RECONOCIMIENTO DE CLULAS EPIDRMICAS VEGETALES MEDIANTE UNA RED NEURONAL ARTIFICIAL

Ledda I. Larcher, E. Alejandra Catn, Claudia A. Degano

Introduccin
La composicin botnica de la dieta y su variacin en el tiempo juegan un papel importante desde la perspectiva de produccin de ganado caprino, ya que conocer la dieta permite corregir deficiencias nutricionales producidas por la alimentacin con forraje nativo, permitiendo disear estrategias de manejo tanto del forraje como del estado nutricional del animal. Para la determinacin de la composicin botnica de la dieta de herbvoros se emplean distintas metodologas, entre ellas la microhistologa. resulta una tarea complicada su xito depende en gran medida del entrenamiento y experiencia del tcnico que realiza la tarea, puesto que implica el conocimiento de un amplio nmero de especies y de sus caracteres histolgicos.

Introduccin
El tcnico microscopista, a partir del anlisis de fragmentos epidrmicos, reconoce caractersticas de las clulas contenidas e identifica las especies vegetales ingeridas. El xito de la tarea depende en gran medida del entrenamiento y experiencia del tcnico que realiza la tarea, puesto que implica el conocimiento de un amplio nmero de especies y de sus caracteres histolgicos. Existe, por lo tanto, una necesidad tanto tcnica como econmica de aplicar nuevos mtodos que permitan el reconocimiento de clulas botnicas de manera confiable y rpida. Sin solucin desde la programacin convencional, se usaron tcnicas de reconocimiento de patrones, propias de la inteligencia artificial.

Materiales y mtodos
Clasificar las clulas presentes en una muestra significa distinguir diferentes caractersticas (forma, tamao) as como la composicin de las mismas. Al mismo tiempo, la observacin de objetos tan pequeos slo es posible mediante microscopios, y su conservacin slo es posible mediante la preparacin de muestras, con lo que algunas de estas caractersticas no son 100% reales (prdida de volumen por secado, cambios en la coloracin por tincin, cambios en la forma original por triturado). Mediante un digitalizador, cada foto es convertida a su representacin numrica. La unidad de informacin en una imagen digitalizada es el pxel y cada pxel posee propiedades de posicin y valores de color. Sin embargo un pixel no conlleva ninguna informacin biolgica relacionada con el reconocimiento de una clula. Se establecen entonces, conjuntos de caractersticas.

Materiales y mtodos
Las redes neuronales artificiales clasifican una seccin de tejido microhistolgico luego de ser entrenadas con un conjunto especfico de datos tomando en cuenta todas o algunas de las caractersticas extradas. Cada salida de una red neuronal es la probabilidad de clasificar una entrada que pertenece a una clase especfica. Asignamos la seccin de entrada a la clase asociada dndole el valor ms alto a la salida.

Metodologa
Imagen real

Adquisicin de imagen Imagen digital Aplicacin de filtros a la imagen Imagen filtrada Extraccin de caractersticas X caractersticas Normalizacin de caractersticas Valores en [-1; 1]

Reduccin de entradas
Y caractersticas Red neuronal Valores en [0; 1]

Metodologa | adquisicin de imgenes

El proceso de adquisicin es realizado mediante un microscopio binocular capaz de trabajar a 100 aumentos Arcano, con una cmara de video Samsung incorporada y el software para capturar fotos Pinnacle Studio Quick Start. Si bien el uso del color permite mejorar precisin del reconocimiento, en este caso, se ha descartado debido al procesamiento previo que reciben las muestras (tincin). Se usan imgenes de 256 tonos de grises (0 corresponde al negro y 255 a blanco) de tamao 288 x 352 pxeles de 150dpi, tomadas a 40x.

(Huiaj o palo de cruz). 40x

Tabebuia nodosa

(algarrobo blanco). 40x.

Prosopis alba

Metodologa | aplicacin de filtros a las imgenes

Las imgenes se transforman a escala de grises mediante la conversin de los valores RGB a coordenadas NTCS y colocando en cero los componentes de tono y saturacin y luego volvindolos nuevamente al espacio de color RGB. Se convierte el archivo en un arreglo bidimensional. Cada M(i,j) es un pxel ubicado en la fila i y en la columna j que contiene el tono de color relacionado a la imagen real. La cabecera del archivo contiene los datos que permitirn determinar el tipo de imagen de que se trata. El tamao de imagen a utilizar se estandariza y, a continuacin, el archivo de entrada se convierte a escala de grises de 8 bits usando diferentes funciones.

Metodologa | aplicacin de filtros a las imgenes

Se generaron opciones que permiten la correccin bsica de la imagen, con posibilidad de usar mscara poligonal en caso que se desee trabajar usando regiones de inters. Ecualizacin imagen: Filtro adaptativo lowpass Filtro por mediana Iluminacin y oscurecimiento: Aumento y disminucin de contraste: Deteccin de lmites

Metodologa | Extraccin de caractersticas

Secuencia de operaciones sobre la matriz de imagen, con el objeto de medir las caractersticas de los objetos. Luego, estos valores son ingresados a la red neuronal. Entre las mediciones efectuadas: porcentaje de los tonos de gris ms frecuentes; nmero de pxeles lmite en las reas grises nmero de pxeles lmite entre las reas grises y blancas nmero de reas blancas nmero de pxeles de las reas blancas A partir de los resultados, se seleccionaron las caractersticas a tener en cuenta a efectos de la clasificacin: Forma de la clula Presencia de pelos Forma de los pelos Forma de los estomas

Metodologa | red neuronal

Las redes neuronales estn compuestas por elementos simples o unidades de procesamiento que operan en paralelo. Estos elementos estn inspirados por el sistema nervioso biolgico. Como en la naturaleza, el funcionamiento de la red est determinado por las conexiones entre los elementos.
Entrada 1 Neurona k

peso 1,k peso i,k peso 3,k

Salida de neurona x (yk)

Entrada i

Valor netok = pesok,i entradak

Entrada 3

Arquitectura de la red neuronal

Para este problema se eligi una red del tipo backpropagation, de tres capas (de entrada oculta de salida).
Entrada Capa oculta Capa de salida

IW 1,1
S1 x R n1

a1

a2 = y

LW 2,1
S2 x S1 n2

Rx1

f1

S1 x 1

f2

S2 x 1

+
S1 x 1

+
S2 x 1

b1
S1 x 1

b2
S2 x 1

S1

S2

a1=purelin(IW1,1p1 + b1)

a2=logsig(LW2,1a1 + b2)

Entrenamiento de la red neuronal

La red debe ser capaz de manejar imgenes con ruido. En la prctica, la red no recibe como entrada un vector booleano perfecto, y debe cometer la menor cantidad de errores posibles al clasificar vectores con ruido La red, es entrenada primero con vectores ideales (imgenes limpias) hasta que la suma de los errores cuadrados sea pequea. Luego, la red es entrenada usando conjuntos de vectores ideales y con ruido. Se usan vectores ideales para que la red mantenga la capacidad de reconocer vectores de entrada ideales. luego que se haya realizado el entrenamiento descrito, la red puede haber aprendido a clasificar vectores difciles y con ruido al costo de olvidar la clasificacin de vectores sin ruido. Por esta razn, nuevamente se entrena a la red con slo vectores ideales.

Epochs hasta que la red reconoce las clulas correspondientes a cada especie
El entrenamiento se realiza hasta se alcance el nmero mximo de ciclos o la suma de los errores cuadrados sea menor a 0,1; la curva descendente indica que la red ha comenzado a aprender y puede darse por terminada la fase de entrenamiento.

Perfomance del sistema

La confiabilidad del sistema se midi usando 50 vectores de entrada con cantidades variable de ruido.

red entrenada con y sin ruido red entrenada sin ruido

fin