SISTEMA DE RECONOCIMIENTO ÓPTICO DE PATRONES DIGITALIZADOS PARA PROCESOS DE CALIFICACIÓN

Autores/as

  • Fredy Heric Villasante Saravia Universidad Nacional del Altiplano

DOI:

https://doi.org/10.26788/riepg.v11i1.3303

Palabras clave:

Binarización, calificación, óptico, optimización, patrones

Resumen

Las implicancias que tiene un proceso de calificación, como exámenes o consultas, pasa por la veracidad de los resultados. Por ello, surge el problema de crear un sistema basado en algoritmos clave para el proceso de reconocimiento óptico de patrones. A ello se suma la dependencia tecnológica existente como las fichas con impresión digital y lectoras ópticas, Estos son motivos más que suficientes para proponer algoritmos eficientes y confiables que permitan no solo realizar el proceso de reconocimiento, sino que también dejar la posibilidad de usar lo digitalizado para publicar la tarjeta con los resultados obtenidos. Basado en la metodología cuantitativa de diseño experimental, se recurrió a técnicas sencillas, como la determinación del ángulo entre dos puntos para el proceso de encuadre de la tarjeta. Luego, la aplicación e implementación del algoritmo de la escala cromática de Munshell hasta la adaptación de la técnica del Buen Vecino para el proceso de reconocimiento óptico de patrones, basado en la metodología de reconocimiento de imágenes por recomendación de MathWork® con el apoyo de la herramienta de desarrollo Visual Studio Community®. El tiempo de procesamiento por tarjeta es de 0,07 centésimas de segundo, identificando que la imagen ideal debe tener 200dpi de resolución. Las imágenes digitalizadas de las tarjetas tienen un peso aproximado de 270 KB, tamaño ideal para publicarlo con su resultado, así garantizar la veracidad y confiabilidad. Finalmente se tiene un ítem de las discusiones de nuestros resultados a todo nivel, desde las técnicas aplicadas, hasta los tiempos de proceso.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

REFERENCIAS

Aliev, M., Ershov, E. I., Nikolaev, D. P. 2018. On the use of FHT, its modification for practical applications and the structure of Hough image. ArXiv, 1–8. https://doi.org/10.1117/12.2522803

Aranzábal, H. E. C., Barrientos, W. G. P. 2018. Sistema de digitalización y estructuración de información clínica con técnicas de reconocimiento óptico de caracteres y procesamiento del lenguaje natural. undefined-undefined. https://www.mendeley.com/catalogue/bce44428-d201-3d23-8ea0-bd900a24aed6/?utm_source=desktop&utm_medium=1.19.8&utm_campaign=open_catalog&userDocumentId=%7B734d2930-2812-461c-9a31-d58cd221165d%7D

Canela, E. 2019. Proyecto Fin de Máster Máster Universitario en Ingeniería Electrónica , Robótica y Automática Entorno interactivo MATLAB para análisis de texturas mediante histograma de orientaciones de gradiente [Universidad de Sevilla]. https://idus.us.es/handle/11441/95180

Carvajal, B. 2018. Reconocimiento fotográfico de patentes. Pontificia Universidad Católica de Vaslparaíso.

Castañeda, L. 2017. Método de búsqueda en espacio de estados. Universidad Nacional de Trujillo.

Castrillo Leal, Y. 2017. Evaluación de técnicas de segmentación de imágenes de ultrasonido por crecimiento de regiones /. Http://Biblioteca.Utb.Edu.Co/Notas/Tesis/0072989.Pdf, 39. https://repositorio.utb.edu.co/handle/20.500.12585/1724#.XyMwbpATwNg.mendeley

Chambi, E. 2016. Reconocimiento y detección biométrico basado en imágenes de huellas digitales [Universidad Nacional del Altiplano]. In Tesis. http://repositorio.unap.edu.pe/handle/UNAP/6247

Dávara, R. M. A. 2015. Introducción a los Sistemas Expertos. Revista de Ciencia y Tecnología, 909–920. http://www.redcientifica.com/doc/doc199908210001.html

de Armas Costa, R. J., Quintero Torres, S. V., Acosta Muñoz, C., Rey Torres, C. C. G. 2018. La transformada de Radon aplicada a la segmentación de imágenes digitales en escala de grises. Revista Ingenierías Universidad de Medellín, 17(32), 213–227. https://doi.org/10.22395/rium.v17n32a10

EcuRed. 2021. JPG. https://www.ecured.cu/JPG

Espín, N., Castillo, F., García, F., Sarría, F. 2015. Comparacion de Métodos de Clasificación de Imágenes de Satélite. Boletín de La Asociación de Geógrafos Españoles, 67, 327–347.

Forero-Cabrera, N. M., Camacho-Tamayo, J. H., Ramírez-López, L., Sanabria, Y. R. 2017. Evaluación de textura del suelo con espectroscopia de infrarrojo cercano en un oxisol de Colombia. Colombia Forestal, 20(1 SE-Artículos de investigación científica y tecnológica). https://doi.org/10.14483/udistrital.jour.colomb.for.2017.1.a01

García, S. 2018. Adaptativa de im agenes u mbralizaci on basada en histogramas espacio – color Autor : Silvia Garc ´ Tutor : Jos ´.

Gimp.org. 2020. GIMP. https://docs.gimp.org/2.10/es/

Gomez, J. 2015. TIBES : Tutor Interactivo de técnicas de Búsqueda en Espacio de eStados. UNIVERSIDAD DE CASTILLA-LA MANCHA.

Herrera, M. 2015. Análisis de la composición cromática en el tejido residencial de la ciudad de madrid. Universidad Politécnica de Madrid.

Israel, R., Hondal, P. 2017. Modelación estadística de la textura del clutter marino en Matlab. Tecnura, 21, 13–32. https://doi.org/https://doi.org/10.14483/22487638.11708

José Manuel Cotos Yáñez, Juan Enrique Arias Rodríguez, Joaquín Angel Triñanes Fernández, J. M. T. P. 1998. Segmentación de imágenes LANDSAT-TM por medio de un sistema experto. Reunión Científica de La Asociación Española de Teledetección, V, 687–694.

Julesz, B. T. 2017. The elements of texture perception, and their interactions. Nature, 290. https://doi.org/https://doi.org/10.1038/290091a0

Kimchi, R. 2015. Organización perceptual. Introducción a La Psicología, 142. https://books.google.co.cr/books?id=PLDQoRgu5ZYC&pg=PP160&dq=ORGANIZACIÓN+PERCEPTUAL&hl=es&sa=X&ved=2ahUKEwi4oOyHr8jqAhXkQd8KHXNUCrEQuwUwAHoECAMQCA#v=onepage&q=ORGANIZACIÓN PERCEPTUAL&f=false

Kiver, M. 2015. Color Television Fundamentals (First Edit). McGraw-Hill.

La Serna Palomino, N. (2010). Digital image processing (1st Editio). Prentice Hall.

MathWorks. 2021. Procesamiento de Imágenes y Visión Artificial con MATLAB. https://la.mathworks.com/videos/image-processing-and-computer-vision-with-matlab-1597884648964.html

Mazabel, Guillermo. Chancafe, J. 2016. Detección Automática de Caries utilizando reconocimiento de patrones en placas radiográficas [Universidad Señor de Sipan]. https://hdl.handle.net/20.500.12802/163

Microsoft. 2017. Visual Studio. Términos de la licencia de software de microsoft. https://visualstudio.microsoft.com/es/license-terms/mlt553321/?rr=https%3A%2F%2Fwww.google.com.pe%2F

Ortiz, L. 2018. Análisis de algoritmos para el reconocimiento automático de caracteres manuscrito antiguos [Universidad Señor de Sipan]. https://hdl.handle.net/20.500.12802/4663

Parker, J. 2017. Algorithms for Image Processing and Computer Vision (Second Edi). Wiley plublishing.

Polysistemas - Gestión documental omnicanal. 2021. Digitalización. https://polysistemas.com/soluciones/digitalizacion/

Puerto Cuadros, Eduard Gilberto, Aguilar Castro, J. L. 2017. Un Algoritmo Recursivo de Reconocimiento de Patrones. Revista Técnica de La Facultad de Ingeniería Universidad Del Zulia, 40. http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0254-07702017000200005

Sucar, L. y Gómez, G. 2011. Visión Computacional (Ó. y E. Instituto Nacional de Astrofísica (ed.)).

Tasiguano, C. 2016. Desarrollo de algoritmos de reconocimiento de placas de vehículos. Ristian y Corrales, Luis, May, 5–10. http://bibdigital.epn.edu.ec/handle/15000/3867

Toro, L. 2015. Técnicas y Algorítmos Básicos de Visión Artificial.

Descargas

Publicado

2022-03-31

Cómo citar

Villasante Saravia, F. H. (2022). SISTEMA DE RECONOCIMIENTO ÓPTICO DE PATRONES DIGITALIZADOS PARA PROCESOS DE CALIFICACIÓN. Revista De Investigaciones, 11(1), 43–54. https://doi.org/10.26788/riepg.v11i1.3303

Número

Sección

Arí­culos Originales