlo a la siguiente etapa de clasificación.
De igual forma, por medio de la morfología matemática aplicada al procesamiento
digital te imagen, se han podido obtener y representar las características de las
imágenes procesadas mediante la aplicación de ciertas ecuaciones. A
continuación, se presenta las ecuaciones empleadas.
Entropía: permite medir la incertidumbre que existe en correspondencia a la
distribución de los pixeles que posee la imagen en estudio. Su fórmula matemática
para calcular es la siguiente:
− ∑ ∑ 𝑝(𝑖, 𝑗)log (𝑝(𝑖, 𝑗))𝑗𝑗
Contraste: facilita observar la iluminación y poder diferenciar la intensidad que
posee la imagen en análisis. Su fórmula matemática para calcular es la siguiente:
∑ 𝑛2 {∑ ∑ 𝑝(𝑖, 𝑗)𝑁𝑔
𝑗=1
𝑁𝑔
𝑖=1} , |𝑖, 𝑗|
𝑁𝑔−1
𝑛=0= 𝑛
Correlación: es un método estadístico el cual permite conocer si existe relación
alguna entre las variables, es decir, posibilita realizar la medición de
desplazamiento o deformaciones de los pixeles que componen la imagen en
estudio. Para el cálculo de la correlación se emplea la siguiente fórmula:
∑ ∑ (𝑖, 𝑗)𝑝(𝑖, 𝑗) − 𝜇𝑥𝜇𝑦𝑗𝑖
𝜎𝑥𝜎𝑦
Energía: facilita la suma de los elementos cuadrados a través de la matriz de
coocurrencia de nivel gris (GLCM), es decir, se encarga de maximizar los valores
grandes y así mismo, disminuir los valores más pequeños. Su fórmula es la que
se presenta a continuación:
76
∑ ∑ (𝑖, 𝑗)2
𝑗𝑖
Homogeneidad: está conforma por aquellos elementos donde los pixeles que
poseen igual valor, así miden la proximidad existente de la distribución de
elementos de la GLCM; es decir mide la igualdad o semejanza, si concuerda
tendrá un solo valor igual a 1, en caso contrario, se tomará tomo nulo y su valor
es de 0. La fórmula de la ecuación es la siguiente:
∑ ∑1
1 = (𝑖, 𝑗) 2 𝑝(𝑖, 𝑗)𝑗𝑖
GRÁFICO N°33. DETECCIÓN DE CARACTERÍSTICAS
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
DIAGRAMA DE SECUENCIAS
Los diagramas de secuencia que se hallan a continuación, se presenta el
funcionamiento interno del software.
En el gráfico n°29 muestra a trávez de un diagrama de secuencia del código
principal. En el presente gráfico se puede observar el recorrido en los ejes que
realiza el software sobre la imagen para los diversos tamaños de la ventana del
descriptor. Este diagrama describe el escenario en el caso de que no se produzca
ningún error.
En el gráfico n°30 muestra la secuencia del método de la proyección, cuyo fin es
reducir el tamaño de la imagen para acelerar el proceso de cálculo. En el diagrama
se detalla al flujo para calcular el margen izquierdo y derecho de la imagen. El
cálculo del margen superior e inferior se realiza de manera análoga.
77
Cargar imagen
Guardar positivo
Muestra Resultado
Usuario
GRÁFICO N° 34. SECUENCIA PRINCIPAL
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio.
Interfaz Detector Proyección
Cargar Cascada
Proyección Imagen
Para cada tamaño de ventana
Desplazándose en el eje y
Desplazándose en el eje x
Aplicar detector
Detector
78
Proyección
Suma pixeles negros
Margen nuevo=x-margen
Suma pixeles negros
Margen
nuevo=x + margen
Imagen modificada
Imagen Original
GRÁFICO N°35. DIAGRAMA DE SECUENCIA MÉTODO DE
PROYECCIÓN
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Suma >1
Desplazándose en el eje y 0-final
Desplazándose en
el eje x 0-final
Desplazándose en
el eje y 0-final
Desplazándose en el eje x 0-final
Suma >1
Repetir el proceso
en el eje y
Margen cambiada
Proyección
79
Detectado
En el grafico n°31 manifiesta el funcionamiento interno del detector. El diagrama
de secuencia de detector muestra los dos posibles retornos del método. Si en
algún nivel no se supera el threshold, el método retorna no detectado. Si se
superan todos los niveles el método retorna detectado.
GRÁFICO N°36.DIAGRAMA DE SECUENCIA DEL DETECTOR
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
Detector
Detector Describir imagen
Para todos los niveles de la cascada
Para cada
característica
Polaridad=-1&
Valor descriptor
mayor Threshold
Polaridad=1&
Valor descriptor
mayor Threshold
Suma Alpha
Suma Alpha
Suma menor threshold nivel
No detectado
80
DETECCIÓN
Para la detección de objetos en imágenes tendremos que tener los siguientes datos:
• Una imagen de entrada. Ésta es la imagen que se desea analizar y debe de estar
en formato png.
• Un nombre para la imagen de salida. La imagen debe de tener alguno de los
formatos aceptados por la librería de matlab. En nuestro caso para mostrarlos
por la interfaz utilizaremos el formato png.
• Un archivo con la cascada de clasificadores entrenada. Debemos saber qué
número de círculos y sectores se ha utilizado en el descriptor a la hora de
entrenarla.
• Un número máximo de niveles a cargar del clasificador. Dejamos que se pueda
seleccionar este parámetro para poder detectar casos de sobreentrenamiento en
el clasificador y corregirlos sin necesidad de entrenar otra cascada.
• Un tamaño mínimo de la ventana detectora. Este tamaño debe ser
aproximadamente el cuadrado más pequeño que pueda contener el objeto a
detectar.
• Un tamaño máximo de la ventana detectora. Éste será mayor que el mínimo, y
nos indicará hasta que tamaño debemos buscar objetos.
• Como se irá incrementando el tamaño de la ventana detectora, y el tamaño en el
cual se incrementa. Puede ser sumando píxeles al tamaño anterior o
multiplicándolo por un factor.
• Como se desplazará la ventana detectora y el factor de desplazamiento. Como
en el caso del incremento, el desplazamiento por cada tamaño de la ventana
puede ser siempre el mismo, aumentar multiplicándolo por un factor, o que
mantenga siempre la misma relación de tamaño respecto a la primera ventana
detectora.
• Número de intersecciones y tamaño de éstas sobre un objeto para considerarlo
positivo. Nos indica el número de detecciones que ha de darse sobre una zona
para considerar que contiene una imagen positiva.
• La operación de preproceso que se desea aplicar a la imagen. Podemos elegir
no realizar ningún tipo de preproceso o realizar proyección, en cuyo caso
deberemos indicar un margen que se añadirá a la imagen una vez se haya
realizado la operación.
•
•
81
USO DE DEEP LEARNING EN EL PROYECTO
Después de la detección de características, a trávez de la arquitectura de una red
neuronal convolución se cambia a clasificación de capa siguiente a la última es
una capa totalmente conectada al fondo competitivo que genera un vector de X
dimensiones donde Y es el número de clases que la red podrá predecir. Este
vector contiene la probabilidad para cada clase de cualquier imagen siendo
clasificada. La capa final de la arquitectura una red neuronal convolución utiliza
una función para proporcionar la salida de clasificación y así poder identificar la
pieza dental a través de una imagen y con un profundo aprendizaje se pudo
detectar el objeto como se muestra en el gráfico n°31 y en el gráfico n°32 se
representa el flujo de trabajo para el reconocimiento de la pieza dentaria.
GRÁFICO N° 37. USO DE DEEP LEARNIG
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
Entrada
extraer de características Comparación
82
GRÁFICO N° 38. FLUJO DE TRABAJO PARA EL RECONOCIMIENTO
DE OBJETOS
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
PLAN DE PRUEBAS FUNCIONALES
Las pruebas funcionales nos proporcionarán evaluar el funcionamiento del
sistema y los resultados del mismo, se analizará el comportamiento de los datos
de entrada y salida bajo un entorno de pruebas. Mediante prueba de caja negra
se interpretará los datos entrantes y salientes del sistema y comprobar si cumplen
los resultados esperados.
GRÁFICO N° 39.PRUEBAS FUNCIONALES SPRINT #4
Información General
MÓDULO Imagen
PROPÓSITO Cargar imagen, limpiar imagen, encender cámara,
capturar imagen, histograma.
Ubicación C:/Users/detección_dental/Desktop/www/index.html
RESPONSABLE Autores del proyecto
PRERREQUISITOS
Ninguno
DESCRIPCIÓN DE CASOS DE PRUEBA
Primer Premolar
83
1. Ingresar la imagen al sistema
2. Visualizar la imagen en un axes
3. Encender cámara
4. Capturar imagen
5. Visualizar en un axes el histograma de la imagen ingresada.
Método: Caja negra
ENTRADAS:
1. [nombre dire] = uigetfile("*.png","subir");- subir imagen
2. vid= videoinput('winvideo', 1, 'YUY2_160x120'); - encender camara
3. captura = getsnapshot(vid);- capturar imagen
4. grayImg=mat2gray(img1); - histograma de la imagen cargada
PANTALLAS A PROBAR:
R1 Pantalla de imagen
INSTRUCCIONES DE PRUEBA
1. Dar clic en el botón cargar imagen.
2. Buscar imagen que desea subir.
3. Dar clic en el botón recortar imagen.
4. Dar clic en el botón encender cámara.
5. Capturar imagen.
6. Dar clic en el botón histograma.
CRITERIOS DE ACEPTACIÓN
1. Los resultados de las pruebas no contienen errores.
Elaborado por: Katherine Anastacio y Eduardo Saverio. Fuente: Katherine Anastacio y Eduardo Saverio.
84
GRÁFICO N° 40. PRUEBA FUNCIONALES SPRINT #4
Información General
MÓDULO segmentación de imagen
PROPÓSITO Técnicas del PDI, técnicas de pre-
procesamiento de imagen
Ubicación C:/Users/Eduardo/Desktop/www/index.html
RESPONSABLE Autores del proyecto
PRERREQUISITOS
Ninguno
DESCRIPCIÓN DE CASOS DE PRUEBA
1. Visualizar la imagen subida por el usuario
2. Elaborar los modelos de algoritmos de segmentación de imagen
3. Procesar la imagen a través de las técnicas del PDI
Método: Caja negra
ENTRADAS:
1. im=handles.img;
2. erosion=imerode(im,se);
3. filtro=imnoise(im,'salt & pepper',0.05);
4. ruido_gausiano = imnoise(im,'gaussian');
5. filtroTOPHAT=imtophat(img_gris,se);
6. img_kmedia= kmeans (img_canny,3);
7. seD = strel('diamond',1);
8. img_canny=edge(fbinaria,'canny ');
9. img_sobel=edge(img_binaria,'sobel');
10. img_dilatada = imdilate(im,se);
11. BWsdil = imdilate(BWs, [se90 se0]);
12. BWfinal = imerode(BWnobord,seD);
PANTALLAS A PROBAR:
R2. Pantalla de segmentación
85
INSTRUCCIONES DE PRUEBA
1. Cargar la imagen al abrir la interfaz de usuario, dando clic en el botón
cargar imagen.
2. Procesar la imagen y dando clic en cada uno de los botones de todas
las técnicas de procesamiento y pre- procesamiento de imagen.
CRITERIOS DE ACEPTACIÓN
1. Los resultados de las pruebas no tuvieron errores
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
GRÁFICO N° 41. PRUEBAS FUNCIONALES SPRINT #4
Información General
MÓDULO Detección de características
PROPÓSITO detección de características, muestra de
características.
Ubicación C:/Users/Eduardo/Desktop/www/index.html
RESPONSABLE Autores del proyecto
PRERREQUISITOS
Ninguno
86
DESCRIPCIÓN DE CASOS DE PRUEBA
1. Detectar las características de la pieza dental
2. Mostrar características de la pieza dental
Método: Caja negra
ENTRADAS:
1. [ref_features, ref_validPts] = extractFeatures(ref_img_gray, ref_pts);
2. image = imcrop(ref_img,[ref_pts(i).Location-10*scale 20*scale 20*scale]);
3. rectangle('Position',[5*scale 5*scale 10*scale
10*scale],'Curvature',1, 'EdgeColor','g');
PANTALLAS A PROBAR:
R3. Pantalla Detección de características.
INSTRUCCIONES DE PRUEBA
1. Cargar la imagen al abrir la interfaz de usuario.
2. La segmentación previamente pre-escrita, dando clic botón en el
detector de características y también dando clic en el botón en la
muestra de características.
CRITERIOS DE ACEPTACIÓN
1. Los resultados de las pruebas no tienen errores.
Elaborado por: Katherine Anastacio y Eduardo Saverio.
Fuente: Katherine Anastacio y Eduardo Saverio.
87
GRÁFICO N° 42. PRUEBAS FUNCIONALES SPRINT #4
Información General
MÓDULO Propiedades detectadas
PROPÓSITO propiedades de la pieza dental.
Ubicación C:/Users/Eduardo/Desktop/www/index.html
RESPONSABLE Autores del proyecto
PRERREQUISITOS
Ninguno
DESCRIPCIÓN DE CASOS DE PRUEBA
1. Detectar las características de la pieza dental
2. Mostrar propiedades detectadas de la pieza dental estos ya sea área y
el nombre.
Método: Caja negra
ENTRADAS:
ar=handles.final;
Area = bwarea(ar)
PANTALLAS A PROBAR:
R4. Pantalla Propiedades Detectadas
88
INSTRUCCIONES DE PRUEBA
1. Cargar la imagen al abrir la interfaz de usuario.
2. Las propiedades detectadas previamente pre-escrita, dando clic botón
en las propiedades detectadas.
CRITERIOS DE ACEPTACIÓN
1. Los resultados de las pruebas no deben contener errores
Elaborado por: Katherine Anastacio y Eduardo Saverio. Fuente: Katherine Anastacio y Eduardo Saverio.
ENTREGABLES DEL PROYECTO
Al final del proyecto se va a realizar la entrega de los archivos de Matlab (Código
fuente), la interfaz gráfica donde se encuentra la implementación de los
algoritmos, así como el manual técnico y manual de usuario, la data recolectada
de las imágenes de la cavidad bucal para la segmentación e identificación de las
piezas dentales
CRITERIOS DE VALIDACIÓN DE LA PROPUESTA
En estos criterios de validación se realizaron pruebas de algoritmo para verificar
los resultados obtenidos conforme al sustento de la base de datos el sistema
tiende a ser más precisa como se muestra en las siguiente graficas:
Mediante es estudio y detección de la necesidad que tiene las personas adultas
para conocer acerca de sus piezas dentales se propuso como solución el
desarrollo de una interfaz educativa para la detección de piezas dentales la cual
ayudara para agilitar el aprendizaje de su cavidad dentaria, la cual se define como
aceptable detallando a continuación todo el proceso que se lleva a cabo en la
actualidad:
• Se diseño una interfaz gráfica y web que muestre el caracterizado de las
piezas dentales para personas adultas.
• Se creo una Base de datos de información para catalogar las piezas
dentales en función de las odontogramas.
• Se aplico la metodología de desarrollo scrum para modelar las interfaces
que complementan la detección de objetos.
89
• Se generar reportes que den a conocer la cantidad de iteraciones que
realizan las redes neuronales artificiales como clasificador de objetos en la
tarea de reconocimiento de piezas dentales.
GRÁFICO N° 43. REPRESENTACION DE LA INTERFÁZ GRÁFICA
Elaborado por: Katherine Anastacio y Eduardo Saverio Fuente: Katherine Anastacio y Eduardo Saverio
PROCESAMIENTO Y ANÁLISIS
Introducción al sistema
Las fases de levantamiento de datos se realizó una examinación de las factibles
alternativas en donde se podría emplear los algoritmos indicados en grupo de
modelo de aprendizaje. Y es aquí donde también se hizo de preferencia el
lenguaje de programación que se empleó.
Acorde al lenguaje de programación matemático que se eligió, fue más
comprensible la elección del modelo de aprendizaje debido a su compatibilidad,
de preferencia Matlab fue elegido debido a su facilidad de uso, ha sido uno de los
lenguajes con mayor ranking de usabilidad y porque cada vez ha ido mejorando a
una gran escala.
90
Para la selección del algoritmo se requirió mucho más tiempo debido a que en la
opción de este, se tuvieron que tomar en cuenta ciertas especificaciones que se
requerían para el proyecto con respecto a su uso y la finalidad que se tenía para
con él.
Técnicas para el procesamiento y Análisis de Datos
En la actualidad la Carrera de Ingeniería en Sistemas Computacionales existe una
población de 1200 estudiantes por lo que en nuestro proyecto de titulación se
realizó una investigación para poder sacar un aproximado de 166 por lo que se
consideró realizar una encuesta de ocasión a una parte de la población en la que
se desea conocer sus diferentes puntos de vistas sobre la situación que se
presenta en nuestros días en la que se utilizará la siguiente formula:
Fórmula 1. Formula estadística de la población conocida.
𝑛 =𝑍2 ∗ 𝑃 ∗ 𝑄 ∗ ||𝑁
𝐸2(𝑁 − 1)+ 𝑍2 ∗ 𝑃 ∗ 𝑄
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
TABLA N° 1. VARIABLES DE LA FORMULA “POBLACIÓN
CONOCIDA”
Variable Descripción Valor
P Probabilidad de éxito 80
Q Probabilidad de fracaso 20
N Tamaño de la población 30.086
E Error de estimación 4
K Numero de desviación típica
“z”
96%
Z Nivel de confianza elegido.
(95%)
1.96
N Tamaño de la muestra 612
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
91
Usando la siguiente formula se obtiene la muestra óptima para realizar la
encuesta.
Fórmula 2. Calcular la muestra
𝑛 =𝑍2 ∗ 𝑃 ∗ 𝑄 ∗ 𝑁
𝐸2(𝑁 − 1)+ 𝑍2 ∗ 𝑃 ∗ 𝑄
𝑛 =22 ∗ 50 ∗ 50 ∗ 30.086
42(30.086 − 1)+ 22 ∗ 50 ∗ 50
𝑛 =300.860.000
481.360 + 10.000
612 =300.860.000
491.360
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Elaboración propia
Luego de haber aplicado la fórmula y proceder a los cálculos para obtener la
muestra nos dio como resultado un total de 612 habitantes de la que se tomó una
pequeña fracción de 70 personas para realizar la presente encuesta de ocasión la
cual estará compuesta de 20 estudiantes y 50 personas en general que forman
parte de la institución. Donde se ha realizado una encuesta de 8 preguntas
presentando los siguientes resultados.
CUADRO N° 18. MIEMBROS QUE CONFORMAN LAS ENCUESTAS
Descripción Cantidad
Estudiantes de 8°vo semestre 20
Personas en general 50
TOTAL 70
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
92
Encuesta realizada:
1. En general, ¿Qué tan importante son las piezas dentales para usted?
CUADRO N° 19. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 1
Opciones de Respuestas Cantidad Porcentaje
Extremadamente Importante 47 55%
Muy Importante 17 40%
Moderablemente Importante 6 5%
Poco Importante 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 44. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 1
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del gráfico 6 se refleja con un 40% que es muy importante para las
personas encuestadas se refleja que el sí es importante las piezas dentales para
los estudiantes; sin embargo un 55% están extremadamente importante pero solo
hubo un 5% que dijo que era moderadamente importante.
55%40%
5% 00%
20%
40%
60%
ExtremadamenteImportante
Muy importante Moderablementeimportante
Poco importante
1. En general, ¿Qué tan importante son las piezas dentales para usted?
93
2. Usted, ¿Tiene conocimiento de las características de una pieza
dental(dientes)?
CUADRO N° 20. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 2
Opciones de Respuestas Cantidad Porcentaje
Muy Poco 51 75%
Poco 3 5%
Mucho 16 20%
Bastante 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 45. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 2
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del gráfico 7 se refleja con un 75% de las personas encuestadas
tienen muy poco conocimiento de las características de una pieza dental, sin
embargo, otro 20% tiene poco conocimiento sobre dientes, pero solo hubo un 5 %
que si tiene conocimiento.
75%
20% 5% 0%0%
20%
40%
60%
80%
MUY POCO POCO MUCHO BASTANTE
2. Usted, ¿Tiene conocimiento de las características de una pieza
dental(dientes)?
94
3. Usted, ¿Tiene conocimientos del número de piezas dentales que posee su
cavidad bucal?
CUADRO N° 21. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N°3
Opciones de Respuestas Cantidad Porcentaje
Muy poco 47 65%
Poco 6 7,5%
Mucho 17 27,5%
Bastante 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 46. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 3
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del grafico 7 se refleja con un 65% de las personas encuestadas
tienen muy poco conocimiento del número de sus piezas dentales, sin embargo,
para el 27,5% no tiene conocimiento, pero solo con un 7,5% si tiene mucho
conocimiento.
65%27,5% 27,5% 0%
0%
20%
40%
60%
80%
MUY POCO POCO MUCHO BASTANTE
3.Usted, ¿Tiene conocimientos del número de piezas dentales que posee
su cavidad bucal?
95
4. Usted considera, ¿tiene conocimiento sobre el funcionamiento que
tiene cada diente dentro de su cavidad bucal?
CUADRO N° 22. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N°4
Opciones de Respuestas Cantidad Porcentaje
Muy Poco 47 67.5%
Poco 17 12,5%
Mucho 6 20%
Bastante 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 47. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 4
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del grafico 9 se refleja con un 67,5% de las personas encuestadas
que tiene muy poco conocimiento sobre el funcionamiento de cada uno de los
dientes, sim embargo, para el 12,5 tiene poco conocimiento de sus piezas
dentarias, pero un 20% si tiene mucho conocimiento.
67,5%
12,5% 20% 0%0,0%
20,0%
40,0%
60,0%
80,0%
MUY POCO POCO MUCHO BASTANTE
4. Usted considera, ¿tiene conocimiento sobre el funcionamiento que tiene cada
diente dentro de su cavidad bucal?.
96
5. Usted, ¿Conoce de herramientas tecnológicas para la detección de
piezas dentales?
CUADRO N° 23. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 5
Opciones de Respuestas Cantidad Porcentaje
Muy Poco 49 62,5%
Poco 17 35%
Mucho 4 5%
Bastante 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 48. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 5
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del grafico 10 se refleja con un 62.5% de las personas encuestadas
no tienen conocimiento de herramientas tecnológicas para la detección de piezas
dentales, sin embargo, para el 35% tiene poco conocimiento, pero solo con un 5%
si tiene mucho conocimiento.
35%5%
62,5%
0%0%
20%
40%
60%
80%
POCO MUCHO MUY POCO BASTANTE
5. Usted, ¿Conoce de herramientas tecnológicas para la detección de
piezas dentales?
97
6. Considera usted, ¿Qué se pueda utilizar la inteligencia artificial en el
área médica generando un gran aporte para sus investigaciones?
CUADRO N° 24. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 6
Opciones de Respuestas Cantidad Porcentaje
Totalmente Acuerdo 50 75%
Parcial Acuerdo 14 16,6%
Desacuerdo 4 6,3%
Muy poco 2 3,1%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 49. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 6
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del grafico 11 se refleja con un 75% de las personas encuestadas
están totalmente de acuerdo que se pueda utilizar la inteligencia artificial en el
área de la medicina para que genere un aporte a sus investigaciones, sin embargo,
75%
15,60% 6,30% 3,10%0%
20%
40%
60%
80%
TOTALMENTE ACUERDO
PARCIAL ACUERDO DESACUERDO TOTAL DESACUERDO
6. Considera usted, ¿Qué se pueda utilizar la inteligencia artificial en el
área médica generando un gran aporte para sus investigaciones?
98
para el 15,6% están parcialmente acuerdo, un 6.3% son indiferente, pero hubo un
3.1% estuvo en total desacuerdo.
7. Considera usted, ¿Qué las herramientas tecnológicas, podría ser de
mayor precisión para el campo de la medicina de forma general?
CUADRO N° 25. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 7
Opciones de Respuestas Cantidad Porcentaje
Totalmente Acuerdo 54 82,5%
Parcial Acuerdo 14 15%
Indiferente 2 2,5%
Total Desacuerdo 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 50. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 7
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Análisis:
En el análisis del grafico 12 se refleja con un 82.5% de las personas encuestadas
están totalmente de acuerdo que las herramientas tecnológicas podrían ser de
82,5%15% 2,50% 0%
0,0%
50,0%
100,0%
TOTALMENTE
ACUERDO
PARCIAL ACUERDO INDIFERENTE TOTAL DESACUERDO
7. Considera usted, ¿Qué las herramientas tecnológicas, podría ser de mayor
precisión para el campo de la medicina de forma general?
99
mayor precisión para el campo del a medicina en general, sin embargo, para el
15% están parcialmente acuerdo, un 2.5% respondieron indiferente.
8. Cree usted, ¿Qué es beneficioso constar con una interfaz gráfica
educativa para tener mayor conocimiento de sus piezas dentales?
CUADRO N° 26. RESULTADOS DE LA ENCUESTA REALIZADA DE LA
PREGUNTA N° 8
Opciones de Respuestas Cantidad Porcentaje
Totalmente Acuerdo 47 67%
Parcial Acuerdo 17 24%
Indiferente 6 9%
Total Desacuerdo 0 0%
TOTAL 70 100%
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos de la investigación
GRÁFICO N° 51. REPRESENTACIÓN GRÁFICA DE LA PREGUNTA 8
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
80%
12,5% 7,50% 0%0%
20%
40%
60%
80%
100%
TOTALMENTE
ACUERDO
PARCIAL ACUERDO INDIFERENCIA TOTAL DESACUERDO
8. Cree usted, ¿Qué es beneficioso constar con una interfaz gráfica
educativa para tener mayor conocimiento de sus piezas dentales?
100
Análisis:
En el análisis del grafico 13 se refleja con un 80% de las personas encuestadas
están totalmente de acuerdo que es muy beneficioso contar con una interfaz
gráfica educativa para mayor conocimiento de piezas, sin embargo, para el 12,5%
están parcialmente acuerdo, un 7.5% respondieron indiferente.
CAPITULO IV. RESULTADOS, CONCLUSIONES Y
RECOMENDACIONES
En el presente capítulo se expresa exclusivamente en los resultados que se han
obtenido a lo largo del desarrollo de esta investigación. Por otra parte, se dará a
conocer las conclusiones y recomendaciones que se ha logrado inferir con base
en los resultados.
RESULTADOS
Una vez finalizado el proyecto se ha obtenido los resultados esperados. Se logró
identificar la pieza dental de una persona por medio de la herramienta de matlab
que fue de gran ayuda para la contribución en los procesos de reconocimiento de
la pieza dentaria y algoritmos que se implementaron para que lograr identificar y
detectar la pieza dental de un adulto con exactitud. Como se puede contemplar en
las pruebas funcionales del Sprint 4. También se logró diseñar una interfaz web
educativa la cual los usuarios podrán interactuar y adquirir conocimientos de cada
una de sus piezas dentaria; se fue describiendo los procesos detalladamente en
el manual de usuario y técnico que se muestran en los anexos 1 y 2.
101
CONCLUSIONES
Una vez finalizado el proyecto de proyecto se llega a las siguientes conclusiones:
• Gracias al estudio realizado previamente relacionado al procesamiento
digital de imagen, se ha podido conocer el gran avance que se ha dado
dentro en diversos campos de la ciencia y la tecnología, en los cuales han
optado por implementar el PDI. Cabe aclarar que el campo de la
odontología no es la excepción, teniendo en cuenta la captura de imagen
de una pieza dental y aplicación de las técnicas de segmentación, a fin de
poder obtener un resultado de su identificación de la pieza dentaria, tales
con el nombre, el área un diente.
• La obtención de imágenes de las piezas dentales fue fundamental para la
investigación, estas posibilitaron poder continuar con las pruebas de
segmentación, a través del uso de diversas imágenes que contenía
distintos panoramas piezas dentales. De otro lado, se puede concluir que,
a mayor cantidad de imágenes para ser procesadas y analizadas, se
puede obtener un resultado con mayor índice de precisión.
• La red neuronal fue entrenada con una gama de imágenes de piezas
dentarias de diferentes ángulos y de todas las piezas dentales de un adulto
para obtener unos mejores resultados en la identificación de un diente o
muela, dentro del ciclo de entrenamiento se obtuvo una precisión de un
94.49 en la detección de dientes.
• El sistema obtiene una efectividad de un 87,5 en la detección individual de
piezas dentales, teniendo un margen de error de 12.5, este margen de
error de produce por la calidad de la imagen dependiendo el espectro
visible y no visible de una imagen subida al sistema.
102
RECOMENDACIONES
• El presente proyecto se centró exclusivamente en la detección e
identificación de la cavidad bucal; sin embargo, se deja abierta la
posibilidad de implementar otras patologías existentes como lo es la caries,
gingivitis, periodontitis y sobre todo en la descalcificación.
• Se pone en consideración la posibilidad de utilizar otras herramientas de
procesamiento de datos basados en un lenguaje de programación distinto,
tal es el caso de c++, Python; estas herramientas de igual manera permiten
realizar el análisis de imágenes digitales y detección de objeto.
• Dejamos abierto nuestro proyecto con respecto a cambios de la interfaz
gráfica a nuestro futuros colega de la universidad de Guayaquil
• Se recomienda que en la detección de futuros proyectos de detección de
objetos se utilice un mínimo de 30 capas usando la herramienta Deep
Learning.
103
BIBLIOGRAFÍA
Abreu. (2014). El Método De La Investigación Research Method. Daena:
International Journal Of Good Conscience (Vol. 9). Retrieved From
Http://Www.Spentamexico.Org/V9-N3/A17.9(3)195-204.Pdf
Altamirano. (2017). 1.2.- Clasificación De Las Redes Neuronales – Inteligencia
Artificial. Retrieved December 3, 2018, From
Https://Inteligenciartificiallmca.Wordpress.Com/2017/06/10/1-2-Clasificacion-De-
Las-Redes-Neuronales/
Alvarado Moya, P. (2015). Introducción Al Procesamiento Digital De Imágenes.
Obtenido De Http://Www.Ie.Itcr.Ac.Cr/Palvarado/Msc/PAID/Lec01.2.Pdf
Alvares & Nazar. (2013). Trabajo De Investigación Seminario I. Trabajo De
Investigacion, 1, 1–60.
Aperador-Chaparro, W., Bautista-Ruiz, J. H., & Mejía, A. S. (2013). Determinación
Por Visión Artificial Del Factor De Degradación En Aleaciones Biocompatibles
Computer Vision For Determination Of Degradation Factor In Biocompatible
Alloys, 24(2), 109–120. Https://Doi.Org/10.4067/S0718-07642013000200012
Aravena. (2012). ¿Diente O Pieza Dentaria? Revista Clínica De Periodoncia,
Implantología Y Rehabilitación Oral, 5(1), 46–46.
Https://Doi.Org/10.4067/S0719-01072012000100008
Bendemra. (2018). Construye Tu Primer Clasificador De Deep Learning Con
Tensorflow: Ejemplo De Razas De Perros. Retrieved February 23, 2019,
From Https://Medium.Com/Datos-Y-Ciencia/Construye-Tu-Primer-
Clasificador-De-Deep-Learning-Con-Tensorflow-Ejemplo-De-Razas-De-
Perros-Ed218bb4df89
Campos. (2012). Anatomía Básica Del Aparato Digestivo | Urgencias Y
Emergencias Extrahospitalarias. Retrieved November 26, 2018, From
Https://Formacionenemergencias.Blogspot.Com/2012/07/La-Digestion-Es-
El-Proceso-De.Html?View=Flipcard
104
Castillo. (2015). Pulpa Dental. Rev De La Facultad De Odontol.USCG, 2, 1–7.
Ceballos. (2013). Parte IV La Cavidad Bucal, Centro De Variadas Funciones.
Retrieved From
Http://Bibliotecas.Unr.Edu.Ar/Muestra/Medica_Panamericana/97895006030
34.Pdf
Chapin, N. (2004). Agile Methods - Contributions In Software Evolution. In 20th
IEEE International Conference On Software Maintenance, 2004.
Proceedings. (Pp. 522–522). IEEE.
Https://Doi.Org/10.1109/ICSM.2004.1357864
Charland & Leroux. (2011). MOBILE COMPUTING 1 Mobile Application
Development: Web Vs. Native Web Apps Are Cheaper To Develop And
Deploy Than Native Apps, But Can They Match The Native User Experience?
Retrieved From Http://Www.Phonegap.Com/
Díaz-Matha, Gómez, Fernández, L. (2015). Aprendizaje Con Redes Neuronales
Artificiales.
Dominguez. (2016). Las Redes Monocapa. Retrieved December 3, 2018, From
Http://Www.Redes-Neuronales.Com.Es/Tutorial-Redes-Neuronales/Las-
Redes-Neuronales-Monocapa.Htm
Espinoza. (2017). ¿Qué Debo Saber Sobre Las Aplicaciones Web? - Blog
Netcommerce. Retrieved July 26, 2018, From
Http://Info.Netcommerce.Mx/Blog/Debo-Saber-Las-Aplicaciones-Web/
Francia. (2017). ¿Qué Es Scrum? | Scrum.Org. Retrieved August 3, 2018, From
Https://Www.Scrum.Org/Resources/Blog/Que-Es-Scrum
Herol-García, S., & Escobedo-Nicot, M. (2007). Segmentacíon De Imágenes
Médicas Con La Aplicacion De Snakes. Ciencia En Su Pc. 1 (4), 12–22.
Huerta, V. (2014). Visión Artificial Para Reconocimiento De Mangos Exportables
Utilizando Redes Neuronales, 4, 38–45.
Galdames. (2017). Hueso Alveolar. Retrieved From
Https://Www.Ecured.Cu/Hueso_Alveolar
105
Galvan. (2016). Anatomía Dental. Retrieved November 26, 2018, From
Https://www.Thinglink.Com/Scene/792840693704818690
Gálvez, S. (2014). Operadores De Detección De Bordes. Santiago: Universidad
De Chile.
García López, A. A. (Agosto De 2015). UNIVERSIDAD TECNOLÓGICA DE LA
MIXTECA. Obtenido De Http://Jupiter.Utm.Mx/~Tesis_Dig/12950.Pdf
General P. (2014). ¿Qué Es PHP? - Su Definición, Concepto Y Significado.
Retrieved August 4, 2018, From Http://Conceptodefinicion.De/Php/
González, A., Rodríguez, P., & Orozco, R. (2017). Marcadores Para Segmentación
Watershed Usando Transformada De Radon Watershed. Revista Cubana De
Ciencias Informáticas. 11 (1), 136- 152.
González, R. (2010). Algoritmo Basado En Wavelets Aplicado A La Detección De
Incendios Forestales [Tesis De Maestría]. Cholula, Puebla: Universidad De
Las Américas Puebla.
Grajales,
Graciany & Bonal. (2016). 9 (19).Pdf
Guevara, B. (2014). Desarrollo Web Ágil Con Symfony , Bootstrap Y Angular
Bayron Guevara Contenido.
Gutiérrez, J. J. (2006). ¿ Qué Es Un Framework Web?, 1–4. Retrieved From
Http://www.Lsi.Us.Es/~Javierj/Investigacion_Ficheros/Framework.Pdf
H Tecnología. (2015). ¿Qué Es HTML? - Su Definición, Concepto Y Significado.
Retrieved August 4, 2018, From Http://Conceptodefinicion.De/Html/
Infaimon, C. (2010), Visión Artificial Aplicada A La Industria,
Http://www.Jcee.Upc.Es/JCEE2010/Pdf_Ponencies/Pdfs/25_11_10/INFAIM
ON-Vision%20artificial.Pdf. Acceso: 27 De Agosto (2018)
Iván Gamino, & Jonathan Sánchez. (2017). Universidad Politécnica De Madrid
Escuela Técnica Superior De Ingeniería De Sistemas Informáticos Ingeniería
Del Software Y De Computadores Universidad Politécnica De Madrid. Madrid.
Retrieved From
106
Http://Oa.Upm.Es/52084/1/TFG_IVAN_GAMINO_DEL_RIO.Pdf
Lara. (2017). Iara - Dientes Del Siso Son Los Últimos Molares De Cada Lado De
Los Maxilares-1. Retrieved December 3, 2018, From
Https://Cesarmacedo.Com/Aparelhos-Ortodonticos/Iara-Dentes-Do-Siso-
Sao-Os-Ultimos-Molares-De-Cada-Lado-Dos-Maxilares-1/
López, J. (2014). Segmentación De Imágenes Mediante El Algoritmo De K-
Medias. Obtenido De
Http://Opera.Eii.Us.Es/Pid/Public/Uploads/Pid/Entregables/2013-
2014/G2013-2014-15/Grupo15Documentacin57.Pdf
Magaña, Atocha & Sandoval. (2015). Detección De Objetos En Imágenes
Utilizando Opencv Para Raspberry, (July). Retrieved December 3, 2018,
From
Https://www.Researchgate.Net/Publication/316282519_DETECCION_DE_O
BJETOS_EN_IMAGENES_UTILIZANDO_OPENCV_PARA_RASPBERRY.
Manzanero. (2016). Tics En Educacion: Framework, ¿Que Es?, Características Y
Ventajas. Retrieved December 11, 2018, From Http://Snte-Tics-
Educacion.Blogspot.Com/2016/09/Framework-Que-Es-Caracteristicas-
Y.Html
Mathworks. (2015). Image Processing Toolbox Product Description - MATLAB
&Amp; Simulink - Mathworks España. Retrieved February 21, 2019, From
Https://Es.Mathworks.Com/Help/Images/Product-Description.Html
Maxwell. (2015). Modelo RGB De Imágenes En Color | Hombre En Camino.
Retrieved December 2, 2018, From
Http://www.Hombreencamino.Com/Ciencia/James-Clerk-
Maxwell/Attachment/Modelo-Rgb-De-Imagenes-En-Color/
Mendez. (2006). Histogénesis Del Esmalte Dentario. Consideraciones Generales.
Revista Archivo Medico De Camaguey, 11.
Microsoft. (2016). .NET Core Guide | Microsoft Docs. Retrieved August 1, 2018,
From Https://Docs.Microsoft.Com/En-Us/Dotnet/Core/Index
MOBILE ANALYTICS. (2018). Aplicaciones Web Progresivas: ¿Qué Son Y Para
107
Qué Sirven? | Analítica Web. Retrieved July 31, 2018, From
Https://www.Analiticaweb.Es/Aplicaciones-Web-Progresivas-Que-Son-Para-
Que-Sirven/
Moenne. (2013). ANATOMÍA PREMOLARES. Retrieved From
Http://www.Postgradosodontologia.Cl/Endodoncia/Images/Especialidadendodonc
ia/Seminarios/2013-2014/Docanatomiapremolares.Pdf
Munhoz. (2016). Dentes: Você Precisa Saber Mais Sobre Eles... - Orofacial.
Retrieved December 2, 2018, From Https://Orofacial.Com.Br/Dentes/
Najda-Janoszka & Daba-Buzoianu. (2018). Exploring Management Through
Qualitative Research Edited By. Retrieved From Www.Jemi.Edu.Pl;
Niwa. (2007). [ No Title ]. Development, 134(4), 635–646.
Onmeda. (2012). Anatomía De Los Dientes : Esmalte Dental, Dentina, Cemento,
Pulpa - Onmeda.Es. Retrieved November 26, 2018, From
Https://www.Onmeda.Es/Higiene_Bucodental/Anatomia_Dientes.Html
Oregón. (2016). ¿QUÉ CONTIENE UN ODONTOGRAMA? | Odonto. Retrieved
November 21, 2018, From Http://Michelloregon.Wixsite.Com/Odonto/Single-
Post/2016/03/15/FICHAS-ANTE-MORTEM-Y-POST-MORTEM
Orellana. (2013). Universidad Central Del Ecuador. Estudio De Factibilidad Para
La Implementacion De Una Granja Apicola.
Ortíz. (2013). Procesamiento Digital De Imágenes. Iatreia, 42–72.
Https://Doi.Org/10.14409/Fabicib.V4i1.637
Pérez & Gardey. (2017). Definición De Dentina - Qué Es, Significado Y Concepto.
Retrieved November 28, 2018, From Https://Definicion.De/Dentina/
Pérez. (2010). ¿Qué Son Las Bases De Datos? Retrieved July 28, 2018, From
Http://www.Maestrosdelweb.Com/Que-Son-Las-Bases-De-Datos/
Pichel & Delgado. (2013). Espacio Biológico: Parte I: La Inserción Diente-Encía.
Avances En Periodoncia, 1–8. Retrieved From
Http://www.Scientificcircle.Com/Es/139563/Espacio-Biologico-Parte-I-
Insercion-Diente-Encia/
108
Porto & Gardey. (2015). Definición De Odontograma - Qué Es, Significado Y
Concepto. Retrieved December 2, 2018, From
Https://Definicion.De/Odontograma/
Pozó. (2015). Redes Neuronales Artificiales En Medicina Intensiva. Ejemplo De
Aplicación Con Las Variables Del MPM II. Medicina Intensiva, 29(1), 13–20.
Https://Doi.Org/10.1016/S0210-5691(05)74198-X
Rep, P. D. E. L. A, Subsecretar, B., & Inform, D. E. (2009). Estrategia Para La
Implantación De Software Libre En La Administración, 1–28.
Rodríguez. (2012). Bootstrap, Framework De Twitter. Retrieved February 24,
2019, From Https://www.Genbeta.Com/Desarrollo/Bootstrap
Rogerio-Candelera & Linares. (2015). El Análisis Digital De Imágenes Como
Herramienta Arqueológica. Estudio De Los Restos De Pintura De Los
Ortostatos Del Dolmen 3 De El Pozuelo. Retrieved From
Http://Digital.Csic.Es/Bitstream/10261/126222/1/Analisis_Digital_Imagenes_
Actas2015_Rogerio.Pdf
Roncagliolo. (2016). Tema 4 : Segmentación De Imágenes Segmentación De
Imágenes.
Rosabal & Orozco González. (2012). Revista Cubana De Ciencias Informáticas
(RCCI). Obtenido De File:///C:/Users/Usuario/Downloads/195- 728-1-PB.Pdf
Ruiz, R. S. (29 De Mayo De 2012). Obtenido De
Http://Elzhifestadistica.Blogspot.Com/2012/05/Graficas-Estadisticas.Html
RUSELL IUIT. (2016). TICS EN EDUCACION: FRAMEWORK, ¿Que Es?,
Características Y Ventajas. Retrieved August 1, 2018, From Http://Snte-Tics-
Educacion.Blogspot.Com/2016/09/Framework-Que-Es-Caracteristicas-
Y.Html
Salazar. (2016). Características Anatómicas De Los Dientes ~ Auxiliar De
Odontología. Retrieved December 2, 2018, From
Http://Auxiliarodontologia.Blogspot.Com/2013/02/Incisivos-Tienen-Forma-
De-Cuna-Con-4.Html
Sanchéz, M. B. (2013). Segmentacion Dijital De Imagenes Medicas Para El
109
Mejoramiento De Diagnostico De Anomalias En Los Centros Radiologicos De
La Ciudad De Ambato. En M. B. Gallo, Segmentacion Dijital De Imagenes
Medicas Para El Mejoramiento De Diagnostico De Anomalias En Los Centros
Radiologicos De La Ciudad De Ambato (Pág. 178). Ambato.
Seiro. (2017). Los 4 Tipos De Dientes Y Su Función. Retrieved December 2, 2018,
From Https://www.Clinicadentalsieiro.Es/Los-4-Tipos-De-Dientes-Y-Su-
Funcion/
Silverty. (2014). Guía De Anatomía Oral Y Dental. Retrieved From
www.Silverti.Com
Sosa, L. D. (2015). Universidad De Otavalo. Obtenido De
Http://Repositorio.Uotavalo.Edu.Ec/Bitstream/52000/41/1/UO-PG-TUR-
2015-03.Pdf
Thuillier. (2015). Función De Los Dientes - Bucodente. Retrieved December 2,
2018, From Https://www.Bucodente.Com/2015/05/12/Funcion-De-Los-
Dientes/
Txema Rodríguez. (2012). Bootstrap, Framework De Twitter. Retrieved August 3,
2018, From Https://www.Genbeta.Com/Desarrollo/Bootstrap
Valverde, J. (2007). Detección De Bordes Mediante El Algoritmo De Canny. Trujillo
: Universidad Nacional De Trujillo .
Varela Camilo. (2018). Reconocimiento Automático De Partituras Para Guitarra
Por Medio De Visión Artificial Y Redes Neuronales Artificiales Jferson Camilo
Varela Cañòn. Ecuador. Retrieved From
Http://Repository.Lasalle.Edu.Co/Bitstream/Handle/10185/28378/45112701_
2018.Pdf?Sequence=1&Isallowed=Y
Vargas, M., Berenguel, M., & Álamo, T. (2012). Tutorial De Introducción A Matlab.
Obtenido De Http://www.Ceiucaweb.Com.Ar/Documentos/1-Ciclo-
Basico/2do-Anio-2do- Cuatri/Metodos/Apunte/Tutorialmatlab%5B1%5D.Pdf
Wiboo. (2017). ¿Qué Son Las Aplicaciones Web? Ventajas Y Tipos De Desarrollo
Web. Retrieved August 20, 2018, From Https://Wiboomedia.Com/Que-Son-
Las-Aplicaciones-Web-Ventajas-Y-Tipos-De-Desarrollo-Web/
110
Zapata. (2014). Texto Cientifico: Metodo Deductivo, Metodo Inductivo Y Metodo
Cientifico. Retrieved December 11, 2018, From
Http://Angelitajohana83.Blogspot.Com/
Zion, B. (2012). The Use Of Computer Vision Technologies In Aquaculture – A
Review, Computers And Electronics In Agriculture, 88, 125-132.
111
112
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA
IDENTIFICACIÓN DE PIEZAS DENTALES EN PERSONAS ADULTAS.
Manual de técnico
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR:
ANASTACIO VILLÓN KATHERINE EVELYN
SAVERIO CHICHANDA EDUARDO ARIEL
113
Anexo I
MANUAL TÉCNICO
Instalación de Matlab.
Para poder descargar el software de Matlab, se debe ingresar al siguiente link:
https://es.mathworks.com/login?uri=%2Fmwaccount%2Fprofiles%2Fpassword%
2Freset
Y a continuación escoge la última versión de Matlab en este caso escogimos de
versión del 2016 que es mucho mas factible para nuestro proyecto.
Gráfico N° N° 52.Descargar la versión de Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Ejecutamos el instalador de R20XX.exe y seleccionamos la opción “Login in”, se
dio clic en Next. Allí es escogió la primera opción para el método de instalación,
en este caso fue institucional.
114
Gráfico N° N° 53.Seleccionar login
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Para seguir con la instalación debemos aceptar los argumentos de la licencia y se
selecciona “Yes” y haga clic en “Next”.
Gráfico N° N° 54.Licencia de Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
A continuación en se procede a seleccionar la 1°Opción de “Login in to your
MathWorks Account”
115
Gráfico N° N° 55.Registro para ingresar a Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Para poder ingresar se requirió escribir la dirección de correo institucional y el
password que fue enviado mediante correo a su cuenta institucional y haga clic en
“Next”.
Gráfico N° N° 56.Ingreso de usuario y contraseña
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Para activar el producto se debe seleccionar “Select a licenses” y realizar clic
sobre “Next”.
116
Gráfico N° N° 57.Activación de Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
se realizará la instalación del Software en la presenta la dirección por defecto. Solo de
debe seguir dando clic sobre “Next”.
Gráfico N° N° 58.Instalación de Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Luego debemos seleccionar las herramientas que se requiere instalar para el
proyecto.
117
Gráfico N° N° 59.Selección de herramientas a instalar
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el listado de todas las aplicaciones que se van a instalar. Para seguir
hacer clic sobre “Install”.
Gráfico N° N° 60.Confirmación de la instalación
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
118
Gráfico N° N° 61.Proceso de la descarga
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Una vez que se ha finalizado la instalación con total éxito se realizó clic sobre
“Finish”.
Gráfico N° N° 62.Finalización de la instalación de Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Una vez ya finalizada la instalación de Matlab se procede a instalar las librerías a
utilizar:
119
A continuación se muestra el código fuente de cada una de las actividades que
realiza el sistema.
El grafico .. presenta la función de encender cámara en el sistema
Gráfico N° 63.Encender Cámara
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
el presente código es la función de capturar la imagen mediante la cámara
Gráfico N° 64.Codigo de Matlab para capturar imagen
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
El siguiente código es la función de cargar imagen al sistema.
120
Gráfico N° 65.Cargar Imagen
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
El código fuente que se muestra a continuación es el de histograma este sirve
para ver la calidad de la imagen
Gráfico N° 66.Código Fuente Histograma
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
El código fuente que se muestra a continuación es el de limpiar todo el sistema.
Gráfico N° 67.Código Fuente Limpiar
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
121
Los siguientes código fuente son de las funciones de la técnica procesamiento de
imagen, la que se muestra a continuación es la de cavidad rellena.
Gráfico N° 68 Código de Cavidad Rellena
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
El siguiente código fuente es Dilatación.
Gráfico N° 69.Código de Dilatación
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
El siguiente código fuente es de Erosión.
122
Gráfico N° 70.Código Fuente de Erosión
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Filtro Top- Hat
Gráfico N° 71.Código fuente de Filtro Top- Hat
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Filtro Gaussiano
Gráfico N° 72.Código fuente de Filtro Gaussiano
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
123
Se muestra el código fuente de Filtro Media
Gráfico N° 73.Código fuente de Filtro Media
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Filtro Mediano
Gráfico N° 74.Código fuente de Filtro Mediano
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de K-means
124
Gráfico N° 75.Código Fuente de K-means
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Mascara Binaria
Gráfico N° 76.Código Fuente de Mascara Binaria
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
125
Se muestra el código fuente de Sobel
Gráfico N° 77.Código Fuente de Sobel
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de la Transformada de Canny
Gráfico N° 78.Código Fuente de la Transformada de Canny
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
126
Se muestra el código fuente de Watershed.
Gráfico N° 79.Código Fuente de Watershed
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Muestra de Características
Gráfico N° 80.Código Fuente de Muestra de Características
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
127
Se muestra el código fuente de las Propiedades de la detección nombre- área.
Gráfico N° 81.Código Fuente de las Propiedades de la detección nombre- área
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra el código fuente de Salir del sistema.
Gráfico N° 82.Código Fuente de Salir
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
128
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
DESARROLLO DE UNA INTERFAZ WEB EDUCATIVA PARA LA
IDENTIFICACIÓN DE PIEZAS DENTALES EN PERSONAS ADULTAS.
Manual de Usuario
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR:
ANASTACIO VILLÓN KATHERINE EVELYN
SAVERIO CHICHANDA EDUARDO ARIEL
129
Anexo II
Manual de Usuario
Creación de la interfaz para las imágenes dentales.
En el siguiente grafico se muestra la interfaz gráfica que se llevó a cabo.
Gráfico N° N° 83.interfaz gráfica
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
En el botón cargar imagen el usuario podrá subir una imagen de la pieza dentaria
Gráfico N° 84.Subir imagen
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
130
Una vez que ya tenga la imagen cargada el usuario podrá ver la calidad de la
imagen a través del histograma.
Gráfico N° 85. Histograma
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
A través de las técnicas de segmentación el usuario podrá observar la imagen con
las diferentes técnicas para obtener valores precisos de la pieza dental, las cuales
se mostrarán a continuación:
En el presente grafico se observa la técnica de erosión.
Gráfico N° 86.Tecnica de Erosión
Elaborado por: Katherine Anastacio y Eduardo Saverio Fuente: Katherine Anastacio y Eduardo Saverio
131
Se mostrará la segmentación por el filtro media
Gráfico N° 87.Técnica Filtro Media
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se mostrará la segmentación por el filtro -Guassiano
Gráfico N° 88.Técnica Filtro Guassiano
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
132
Se mostrará la segmentación por el Top- Hat
Gráfico N° 89.Técnica de Top-Hat
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se mostrará la segmentación K-Means
Gráfico N° 90.Técnica K-Means
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
133
Se mostrará la segmentación de la transformada Watershed
Gráfico N° 91.Técnica Watershed
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se mostrará la segmentación transformación de Canny
Gráfico N° 92.Técnica de Canny
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
134
Se mostrará la segmentación transformada de Sobel
Gráfico N° 93.Técnica de Sobel
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se mostrará la segmentación de Dilatación-Binaria
Gráfico N° 94.Técnica Dilatación-Binaria
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
135
Se mostrará la segmentación Mascara Binaria
Gráfico N° 95. Técnica Mascara Rellena
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se mostrará la segmentación Cavidad Rellena
Gráfico N° 96.Técnica Cavidad Rellena
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
136
Una vez que ya haiga pasado por todos los procesos de segmentación se procede
a la detección de características
Gráfico N° 97.Detección de Características
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
En el grafico se muestra la imagen subida a la interfaz para luego realizar el
análisis por segmentación de imágenes y a su vez mostrar las características
encontradas también le va a mostrar propiedades tales como el nombre de la pieza
dental y el área.
Gráfico N° 98.Propiedades de la pieza dental
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
137
Demostración de las características encontradas
Gráfico N° 99.Muestra de Características
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Se muestra la interfaz web del proyecto
Gráfico N° 100.Interfaz web Educativa
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
La interfaz web educativa muestra las características y funcionalidades de la pieza
dental y si desea el usuario también podrá descargar a través de un pdf y obtener
su información.
138
Gráfico N° 101.Información de la pieza dental
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
139
Anexos III
Instalación de librerías de TOOLBOX en Matlab
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
140
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
141
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Katherine Anastacio y Eduardo Saverio
142
Anexo IV
Criterios de validación
OBJETIVOS ACTIVIDAD REALIZADA
CUMPLIMIENTO
RESULTADO OBTENIDO
EVIDENCIA
• Diseñar una
interfaz web
que muestre
el
caracterizad
o de las
piezas
dentales
para
personas
adultas.
Mediante los algoritmos de procesamiento de imagen y a través de la red neuronal se entrenó el sistema para que muestre las características de la pieza dental
100% Se pudo detectar las características de los dientes en ella está el área y el nombre de la pieza dental
• Crear una
Base de
datos de
información
para
catalogar las
piezas
dentales en
función de
las
odontograma
s.
Se considero todas las imágenes de piezas dentales para registrarla en una base de datos para su entrenamiento
100% Se llevo todas las imágenes de piezas dentales a una base de datos con total éxito
143
•
• Generar
reportes que
den a
conocer la
cantidad de
iteraciones
que realizan
las redes
neuronales
artificiales
como
clasificador
de objetos en
la tarea de
reconocimien
to de piezas
dentales.
Por medio de la red neuronal se pudo entrenar y clasificar cada una de las características de la imagen procesada
100%
A través de la red neural se desarrollaron varias pruebas que en esta se generan variables nos muestra diferentes datos de la pieza dental esta ya sea su área, la etiqueta del nombre, su tamaño.
Elaborado por: Katherine Anastacio y Eduardo Saverio
Fuente: Datos del Proyecto e Investigación
144
Anexo V
CRONOGRAMA DE ACTIVIDADES
Actividades
semanas
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1. Reunión inicial, revisión de propuesta de tesis
2.Planificación de las primeras actividades
3. Reunión, explicación del capítulo I
4. Presentación de un avance del capítulo I
5. Revisión del capítulo I
6.Reunión, capacitación del capítulo II
7. Avance del capítulo II
8. Exposición del avance de tema de la tesis
9.Revisión del capítulo I y II (completos)
10.Revision de un avance del sistema 11. Entrevista a la doctora para catalogar imágenes
12.Desarrollo del sistema y la documentación
13. Revisión del capítulo III
14. Revisión de un avance del sistema
15. Desarrollo del sistema y la documentación
16. Revisión de un avance del sistema
145
Anexo VI
Acta de Aceptación del Proyecto
146
Anexo VII
Acta de Aceptación
147
Anexo VIII
Validación y Pruebas Funcionales
148
Anexo IX
Validación de Usabilidad
149
Anexo X
Certificado de aprobación para la encuesta
150
Anexo XI
Evidencia de la visita a la Facultad de Piloto Odontología
Elaborado por: Katherine Anastacio y Eduardo Saverio
Elaborado por: Katherine Anastacio y Eduardo Saverio
151
Anexo XII
Exposición del proyecto al vicedecano de la FPO
Elaborado por: Katherine Anastacio y Eduardo Saverio
Elaborado por: Katherine Anastacio y Eduardo Saverio