Producción Científica

Abstract: Este trabajo desarrolló un Modelo Matemático para una Arquitectura de un Solo Píxel Hiper-espectral en Modo Transmisivo construida en una mesa óptica dentro de un cuarto oscuro, con el objetivo de estudiar el funcionamiento de los moduladores espaciales de luz de cristal líquido nemático en torsión (TNLC-SLM) dentro de estos sistemas ópticos. La investigación se enfocó en establecer funciones de transmitancia para cada componente óptico de la Arquitectura y estudiar el comportamiento de los cristales líquidos en moduladores espaciales de luz. El Modelo Matemático utiliza un algoritmo de propagación escalar basado en la primera solución de Rayleigh-Sommerfeld y el enfoque de Lu y Saleh, basado en el análisis matricial de Jones y fundamentado en la teoría de ondas electromagnéticas en medios anisotrópicos, para representar el comportamiento de cristales líquidos nemáticos en torsión. La Arquitectura construida incluye: fuente de iluminación halógena, lentes plano-convexos, polarizadores lineales, el modulador LC2012 de HOLOEYE, difusor óptico y acoplamiento a una fibra óptica conectada a un espectrómetro. Mediante simulaciones computacionales usando Python se obtuvieron los campos ópticos generados por el Modelo Matemático basado en la Arquitectura construida. Además, se utilizó Ansys Zemax OpticStudio para validación del trazado de rayos ópticos del diseño de lentes utilizado en la Arquitectura de un Solo Píxel Hiperespectral Transmisiva. Los componentes principales modelados matemáticamente incluyen: un haz gaussiano como perturbación inicial, propagación de campos ópticos, transmitancia pixelada del TN-LCSLM con parámetros de 36 µm de paso de píxel y factor de relleno de 58%, y funciones de transmitancia de lentes mediante la aproximación paraxial. Se demuestra la validación del Modelo Matemático propuesto y también se logró la reconstruc-ción espacial del objeto de prueba, que fue una hoja vegetal con una resolución de 32×32 píxeles, utilizando la Arquitectura construida. Dentro de los resultados se muestra una comparación entre una cámara hiperespectral comercial y la Arquitectura de un Solo Píxel Hiperespectral Transmisiva, mostrando un coeficiente de determinación R2 = 0,7637. Este proceso se realizó buscando conocer la fidelidad del espectro reconstruido a través del prototipo desarrollado.

Abstract: El presente trabajo se centra en la clasificación de los niveles de corrosión en acero estructural mediante el uso de imágenes hiperespectrales y técnicas de desmezcla espectral, con el objetivo de desarrollar un método no invasivo, preciso y cuantitativo que supere las limitaciones de los métodos de inspección tradicionales, basados en evaluación visual o ensayos destructivos. Para ello, se construyó un banco de imágenes hiperespectrales de placas de acero con distintos grados de corrosión, sometidas a ambientes acelerados mediante niebla salina, asegurando la calidad y precisión de los datos mediante segmentación manual. Se evaluaron distintos algoritmos de desmezcla espectral, incluyendo métodos lineales (FCLS, NMF, N-FINDR) y no lineales (BIM, PPNMM), con el fin de extraer las abundancias de los principales minerales formados durante la corrosión: lepidocrocita, goethita, hematita y magnetita. La precisión de los algoritmos se evaluó mediante las métricas MAE y RMSE, identificando que FCLS y PPNMM presentan los mejores resultados, caracterizándose por errores más bajos, menor variabilidad y propensión a generar valores extremos. Con base en las abundancias obtenidas, se desarrolló un índice de corrosión ponderado, asignando pesos a cada mineral según su relevancia en el proceso de deterioro del acero. Este índice permitió establecer umbrales claros para clasificar la corrosión en niveles de no corrosión, ligera, moderada y severa, los resultados muestran una correlación consistente entre el avance de la corrosión y el incremento relativo de goethita, hematita y magnetita, mientras que la lepidocrocita disminuye conforme progresa la corrosión, evidenciando la utilidad de estos minerales como indicadores confiables del estado de deteriorо. El estudio demuestra que la combinación de imágenes hiperespectrales y desmezcla espectral constituye una herramienta eficiente y confiable para la evaluación no destructiva de la corrosión en estructuras metálicas, proporcionando información cuantitativa sobre la composición mineralógica y el grado de deterioro.

Abstract: Este proyecto aborda el desafío global del alto costo asociado a los detectores hiperespectrales compactos, limitando su adopción y aplicación, especialmente en contextos con recursos financieros limitados como el panameño. Se desarrolló un prototipo innovador de detector hiperespectral de un solo píxel, buscando superar estas barreras económicas y fomentar la investigación en tecnologías hiperespectrales. El prototipo se basa en la detección óptica experimental y utiliza el algoritmo de reconstrucción TVAL3 basado en sensado compresivo para procesar las señales recibidas. Se diseñó la trayectoria del haz de luz utilizando el trazado de rayos paraxiales, se construyó un sistema de adquisición con la sincronización del modulador espacial de luz y el detector para la captura efectiva de la multiplexación de los patrones y la intensidades reflejadas del objeto. La experimentación validó el desempeño del prototipo compresivo, comparándolo con una cámara hiperespectral comercial instantánea, destacando la viabilidad de su uso con 50% de medidas para la reconstrucción del cubo hiperespectral del objeto, teniendo un equilibrio entre precisión y efi-ciencia. Este enfoque no solo representa un avance tecnológico al desarrollar un detector hiperespectral de bajo costo, sino que también sienta las bases para la investigación continua en tecnologías hiperespectrales en Panamá. La miniaturización de la arquitectura propuesta se vislumbra como una dirección futura, permitiendo la creación de cámaras hiperespectrales más accesibles. A pesar de algunas limitaciones identificadas durante la experimentación, como la eficiencia del dispositivo de modulación luego de 700 nm y la necesidad de una fuente de iluminación con mayor rango en el espectro electromagnético, el prototipo demuestra su potencial para contribuir a la innovación y aplicación de tecnologías hiperespectrales en diversos sectores. Este trabajo de investigación fue financiado por los proyectos FID18-096: "Desarrollo de una Plataforma de Adquisición de Imágenes Hiperespectrales Asistida por Técnicas Avanzadas de Aprendizaje Automático para Identificación de Aptitud de Cultivos de Arroz" y FID23-158: "Pro-totipo de un Sistema Óptico Hiperespectral Compresivo para Aptitud de Cultivos de Arroz"

Abstract: Este trabajo de grado teórico-práctico tiene como objetivo detectar el crecimiento descontrolado de poblaciones de algas causado principalmente por el incremento de las actividades humanas. El uso de tecnologías hiperespectrales nos permiten analizar distintas variaciones de reflectancia a lo largo del espectro electromagnético, en un rango mayor al cual manejan las imágenes con-vencionales. Toda esta información nos permitirá entrenar algoritmos de inteligencia artificial, los cuales tienen la particularidad de mejorar su desempeño mientras más datos sean utilizados para su entrenamiento. Una imagen RGB cuenta con tres bandas o longitudes de ondas las cuales son reconocibles por el ojo humano al encontrarse dentro del rango de longitudes de ondas vis-ibles. Sin embargo, hay mucha información dentro del espectro electromagnético que nuestros ojos no son capaces de percibir. Algunos insectos como las abejas tienen una percepción sobre longitudes de onda de alta frecuencia del espectro electromagnético, lo que les permite tomar deci-siones con respecto a su orientación espacial. De esta forma, existe información oculta dentro del espectro electromagnético que puede ser utilizada en diversas aplicaciones, por ejemplo, detectar enfermedades en cultivos de arroz al detectar variaciones en la reflectancia de la clorofila en una longitud de onda especifica. Las floraciones de algas son un fenómeno que afecta la calidad de los recursos hídricos en ríos, lagos y costas. Además, producen un impacto en el ecosistema en el cual se produce el crecimiento descontrolado, de modo que, al aumentar las poblaciones de al-gas, algunas de ellas son consideradas nocivas ya que liberan toxinas que en altas concentraciones pueden acabar con la vida marina. Sin embargo, aun en ausencia de toxinas, el aumento descon-trolado de algas produce una capa en la superficie de cuerpo hídrico provocando que la vegetación marina pierda el contacto con la luz solar necesaria para su subsistencia y generando la muerte de ecosistemas enteros de no ser controlado a tiempo. Existen diversas maneras de controlar las poblaciones de las algas, por medio de bacterias, peces, agentes químicos y otros. Sin embargo, estos métodos solo son efectivos siempre y cuando se suministren a tiempo. Por esta razón, es de vital importancia dar un monitoreo regular a los cuerpos de agua con el fin de detectar de forma temprana el crecimiento de estas especies de algas y poder tomar acción a tiempo. 1

Abstract: El entorno marino y costero representa una de las fuentes de corrosión más agresivas y complejas que afectan significativamente a las estructuras de acero que operan en este entorno. La oxidación del metal está principalmente controlada por una serie de condiciones ambientales como la lluvia, la contaminación, la humedad, la brisa marina y el agua salada, que aceleran la corrosión del metal. Por lo tanto, el trabajo de mantenimiento se vuelve crucial para sostener las operaciones marítimas en la industria naviera. Sin embargo, los costos asociados al mantenimiento a lo largo de la vida útil de las estructuras son considerablemente altos, y las tareas de mantenimiento son intensivas debido a la gran escala de las estructuras. Además, operar en un entorno con contaminantes supone cierto nivel de riesgo o peligro para el personal de mantenimiento. La alta importancia del mantenimiento ha llevado a la propuesta de tecnologías de automatización basadas en inteligencia artificial para la detección de óxido en estructuras de acero. Estas tecnologías tienen como objetivo facilitar el trabajo de mantenimiento y reducir los costos de inversión. Este estudio propone comparar el rendimiento de cinco modelos de aprendizaje automático (ML): k-Nearest Neighbor (k-NN), Support Vector Machine (SVM), Random Forest (RF), 1D Convolutional Neural Network (1D-CNN) y Long Short-Term Memory (LSTM), para la detección de niveles de óxido en estructuras de acero dentro del entorno marino-costero basándose en imágenes hiperespectrales (HSI). Las imágenes hiperespectrales permiten la identificación de materiales con mayor precisión y detalle debido a su capacidad para capturar información de múltiples bandas espectrales en comparación con las imágenes RGB convencionales. Los resultados muestran que el modelo de clasificación 1D-CNN logra el mejor rendimiento con una puntuación de precisión del 87%, en comparación con otros modelos como RF con una puntuación de precisión del 86% y el modelo SVM con una puntuación de precisión del 83%. Las puntuaciones de precisión más bajas se obtuvieron con el modelo LSTM con un 80% y el modelo k-NN con un 78%. Estos resultados demuestran el potencial de la HSI para el reconocimiento de niveles de óxido en estructuras de acero en entornos marinos y costeros, para agilizar las tareas de inspección y reducir los costos de mantenimiento.

Abstract: El sensado compresivo es una técnica que unifica la medición con la compresión. Este método permite obtener la reconstrucción de la señal muestreada con una frecuencia de muestreo inferior a la establecida en el teorema de Shannon-Nyquist. A pesar de contar con esta gran virtud, en-frenta el reto de requerir un algoritmo de reconstrucción con la capacidad de semejante labor. Los métodos iterativos tradicionales de reconstrucción sufren un largo tiempo de procesamiento y un alto costo de recursos computacionales. Las Redes Neuronales Artificiales han demostrado tener la capacidad de aliviar estas deficiencias. La literatura actual carece de información con respecto a las máscaras de Bernoulli, debido a que la mayor parte de los modelos implementados presentan sus reconstrucciones utilizando únicamente máscaras Gaussianas. El problema radica en que existen tecnologías como la cámara de un solo píxel que para ciertas implementaciones, requieren el uso de máscaras de Bernoulli. Por ende, este trabajo presentará un análisis comparativo con repecto a la utilización de ambas máscaras en las distintas implementaciones. Todas las Redes Neuronales Artificiales presentes en este documento están sub-divididas en dos secciones: Mapeo Lineal y Aprendizaje Residual. La sección de Mapeo Lineal consistirá en una Red Neuronal Artificial con una única capa densa o la implementación de la Pseudo Inversa, esta sección estará encargada de la reconstrucción temprana. La sub-Red de Aprendizaje Residual es el modelo propuesto o uno presente en la literatura, esta sub-Red está encargada de la Reconstrucción Final. La sub-Red de Aprendizaje residual parte de la reconstrucción inicial y el resultado será la reconstrucción final. Todas las Redes Neuronales Artificiales fueron probadas utilizando un set standard de 11 imágenes. Entre mayor sea el porcentaje de medición, las implementaciones con máscaras Gaus-sianas demostraron ser superiores. A medida que el porcentaje de medición disminuye, la difer-encia entre las implementaciones también disminuye. El modelo propuesto demostró ser capaz de desempeñarse a la altura o superiormente que los otros modelos en todos los porcentajes de medición utilizando ambos tipos de máscara.

Abstract: El sensado compresivo (CS) es una técnica que ha tomado mucha popularidad en la última década, desarrollada por David L. Donoho y Emamnuel J. Candés, la cual establece que una señal puede ser reconstruida por un número de muestras mucho menor en relación a lo establecido en el teorema de Shannon y Nyquist. Esta ventaja supone un ahorro en recursos computacionales y mayor rapidez en el proceso de muestreo. Los beneficios otorgados por el sensado compresivo suponen un método apropiado para la reconstrucción de imágenes hiperespectrales (HSI), que presentan un gran número de bandas a lo largo del espectro electromagnético y por consiguiente los píxeles de una imagen hiperespectral representan un espectro continuo, al que se conoce en la literatura como firma o huella espectral. A pesar de los beneficios establecidos anteriormente en el proceso de muestreo en CS, la fase de reconstrucción supone un reto general, como el grado de precisión y exactitud la imagen reconstruida (salida del algoritmo de reconstrucción) versus la imagen original (entrada del algoritmo de reconstrucción), así como el tiempo de recuperación de la imagen. Debido a este obstáculo, existe una oportunidad de investigación en el desarrollo de algoritmos que disminuyan el tiempo de reconstrucción de las imágenes y aumenten la calidad de reconstrucción. Se han propuesto diversos métodos, que en términos generales se pueden dividir en dos categorías: métodos tradicionales basados en optimización y métodos recientes basados en redes neuronales profundas. Este trabajo se enfoca en la segunda categoría, y busca evaluar el proceso de recuperación de imágenes hiperespectrales por medio de algoritmos basados en redes neuronales profundas. Se busca adaptar dos arquitecturas de procesamiento que usan redes convolucionales establecidas en la literatura, CSNet y AMPA-Net; para el muestreo y reconstrucción de HSI. Los algoritmos mencionados fueron diseñados originalmente para la reconstrucción de imágenes naturales. El estudio comparativo de estos métodos ofrece a la comunidad científica datos objetivos, ob-tenidos bajo condiciones similares, sobre el desempeño de cada algoritmo teniendo como punto de referencia a los algoritmos de optimización convexa: L1 magic y TVAL3. Se escogió la imagen hiperespectral Indian Pines como imagen de prueba, la cual consta de 220 bandas y los resultados se ofrecen en base a métricas objetivas como tiempo y PSNR, y las subjetivas comprenden SSIM y SSIM MAP. Dentro de los resultados se encontró que CSNET ofrece mayores valores de PSNR y SSIM en diferentes porcentajes de muestras con 45.04 dB y 0.999 respectivamente, mientras que AMP-Net es el algoritmo más rápido en reconstruir las imágenes. Los algoritmos de optimización convexa presentaron valores menores de PSNR en comparación a los de redes neuronales, siendo 26.87 dB el resultado más alto; correspondiente a TVAL3. Dentro de la rutina EQPD de L1 Magic se registró un valor de PSNR negativo, lo cual demuestra que el contenido de ruido sobrepasa la señal, dando como resultado una imagen irreconocible. El tiempo exclusivamente de la fase de reconstrucción para L1 Magic y TVAL3 oscila entre los 10ms a 406 ms, mientras que para CSNet y AMP-Net se registró un rango de 2.16 ns a 1.5 ms. Con la implementación de redes neuronales se toma ventaja de las características de las imágenes de entrenamiento para que las mediciones CS retengan más información estructural de la imagen para ofrecer una mejor reconstrucción con menor tiempo, optimizando el proceso de muestreo y reconstrucción. En base a los resultados, se considera que CSNet y AMP-Net resuelven las limitaciones encontradas en los algoritmos de optimización L1 Magic y TVLA3.