![\"3D](\"https:\/\/iescarlosiii.es\/wordpressnew\/wp-content\/uploads\/2022\/02\/technology-g1ba66fde8_1920.jpg\")
<\/a><\/p>\n<\/p>\n
<\/p>\n
Nuestros j\u00f3venes investigadores participar\u00e1n en un proyecto colaborativo con la universidad de Almer\u00eda llamado ENSE\u00d1ANDO A UNA M\u00c1QUINA A RECONOCER OBJETOS MEDIANTE IM\u00c1GENES<\/em>, donde\u00a0cuentan con el asesoramiento de un equipo de investigaci\u00f3n\u00a0dedicado al an\u00e1lisis de im\u00e1genes\u00a0con visi\u00f3n artificial\u00a0estando el profesor Jos\u00e9 Antonio Piedra Fern\u00e1ndez, nuestro enlace, a la cabeza del mismo. Las materias de tecnolog\u00eda, TIC, matem\u00e1ticas, biolog\u00eda y geolog\u00eda, educaci\u00f3n f\u00edsica y f\u00edsica y qu\u00edmica trabajar\u00e1n con 3\u00ba y 4\u00ba de ESO para preparar el desarrollo del proceso de investigaci\u00f3n, construir y programar los recursos necesarios y organizar la exposici\u00f3n que se celebrar\u00e1 en el Paseo de Almer\u00eda en el mes de mayo.<\/p>\n Hablar de visi\u00f3n artificial es mucho m\u00e1s que conseguir que un robot \u00abvea\u00bb. El acto de ver, en s\u00ed mismo, no aporta mucho si no va asociado de un proceso de comprensi\u00f3n del contexto, del mundo que nos rodea. Ver,\u00a0desde el punto de vista de\u00a0una m\u00e1quina, implica trabajar con el reconocimiento de patrones o singularidades espec\u00edficas que contienen las im\u00e1genes (y, por ende, su agrupamiento en formato de v\u00eddeo).<\/p>\n A estas alturas de nuestra evoluci\u00f3n tecnol\u00f3gica resulta sencillo conseguir que una m\u00e1quina reconozca una imagen y ejecute una tarea cuando la reconozca. Ejemplos de esto lo encontramos al ver c\u00f3mo un lector de c\u00f3digos de barras de un producto en una tienda es capaz de marcar un precio en nuestra cuenta, al facturar los billetes en un vuelo, al leer un c\u00f3digo QR o al abrir la sesi\u00f3n de nuestro smartphone<\/em> mostr\u00e1ndole nuestra cara. El problema surge cuando hacemos que la m\u00e1quina se enfrente a un entorno no habitual, para el que no ha sido ense\u00f1ada previamente.\u00a0Es ahora cuando debe ser capaz de analizar grupos de p\u00edxeles en un procesamiento automatizado para extraer informaci\u00f3n que sea capaz de utilizar para aprender en un proceso de ensayo-error y mejora continua. La clave, est\u00e1 en las matem\u00e1ticas y sus algoritmos.<\/p>\n Un algoritmo es un grupo de instrucciones ordenadas que permiten dar soluci\u00f3n a un problema planteado, realizar un c\u00e1lculo, organizar una serie de datos o desarrollar una secuencia de trabajo dentro de una rutina mucho m\u00e1s compleja.<\/p>\n Para que la m\u00e1quina aprenda debe entrenarse y esto lo logra por repetici\u00f3n. Contar con un registro suficientemente alto de im\u00e1genes etiquetadas ayuda a que el algoritmo madure a mayor velocidad reduciendo los errores y afinando su decisi\u00f3n. As\u00ed, si quisi\u00e9ramos crear un\u00a0 programa que reconociera hojas enfermas en un cultivo tendr\u00edamos que contar con un cat\u00e1logo tan grande como fuera posible de distintos tipos de hojas\u00a0enfermas por distintas enfermedades y plagas. La computadora, as\u00ed, reconocer\u00eda aquellos p\u00edxeles espec\u00edficos que muestran patrones que se corresponden con las caracter\u00edsticas de una hoja da\u00f1ada. Es lo que se da en llamar aprendizaje supervisado<\/em>.<\/p>\n El problema ocurre cuando se analizan estos patrones y se descubre que pueden existir varios millones distintos afectando as\u00ed a la capacidad de computaci\u00f3n. Llegados a este punto es cuando entra en juego la Inteligencia Artificial (I.A.) y sus diferentes expresiones para el an\u00e1lisis de im\u00e1genes. El machine learning<\/em> viene us\u00e1ndose desde los albores de la I.A. y consiste en el uso de algoritmos para aprender de los datos recopilados por un perif\u00e9rico de entrada (una c\u00e1mara, por ejemplo) para, posteriormente, ser capaz de realizar un trabajo con ellos o una predicci\u00f3n. Numerosas herramientas matem\u00e1ticas han sido empleadas al trabajar con machine learning<\/em> (\u00e1rboles de decisi\u00f3n, redes bayesianas, programaci\u00f3n l\u00f3gica inductiva…) y esto proceso no hace m\u00e1s que crecer y perfeccionarse.<\/p>\n Si tomamos la imagen de un cachorro, como la que se muestra a continuaci\u00f3n y la convertimos adecuadamente para que sus formas y contornos sean m\u00e1s f\u00e1cilmente reconocibles por nuestra computadora podr\u00edamos ense\u00f1arle a reconocer la forma de una oreja, o de los ojos o el hocico del animal para que al ver una imagen similar sea capaz de reconocer que se trata de un perro de corta edad y raza menuda; pero si cambia la raza, o la edad, o la posici\u00f3n del cuerpo o se encuentra en movimiento es posible que la imagen a estudiar no tengo nada con qu\u00e9 ser comparada.<\/p>\n<\/a><\/p>\n