Se desarrolla una interfaz gráfica en Matlab para validar el funcio-
namiento del algoritmo de búsqueda de componentes electrónicos por
medio de una interfaz. En la Figura 9 se muestran dos tarjetas bajo prue-
ba, la Figura 9(a) corresponde a un tarjeta completa, en este caso el
algoritmo indica que la tarjeta se encuentra completa, caso contrario a
la Figura 9(b), en esta se retiran dos componentes correspondientes al
Led3 y Res4, los cuales son identificados por el algoritmo, indicando
su ausencia y, por consiguiente, que la tarjeta se encuentra incompleta.
Bibliografía
+
Ziyin, L. y Qi, Y. (2011). System design for PCB defects
detection based on AOI technology, International Congress on
Image and Signal Processing, 4, 1- 4.
+
Zhao, H.; Cheng, J. y Jin, J. (2009). NI Vision Based
Automatic Optical Inspection (AOI) for Surface Mount Devi-
ces: Devices and Method, Proceedings of 2009 IEEE Interna-
tional Conference on Applied Superconductivity and Electro-
magnetic Devices, 25-27.
+
A)
B)
Figura 9. Algoritmo de reconocimiento, a) tarjeta comple-
ta y b) tarjeta incompleta.
Conclusiones
Se describió un algoritmo de aprendizaje automático capaz de re-
conocer diferentes tipos de tarjetas electrónicas, así como sus compo-
nentes electrónicos. De esta manera se observan que los dos algoritmos
desarrollados funcionan de manera correcta. El primer algoritmo cuenta
con la capacidad de reconocer de manera automática cualquier tipo de
tarjeta electrónica, sin importar el color, posición, ángulo de la cámara
para la captura del fotograma y el nivel de luminosidad, solo es nece-
sario entrenar al algoritmo con los objetos que se desean identificar. El
trabajo en conjunto de los dos algoritmos tiene la capacidad de realizar
la automatización de procesos de manufactura de tarjetas electrónicas,
reduciendo el costo de ensamble, costo de producción y costo de equipo
especializado; por lo tanto, se genera una nueva aplicación de los algo-
ritmos con sistema de aprendizaje automático.
Berral García, J. (2016). A Quick View on Current
Techniques and Machine Learning Algorithms for Big Data
Analytics, International Conference on Transparent Optical
Networks (ITCON), 18, 1-4.
+
MathWors (2016). Introducing Machine Lear-
ning. Disponible en https://www.mathworks.com/tag-
team/89703_92991v00_machine_learning_section1_ebook_
v12.pdf?s_tid=solmain_mlr_cta2
+
Manan Khan, A.; Khan, F. y Changsoo, H. (2016). Es-
timation of Desired Motion Intention using Extreme Learning
Machine for Upper Limb Assist Exoskeleton, IEEE Internatio-
nal Conference on Advanced Intelligent Mechatronics (AIM),
1-5.
+
Faruk Alcin, O; Ferhat, U. y Korkmaz, D. (2016). Extre-
me Learning Machine Based Robotic Arm Modeling, Interna-
tional Conference on Methods and Models in Automation and
Robotics (MMAR), 21, 1-4.
+
Rau, H.; Wu, C.; Shiang, W. y Huang, P. (2010). A Deci-
sion Support System of Statistical Process Control for Printed
Circuit Board Manufacturing, International Conference on
Machine Learning and Cybernetics, pp 1-5.
+
MathWors (2016). Statistics and Machine Learning
Toolbox User´s Guide. Disponible en https://www.mathworks.
com/help/pdf_doc/stats/stats.pdf
144
Revista Científica