Detección y Segmentación en Placas de Rayos X de Pinturas utilizando IA

Abstract

Este trabajo de fin de grado tiene como objetivo hacer una detección en placas de rayos X de cuadros de arte. Para ello, se buscará un modelo de red neural artificial, se entrenará y posteriormente, se usará para señalar la parte de interés de una placa de rayos X, es decir, el lugar donde el cuadro se encuentra. Para cumplir el objetivo anterior, el primer paso será asentar los conocimientos básicos necesarios. Por ello, se llevará a cabo una búsqueda exhaustiva sobre el aprendizaje profundo y las redes neuronales, como se reflejará en el capítulo del estado del arte. La red neuronal que se utilizará, tras realizar la revisión bibliográfica, será YOLO (You Only Look Once), una arquitectura ya conocida en el mundo de la inteligencia artificial para detección de objetos en tiempo real. En concreto se utilizará la arquitectura YOLOv5, caracterizada por la rapidez y la precisión con la que es capaz de detectar objetos. En este trabajo, además de plasmar los conceptos básicos del machine learning y deep learning, se verán diferentes redes neuronales empleadas actualmente, cuáles son las bases de datos y herramientas para etiquetar imágenes más usada. También se verá cómo usar una de las herramientas de etiquetado nombradas, se mostrarán ejemplos, partes del código y consejos para entrenar la red YOLOv5 de la mejor manera posible. Una vez entrenada la red, se llevarán a cabo una serie de pruebas, con las que se discutirá el comportamiento de la red mediante los resultados obtenidos. Por último, se expondrá una serie de mejoras y conclusiones respecto al trabajo realizado.

This final degree project has the objective of making a detection on X-ray plates of art paintings. To do this, an artificial neural network model will be found, trained and then, used to indicate the part of interest on an X-ray plate, that means., the place where the painting is located. In order to achieve the above objective, the first step will be to establish the necessary basic knowledge. Therefore, a comprehensive research on deep learning and neural networks will be carried out, as will be reflected in the chapter of the state of the art. The neural network that will be used, after reviewing the bibliography, is YOLO (You Only Look Once), an architecture already known in the artificial intelligence world, for object detection in real-time. Specifically, the YOLOv5 architecture will be used, which is characterised by the speed and precision with which it is able to detect objects. In this work, besides understanding the basic knowledge of machine learning and deep learning , different neural networks currently in use will be used, which are the most commonly used databases and tools for image labelling. Also, will be seen how to use one of the named labelling tools, examples will be shown apart from parts of the code and tips on how to train the YOLOv5 network in the best possible way. Once the network has been trained, a series of tests will be carried out and the behaviour of the network will be discussed by means of the results obtained. Finally, a series of improvements and conclusions regarding the work carried out will be presented.