Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricasResumen.-El objetivo fue implementar una red neuronal artificial para mejorar el reconocimiento de figurasgeométricas que permita posteriormente, hacer estimaciones sobre formas en un contexto real para crear planosvirtuales. Se desarrolló un programa en Matlab para crear la red neuronal y se desarrolló dos bases de conocimientoque contienen quince figuras geométricas diferentes para la etapa de entrenamiento y para la etapa dereconocimiento. Los resultados de la fase de entrenamiento se realizaron en tres procesos obteniéndose porcentaje de11.35%, 3.55% y 2% de margen error respectivamente, posteriormente vino la etapa de reconocimiento con tresprocesos, obteniéndose 40%, 100% y 100% figuras reconocidas respectivamente. Se concluye que, la red neuronalimplementada realizó el reconocimiento de quince figuras geométricas (100%) de forma acertada necesitando tresprocesos de entrenamiento y tres procesos de reconocimiento para constatar su aprendizaje. Palabras clave: Reconocimiento de imágenes, Aprendizaje Maquina, redes neuronales artificiales, inteligencia artificialAdrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricasIvan Adrianzén Olanohttps://orcid.org/0000-0002-1910-2854 ivan.adrianzen@untrm.edu.peUniversidad Nacional Toribio Rodríguez de Mendoza de AmazonasAmazonas, PerúJuan Elias Villegas Cubas https://orcid.org/0000-0001-7026-9767 jvillegasc@unprg.edu.peUniversidad Nacional Pedro Ruiz GalloLambayeque, PerúHugo Vega Huertashttps://orcid.org/0000-0002-4268-5808 hvegah@unmsm.edu.peUniversidad Nacional Federico Villarreal,Lima, Perú.Gisella Luisa Elena Maquen Niñohttps://orcid.org/0000-0002-9224-5456gluisamn@unprg.edu.peUniversidad Nacional Pedro Ruiz GalloLambayeque, PerúAbstract.- The objective was to implement an artificial neural network to improve the recognition of geometric figuresthat later allow making estimates about shapes in a real context to create virtual planes. A Matlab program wasdeveloped to create the neural network and two knowledge bases containing fifteen different geometric figures thatwere developed for the training stage and for the recognition stage. The results of the training phase were carried out inthree processes, obtaining a percentage of 11.35%, 3.55% and 2% of error margin respectively, later came therecognition stage with three processes, obtaining 40%, 100% and 100% figures recognized respectively. It is concludedthat the implemented neural network performed the recognition of fifteen geometric figures correctly (100%), requiringthree training processes and three recognition processes to verify their learning.Keywords: Image recognition, Machine learning, artificial neural networks, artificial intelligence.Application of an artificial neural network in the recognition of geometric figures 93Recibido (10/03/2022), Aceptado (09/05/2022)https://doi.org/10.47460/uct.v26i114.594
I. Introducción.La Red Neuronal Artificial es un programa informático que busca simular el funcionamiento de las neuronas biológicasutilizando funciones matemáticas que permita la inhibición o activación de estímulos a través del ingreso de valores deentrada [1].La visión artificial es un campo de investigación de inteligencia artificial que hace uso de diferentes algoritmos, técnicasy métodos, logrando el procesamiento de la información contenida en imágenes digitales de objetos [2].La red neuronal artificial y la visión artificial convergen para poder ayudar en el reconocimiento de imágenes de formaautomatizada. Esto puede ser requerido para poder diseñar planos virtuales de forma automatizada en espacios físicospertenecientes a una institución gubernamental, que ayudarían a mejorar la ubicación de los usuarios, localizandodiversas oficinas y áreas. Pero para poder realizarlo se requiere primero desarrollar habilidades visomotoras quepermitan el aprendizaje espacial dentro de un plano.Existe entonces la necesidad de enseñar a estimar formas, tal y como se hace con un niño en los primeros años deedad escolar, que se comienza por la identificación de figuras geométricas, para posteriormente, calcular espacios yayudarse en el desplazamiento. Para el reconocimiento de figuras geométricas, y en general, de cualquier tipo de imágenes, se puede utilizaraprendizaje máquina, rama de la inteligencia artificial que hace uso de algoritmos para identificar patrones de unconjunto de datos. Dentro de los tipos de aprendizaje tenemos el aprendizaje supervisado, no supervisado y porrefuerzo. El aprendizaje supervisado se caracteriza porque se tiene previamente conocimiento de un conjunto deetiquetas asociados a los datos, El aprendizaje no supervisado los datos no tienen etiquetas y el objetivo es encontrarpatrones para organizar los datos, el aprendizaje por refuerzo busca que se aprenda de la experiencia con proceso deprueba error [3]. De estos tipos de aprendizaje para la presente investigación se realizará el aprendizaje supervisadocon el uso de una red neuronal artificial que a través del proceso de entrenamiento logre el reconocimiento de figurasgeométricas.Esta razón despertó el interés para realizar la presente investigación y se planteó como propósito implementar una redneuronal artificial que permita la identificación de objetos simples como son figuras geométricas, lo cual sentará la basepara futuras investigaciones donde se requiera a partir de una imagen poder desarrollar un plano virtual de eseespacio físico en forma automatizada. II. DesarrolloA.Concepto de Red NeuronalSe debe definir el concepto de red neuronal artificial (RNA) como aquellos elementos software compuestas de nodos ounidades de proceso relacionadas a través de conexiones dirigidas. Además, cada conexión tiene un peso numéricoasociado, que determina la fuerza y el signo de la conexión [4]. Las RNA tratan de imitar el comportamiento de suspares biológicas, aunque de manera artificial, para ello, modelan matemáticamente dicho comportamiento, como lohace el cerebro humano [5].94Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
B. Modelos de Red NeuronalExisten múltiples modelos de redes neuronales, que han ido evolucionando a lo largo del tiempo, entre losampliamente utilizados están el modelo perceptrón [6], que actúa como discriminador lineal, posteriormente aparecióel sistema backpropagation [7] donde se busca ajustar los pesos de cada neurona con la finalidad de minimizar el error;el algoritmo de backpropagation ayuda a determinar la culpabilidad de error (mediante ponderación) de cada neuronade la última capa y lo va propagando hacia atrás determinando la culpabilidad de cada neurona de la red. Actualmente encontramos modelos más avanzados como el modelo Hopfield que tiene un mecanismo de aprendizajeoffline que el proceso de funcionamiento de la red inicializa cuando el proceso de aprendizaje ha concluido, evitándoseasí darse en forma paralela.La red Hopfield se da en dos etapas: La primera es el entrenamiento, en donde se alimenta a la red neuronal con unjunto de patrones que tiene que memorizar o almacenar y la segunda parte es el reconocimiento, que consiste eninicializar como entrada patrones diferentes a los del entrenamiento, y a partir de esas entradas la red neuronal deberáreconocer los nuevos patrones propagando la red hasta estabilizarse, en caso no encuentre coincidencias deberádevolver como salida la información más parecida de lo que se ha entrenado [8].C. Antecedentes de la InvestigaciónLas redes neuronales se aplican en la identificación y selección de objetos o imágenes, como la identificación depatrones en un conjunto de datos. Están siendo utilizadas en diversos campos de la actividad humana en la agriculturapara poder distinguir los tipos de plagas que presentan los sembríos a partir del color forma y aspecto de las hojas ytallos de las plantas, utilizando redes neuronales que permitan identificar patrones de las fotos de alta resolucióntomadas a los sembríos. También son utilizadas en la clasificación de productos tales como el café [9], que a través de imágenes tomadas conuna cámara web, se procesan y se extraen sus características, que serán datos de entrada a una red neuronal quepermita clasificar el café maduro o café verde, alcanzando una efectividad del 97% en la detección del grado demadurez del fruto del café, demostrando que la red neuronal es un método viable y poco invasivo en la clasificación delcafé. Igualmente es utilizado para la clasificación de productos exportables como la manzana, mandarinas, dátiles, mangos yotros productos exportables en Perú. Teniendo como indicadores de clasificación, el color como principal característicade inspección. “En el caso de las manzanas, una investigación tomó tres indicadores de selección: el área nodefectuosa, manchas como parches y manchas alargadas, dando como precisión de la clasificación el 96.6%” [10]. Enotra investigación, relacionadas también a clasificación de manzanas de exportación, se diseñaron dos redesneuronales, “una considera el color sobre toda la superficie de la manzana y de acuerdo a eso la clasifica, y la otraidentifica cualquier parte de la superficie de la manzana para obtener magulladuras y luego da la clasificación final” [11].Otra investigación se refirió a la clasificación del mango de exportación, dentro de las dificultades encontradas, es queno solo se debía ceñir al color o magulladuras en la fruta, sino también la forma de la fruta ya que es una de lascaracterísticas a tomar en cuenta para ver que el producto sea exportable [12].También es utilizado para el reconocimiento de personas, de rostros, de emociones reflejadas en el rostro.Actualmente muchos de los celulares, cámaras web, cámaras fotográficas tienen algoritmos de inteligencia artificial. Sepuede implementar una red neuronal sobre una unidad de procesamiento gráfico (GPU) para resolver un problema dereconocimiento facial que consiste en decidir hacia donde apunta la cara de una persona en una imagen, alcanzandoun nivel de acierto del 85% [14].95Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
También se utilizan en la reconstrucción tridimensional de objetos, a través de imágenes o videos en alta definición,poder reconstruir el objeto real en tres dimensiones, encontrando como una gran dificultad el reconocimiento de lasesquinas , utilizando los modelos de perceptrón multicapa (MLP) y redes de base radial (RBF) como los modelos másadecuados para poder implementarla, habiendo la necesidad de evaluar múltiples alternativas en los conjuntos dedatos y las técnicas de entrenamiento, hasta encontrar el modelo correcto al problema a resolver [15].D. Estructura de la Red NeuronalLas neuronas se modelan mediante unidades de proceso, que se compone de una red de conexiones de entrada, unafunción de red (de propagación), encargada de computar la entrada total combinada de todas las conexiones, unnúcleo central de proceso, encargado de aplicar la función de activación, y la salida, por dónde se transmite el valor deactivación a otras unidades [16].Independientemente del modelo, la estructura de una red neuronal consta de cuatro elementos básicos: Un conjuntode conexiones, establecidas por pesos. Estas conexiones pueden realizar la función excitadora (valores positivos) oinhibidora (valores negativos). Un sumador, que haya el promedio ponderado de las entradas multiplicadas por lospesos. Una función de activación que ayuda a limitar los valores de salida. Un umbral que es una constante encima dela cual la neurona se activa [17].Según sea el modelo de red neuronal elegido, tendrá mayor número de componentes, múltiples conexiones, mayornúmero de capas, que permitan dar una respuesta adaptable al contexto en donde se desenvuelven.Para la presente investigación se implementó la red neuronal con una capa de entrada con 225 neuronas que permiteel ingreso de una figura geométrica desde un archivo txt representado una matriz de 15x15; una capa intermedia de150 neuronas y una capa de salida con 4 neuronas que permite clasificar a la figura geométrica en cualquiera de las 3clases (triángulo, cuadrado o rectángulo) y una de control para una clase no reconocida como se muestra en la Figura 1.96Fig. 1. Estructura de la red neuronalAdrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
III. MetodologíaSe utilizó el método de simulación, mediante el uso de un software informático se simuló la actividad de una redneuronal para que pueda entrenarse y reconocer figuras geométricas. La técnica fue la Observación experimental que posibilita confrontar el estudio teórico desarrollado con la práctica [18].Los Materiales utilizados en la investigación son los registros de anotaciones donde se escriben los resultadosobtenidos en cada proceso de entrenamiento, así como los valores de salida obtenidos por la red neuronal en cadaproceso de reconocimiento.También se hizo uso del software Matlab R2014 para codificar el programa informático de la red neuronal artificialsiguiendo el ejemplo de red neuronal propuesto por Gilat [19].La red Neuronal creada sigue el modelo Back propagation que es ampliamente utilizada en el reconocimiento depatrones e imágenes. [20].El software ofimático Microsoft Excel fue usado para poder realizar la base de conocimiento de la etapa deentrenamiento y la base de conocimiento de la etapa de reconocimiento. También se utilizó para poder leer los valoresde salida de la red neuronal y determinar si se realizó un acertado reconocimiento de las figuras geométricas. Elprocedimiento seguido para realizar las dos bases del conocimiento fue el siguiente:Para poder alimentar a la red neuronal (ingresar datos de entrada) se diseñaron 5 figuras geométricas de cada tipo:triangulo, rectángulo y cuadrado, siendo 15 figuras en total. A cada figura geométrica se le hizo un mapeo de 15 x 15pixeles (15 columnas y 15 filas), dando valores digitales (0 o 1), donde 0 indica que no es parte del borde, es decir lacelda está sin sombrear y 1 indica que la celda es parte del borde, formándose cadenas de valores de 225 caracteresque serían los valores de entrada de la base de conocimiento. 97Fig. 2. Diseño de figuras geométricas para la etapa de entrenamiento Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
Posteriormente, se agregó a la base de conocimiento las columnas de los valores de salida, que como son 3 figurasgeométricas, fueron 3 columnas adicionales, más una salida de control. Y se agregó una fila adicional para los valoresde control en caso de que no coincida con ninguno de los patrones de datos de las figuras anteriores. De esa forma labase de conocimiento para la etapa de entrenamiento tuvo 229 columnas y 16 filas. 98Fig. 4. Diseño de figuras geométricas para la etapa de reconocimiento Fig. 3. Extracto de la Base de Conocimientos para la etapa de entrenamiento de la red neuronalLa base de conocimiento de la etapa de reconocimiento fue diseñada de la misma manera la de la etapa anterior, sediseñaron 5 figuras geométricas de cada tipo: triangulo, rectángulo y cuadrado, siendo 15 figuras en total, diferentes alas figuras geométricas de la base de entrenamiento. A cada figura geométrica se le hizo un mapeo de 15 x 15 pixelesformándose cadenas de valores de 225 caracteres. Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
Posteriormente, se agregó a la base de conocimiento las cuatro columnas de los valores de salida tres de las figurasgeométricas más una salida de control. Y se agregó una fila adicional para los valores de control. De esa forma la basede conocimiento para la etapa de reconocimiento tuvo 229 columnas y 16 filas. 99Fig. 5. Extracto de la Base de Conocimientos para la etapa de reconocimiento de la red neuronal Cuando terminó la fase de reconocimiento, se obtuvieron valores de salida de la red neuronal, los cuales fueroncopiados a Microsoft Excel para su análisis y así poder determinar si se realizó un acertado reconocimiento de lasfiguras geométricas. IV. ResultadosEn la etapa de entrenamiento de la red neuronal se realizó tres procesos de entrenamiento. En el primer proceso de entrenamiento se le introdujo como máximo porcentaje de error 15% y 200 repeticiones(iteraciones). Los datos de entrada que se dio a la red neuronal en el primer proceso de entrenamiento son:Introducir nombre de archivo con data: CONOCI.txtNúmero de entradas: 225Número de salidas: 4Número de paquetes de datos entrada-salida: 16Introducir neuronas en capa intermedia: 150Considera Neurona bias: SIIntroducir ratio de aprendizaje: 0.01Introducir el valor máximo del error (%): 15Introducir el máximo de iteraciones de aprendizaje: 200Introducir nombre del archivo donde se guardará información de la red: figuras1.prnDespués de haber ejecutado el programa, se obtuvo la curva de aprendizaje, donde se puede observar que el procesode entrenamiento alcanzò el objetivo esperado de tener un margen de error del 15%, ya que en la iteración 20 elporcentaje de error alcanzó el 11.35%.Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
100Fig. 6. Evolución del margen de error de la red neuronal en el primer proceso de entrenamiento En el segundo entrenamiento se le introdujo como máximo porcentaje de error 5% y 200 repeticiones (iteraciones). Losdatos de entrada que se dio a la red neuronal en el segundo proceso de entrenamiento son:Introducir nombre de archivo con data: CONOCI.txtNumero de entradas : 225Numero de salidas : 4Numero de paquetes de datos entrada-salida: 16 Introducir nombre de archivo con información de la red: figuras1.prnNumero de neuronas en capa intermedia : 150Neurona bias en capa de entrada (1:SI) (0:NO) : 1Introducir ratio de aprendizaje : 0.005Introducir el valor máximo del error (%) : 5Introducir el máximo número de iteraciones de aprendizaje : 200Introducir nombre del archivo donde se guardará información de la red:figuras2.prnDespués de haber ejecutado el programa, se obtuvo la curva de aprendizaje, donde se puede observar que el procesode entrenamiento alcanzò el objetivo esperado de tener un margen de error del 5%, ya que aproximadamente a latercera iteración alcanzó el porcentaje de 3.55%. Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
101Fig. 7. Evolución del margen de error de la red neuronal en el segundo proceso de entrenamiento En el tercer y último entrenamiento se le introdujo como máximo porcentaje de error 2% y 200 repeticiones(iteraciones). Los datos de entrada que se dio a la red neuronal en el segundo proceso de entrenamiento son:Introducir nombre de archivo con data: CONOCI.txtNúmero de entradas : 225Numero de salidas: 4Numero de paquetes de datos entrada-salida: 16Introducir nombre de archivo con información de la red: figuras2.prnNumero de neuronas en capa intermedia : 150Neurona bias en capa de entrada (1:SI) (0:NO) : 1Introducir ratio de aprendizaje : 0.0005Introducir el valor máximo del error (%) : 2Introducir el máximo número de etapas de aprendizaje : 200Introducir nombre del archivo donde se guardará información de la red:figuras3.prnDespués de haber ejecutado el programa, se obtuvo la curva de aprendizaje, donde se puede observar que el procesode entrenamiento alcanzò el objetivo esperado de tener un margen de error del 2%, ya que aproximadamente en laiteración 70 alcanzó el porcentaje. Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
102Fig. 8. Evolución del margen de error de la red neuronal en el tercer proceso de entrenamiento Posteriormente se realizó la etapa de reconocimiento de la red neuronal con 5 imágenes diferentes para cada tipo defiguras geométricas: triángulo, cuadrado y rectángulo, creándose otra base de conocimiento llamada RECO.txt con 229columnas y 16 filas que tenía los valores digitales de las nuevas figuras geométricas a reconocer. Se realizaron tresprocesos de reconocimiento, siendo el primero desfavorable, el segundo de reentrenamiento y el tercer procesofavorable.En el primer proceso de reconocimiento se le pidió a la red neuronal que reconociera las figuras geométricas diseñadasen la base de reconocimiento RECO.txt utilizando el aprendizaje realizado en la etapa de entrenamiento cuyosparámetros se encontraban en el archivo figuras3.prn, pidiéndole a la red neuronal que tuviera como máximoporcentaje de error 5%. Los datos de entrada que se le introdujeron a la red neuronal en el primer proceso de reconocimiento son:Introducir nombre de archivo con data: RECO.txt Número de entradas : 225 Numero de salidas : 4 Numero de paquetes de datos entrada-salida: 16 Introducir nombre de archivo con información de la red: figuras3.prn Numero de neuronas en capa intermedia : 150 Neurona bias en capa de entrada (1:SI) (0:NO) : 1 Introducir el valor máximo del error (%) : 5Introducir el máximo número de iteraciones de aprendizaje : 100Introducir nombre del archivo donde se guardará información de la red: pruebarec.prnAl finalizar el reconocimiento, se analizaron los valores de salida a través del comando output de Matlab, y al seranalizados en Excel se pudo comprobar que solo reconocía a 6 figuras geométricas de las 15 que se le había pedidoque reconozca, no llegando a alcanzar el objetivo propuesto.Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
103Fig. 9. Análisis de los valores de salida de la red neuronal en el primer proceso de reconocimiento Al verificar que el resultado no era el óptimo, se agregó al final del primer archivo de entrenamiento (CONOCI.txt) lospatrones no reconocidos de la base del conocimiento para la etapa de reconocimiento (RECO.txt), creando una nuevabase de conocimiento que contenía 229 columnas con 31 filas (RECO2.txt), que era el resultado de unir las dos basesdel conocimiento anteriormente mencionadas para volver a entrenar a la red neuronal, buscando obtener una red másentrenada que luego pudiera reconocer con facilidad los patrones no reconocidos actuales. En el segundo proceso de reconocimiento se le pidió a la red neuronal que volviera a entrenar con la base deconocimiento RECO2.txt utilizando el aprendizaje realizado en el primer proceso de reconocimiento cuyos parámetrosse encontraban en el archivo pruebarec.prn, pidiéndole a la red neuronal que tuviera como máximo porcentaje deerror 3%.Los datos de entrada que se le introdujeron a la red neuronal en el segundo proceso de reconocimiento son:Introducir nombre de archivo con data: RECO2.txtNúmero de entradas : 225Número de salidas: 4Numero de paquetes de datos entrada-salida: 31 Introducir nombre de archivo con información de la red: pruebarec.prnNumero de neuronas en capa intermedia : 150Neurona bias en capa de entrada (1:SI) (0:NO) : 1Introducir ratio de aprendizaje : 0.02Introducir el valor máximo del error (%) : 3Introducir el máximo número de iteraciones de aprendizaje : 70 Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
104Introducir nombre del archivo donde se guardará información de la red: pruebarec2.prnEn el segundo proceso de reconocimiento la red neuronal llegó a alcanzar un porcentaje de error de 2.75% al finalizarel reconocimiento mucho menor que el propuesto que fue de 3%, valor que indicaba que la red había reconocido lasfiguras geométricas propuestas. En este proceso se realizó la identificación de las quince figuras geométricas, sinembargo, fue con una nueva base del conocimiento que salió de unir la del entrenamiento con la de reconocimiento.Habría que constatar si con la base de conocimiento original del reconocimiento, se obtiene los mismos resultadospara constatar que la red neuronal aprendió de su experiencia. Fig. 10. Evolución del margen de error de la red neuronal en el segundo proceso de reconocimientoEn el tercer y último proceso de reconocimiento, se le pidió a la red neuronal que reconociera las figuras geométricasdiseñadas en la base de reconocimiento original RECO.txt utilizando el aprendizaje realizado en el segundo proceso dereconocimiento cuyos parámetros se encontraban en el archivo pruebarec2.prn, pidiéndole a la red neuronal quetuviera como máximo porcentaje de error 0% con solo dos iteraciones. Los datos de entrada que se le introdujeron a la red neuronal en el tercer proceso de reconocimiento son:Introducir nombre de archivo con data:RECO.txtNúmero de entradas : 225Número de salidas : 4Numero de paquetes de datos entrada-salida: 16 Introducir nombre de archivo con información de la red: pruebarec2.prnNumero de neuronas en capa intermedia : 150Neurona bias en capa de entrada (1:SI) (0:NO) : 1Introducir ratio de aprendizaje : 0.02Introducir el máximo número de iteraciones de aprendizaje : 2Introducir nombre del archivo donde se guardará información de la red: -pruebarec3.prn Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
105Al finalizar el reconocimiento, se analizaron los valores de salida a través del comando output de Matlab, y al seranalizados en Excel se pudo comprobar que reconoció a las 15 figuras geométricas, es decir se cumplió el objetivo al100%. ConclusionesSe necesitaron tres procesos de entrenamiento con 200 iteraciones cada uno, obteniéndose en el primer proceso unmargen de error de 11.35%, en el segundo proceso se obtuvo 3.55% y el último proceso se obtuvo un margen de errorde 2% respectivamente.Posteriormente se realizaron tres procesos de reconocimiento, obteniendo en el primer proceso el reconocimiento de6 figuras (40%), en el segundo 15 figuras (100%) y en el tercero 15 figuras (100%) respectivamente, siendo necesariorealizar el tercer proceso de reconocimiento con su base de conocimiento oruginal. Es por tanto necesario realizarvarias etapas de reconocimiento para constatar que la red neuronal ha aprendido de sus errores y aciertos, utilizandosu base de conocimiento original en su etapa de reconocimiento.Se concluye que, la red neuronal implementada realizó el reconocimiento de quince figuras geométricas de formaacertada lo que constituye el 100% de las figuras geométricas propuestas. RecomendacionesSe deben buscar nuevos algoritmos que permitan automatizar el mapeo de las imágenes que configuran los valores deentrada de la red neuronal para que sean homogéneos, en la presente investigación, que las figuras geométricastengan el mismo borde. Fig.11. Análisis de los valores de salida de la red neuronal del tercer proceso de reconocimientoAdrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
106Referencias[1] R. Flórez y J. Fernández., Las Redes Neuronales Artificiales: Fundamentos Teóricos y Aplicaciones Prácticas, España:Netbiblo, 2006. [2] J. L. Ramirez Arias, A. Rubiano Fonseca y R. Jimenez Moreno, «Object Recognition Through Artificial IntelligenceTechniques,» Revista Facultad de Ingeniería, 2020. [3] L. Sandoval, «ALGORITMOS DE APRENDIZAJE AUTOMÁTICO PARA ANÁLISIS Y PREDICCIÓN DE DATOS,» ITCA-FEPADE,vol. 11, nº 36-40, 2018. [4] S. J. Russell y P. Norvig, Inteligencia artificial: un enfoque moderno, 2da Ed. ed., Nueva York: Pearson Education, 2004,p. 1212.[5] G. Cheng y X. Dong, «From Chaos to Order: Methodologies, Perspectives, and Applications.,» World Scientific, 1198. [6] F. Rosenblatt y C. Laboratory, The pertron: a theory of statistical separability in cognitive systems (Project Para).Cornell Aeronautical Laboratory, 1958. [7] P. Werbos, «The Roots of Backpropagation: From Ordered Derivatives to Neural Networks and Political Forecasting,»1994. [8] I. A. Ruge Ruge y J. D. Alvarado, «Sistema basado en FPGA para la evaluación de redes neuronales orientadas alreconocimiento de imágenes,» Tecnura, vol. 17, nº 36, 2013. [9] J. C. Herrera Perez, S. M. Medina Ortiz, G. E. Martinez LLanos, K. d. J. Beleño Saenz y J. S. Berrio Perez, «Clasificaciónde los frutos de café según su estado de maduración y detección de la broca mediante técnicas de procesamiento deimágenes,» Prospectiva, pp. 15-22, 2016. [10] Q. Yang, «Classification of apple surface features using machine vision and neural networks.,» Computers andElectronics in Agriculture, vol. 1, nº 9, pp. 1-12, 1993. [11] K. Nakano, «Application of neural networks to the color grading of apples,» Computers and Electronics inAgriculture, vol. 3, nº 18, pp. 105-116, 1997. [12] H. F. Vega Huertas, «Redes neuronales para el reconocimiento de la calidad morfológica de mangos exportablespara la empresa Biofruit del Perú S.A.C.,» Lima, 2011.[13] H. P. Chan, S. C. B. Lo, B. Sahiner, K. Lam y M. Helvie, «Computer-aided detection of mammographicmicrocalcifications: Pattern recognition with an artificial neural network,» Med. Phys., nº 22, pp. 1555-1567, 1995. [14] J. P. Balarini, S. Nesmachnow y M. ´Rodriguez, «Recognition Using Neural Networks over GPU,» CLEI ElectronicJournal, vol. 15, nº 3, 2012. [15] H. d. J. Mesa Yepes, J. W. Brancha Bedoya y C. Lopez Amaya, «Sistema de detección de esquinas en imágenesdigitales en tonos de gris, basado en redes neuronales artificiales,» Revista Avances en Sistemas e Informática, pp. 195-200, 2008. [16] R. Pino, A. Gómez y N. Abajo, Introducción a la Inteligencia Artificial: Sistemas Expertos, Redes NeuronalesArtificiales y Computación Evolutiva, España: Universidad de Oviedo, 2001. [17] G. A. Figueredo Avila y J. A. Ballesteros Ricaurte, «Identificación del estado de madurez de las frutas con redesneuronales artificiales, una revisión,» Revista Ciencia y Agricultura (Rev Cien Agri), vol. 13, nº 1, pp. 117-132, 2016. [18] R. Hernandez Sampieri, C. Fernández Collado y P. Baptista Lucio, «Metodología de la Investigación,» McGraw-Hill(4ta Ed.), México, 2008.[19] A. Gilat, Matlab.Una introducciòn con ejemplos prácitcos, Barcelona: Revertè S.A., 2005. [20] J. González, J. Lez, M. Coaut y V. Hernando, Redes neuronales artificiales: Fundamentos, modelos y aplicaciones.,Addison-Wesley Iberoamericana, , 1995. [21] E. Cabello Pardos, «Técnicas de reconocimiento facial,» 2012.[22] J. Carrasco Ochoa y J. Martinez Trinidad, «Reconocimiento de patrones,» Komputer Sapiens, pp. 5-9, 2011. [23] T. Morimoto y Y. Hashimoto, «An intelligent control for greenhouse automation, oriented by the concepts of SPAand SFA - an application to a post-harvest process,» Computers and Electronics in Agriculture, pp. 179-194, 2000. Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas
107Los autoresIvan Adrianzén OlanoMaestro en Ciencias de la Educación con mención en Docencia y GestiónUniversitaria. Estudios de Maestría en Ingeniería de Sistemas con mención enSistemas de Información-Universidad Antenor Orrego, Trujillo. Filiación:Universidad Nacional Toribio Rodríguez de Mendoza de Amazonas – Perú. E-mail: ivan.adrianzen@untrm.edu.pe, ORCID: https://orcid.org/0000-0002-1910-2854 Juan Elias Villegas CubasIngeniero de Sistemas, Magister en Ingeniería de Sistemas, Doctor en Ciencias de la Computación y Sistemas. Docente nombrado en la Universidad Nacional Pedro Ruiz Gallo de Lambayeque – Perú, adscrito al Departamento Académico de Ingeniería de Sistema. E-mail: jvillegasc@unprg.edu.pe, ORCID: https://orcid.org/0000-0001-7026-9767 Hugo Vega HuertasDoctor en Ingeniería de Sistemas y Magister en Administración, Catedrático en la Universidad Nacional Mayor de San Marcos - Lima - Perú. E-mail: hvegah@unmsm.edu.pe, ORCID: https://orcid.org/0000-0002-4268-5808 Gisella Luisa Elena Maquen NiñoDoctora en Ciencias de la Educación con mención en Administración de laEducación. Estudios de doctorado en Ciencias de la Computación y Sistemas,Universidad Señor de Sipán. Ingeniero en Computación e Informática,Universidad Pedro Ruiz Gallo. Filiación: Universidad Pedro Ruiz Gallo – Perú. E-mail: gmaquenn@unprg.du.pe, ORCID: https://orcid.org/0000-0002-9224-5456.Adrianzén et al. Aplicación de una red neuronal artificial en el reconocimiento de figuras geométricas