Detección de humedad en bienes raíces usando texturas de Haralick
View/ Open
Date
2021-12-13Authors
Nicolás, Niño AlarcónDirectors
Flórez Valencia, LeonardoPublisher
Pontificia Universidad Javeriana
Faculty
Facultad de Ingeniería
Program
Maestría en Inteligencia Artificial
Obtained title
Magíster en Inteligencia Artificial
Type
Tesis/Trabajo de grado - Monografía - Maestría
COAR
Tesis de maestríaShare this record
Citación
Metadata
Show full item record
PDF documents
English Title
Humidity detection in real estate using Haralick featuresResumen
La siguiente investigación se centra en la detección de regiones de humedad en imágenes de inmuebles (casas y apartamentos). Al contrario de la literatura reciente, decidimos atacar el problema utilizando texturas de las imágenes, específicamente descriptores de Haralick. Dos razones principales nos llevaron a tomar esta decisión: nuestra muestra era pequeña (un conjunto de menos de 150 imágenes) y reflexionando sobre el problema observamos que las regiones con humedad presentan, al ojo humano, texturas diferentes que las demás regiones. Generamos entonces un vector de 24 descriptores de Haralick por cada píxel de las imágenes que teníamos y cruzamos esto con el etiquetado que previamente habíamos realizado de las imágenes. Producto de esto, se originaron más de 300 millones de datos. Todos los modelos que realizamos lograron resultados satisfactorios. El modelo más simple, uno de regresión logística logró clasificar 70% correctamente. El modelo más complejo, una red neuronal, logró cerca del 81%.
Abstract
The following research focuses on the detection of regions of humidity in real estate images (houses and apartments). Contrary to recent literature, we decided to attack the problem using image textures, specifically Haralick descriptors. Two main reasons led us to make this decision: our sample was small (a set of less than 150 images) and reflecting on the problem we observed that regions with humidity show, to the human eye, different textures than other regions. We then generated a vector of 24 Haralick descriptors for each pixel of the images we had and crossed this with the labeling we had previously performed on the images. This resulted in more than 300 million data points. All the models we ran achieved satisfactory results. The simplest model, a logistic regression model, was able to classify 70% correctly. The most complex model, a neural network, achieved about 81%.
Keywords
Clasificación de imágenesTextura de imágenes
Análisis de textura de imágenes
Redes neuronales
Themes
Maestría en inteligencia artificial - Tesis y disertaciones académicasProcesamiento de imágenes
Desarrollo de software
Redes neuronales (Computadores)
Google Analytics Statistics