Análisis Multivariante de Imágenes: Fundamentos y Aplicaciones

Al terminar el curso, el alumnado podrá:

• Crear las estructuras de datos necesarias para analizar las imágenes
• Distinguir entre los modelos básicos de Análisis Multivariante de Imágenes: PCA, PLS, MCR
• Analizar distintos tipos de imágenes con diferentes fines: exploratorio y predictivo

Las sesiones están diseñadas para proporcionar tanto el conocimiento teórico como las habilidades prácticas necesarias para aplicar estos métodos en contextos industriales reales.

En la actualidad, la imagen se considera como uno de los métodos de extracción no invasiva de información con mayor potencial, en diversos campos tales como la industria farmacéutica, agroalimentaria, cerámica,metalúrgica, …

Con la introducción de cámaras en color, hiperespectrales y los avances en la instrumentación médica, las imágenes han comenzado a adquirir unas dimensiones que hacen necesario su análisis por medio de técnicas avanzadas de análisis de datos, con el fin de extraer información relevante, tanto desde el punto de adquisición de conocimiento acerca de los procesos, como de su monitorización u obtención de predicciones/clasificaciones.

Este curso pretende ofrecer técnicas de análisis de imágenes que pueden ir desde la escala de grises (un solo canal de información) hasta las imágenes hiperespectrales.

El curso introduce los métodos estadísticos multivariantes basados en estructuras latentes (tales como el Análisis de Componentes Principales (PCA), la Regresión por Mínimos Cuadrados Parciales (PLS) o la Resolución Multivariante de Curvas (MCR), así como técnicas de Machine Learning (como el Deep Learning o los autoencoders), particularizándolos para el análisis de imágenes. Ello hace que el tratamiento de las mismas requiera de unos procesados y desplegados especiales con el fin de poder analizarlas mediante estos métodos.

Su estudio permite desarrollar métodos para la comprensión de los fenómenos subyacentes en las imágenes, la detección de defectos y monitorización de procesos en entornos donde no es sencillo o posible introducir sensores de otro tipo, la predicción de características de calidad, o la detección de defectos en los mismos, así como el desarrollo de algoritmos especializados en el diagnóstico temprano del cáncer.

Finalmente, el curso también cubre el análisis de imágenes empleando técnicas de Deep Learning, basadas en Redes Neuronales Convolucionales (CNNs, del inglés) y Autoencoders. Los participantes aprenderán los fundamentos de dichas arquitecturas de red neuronal y su mecanismo de entrenamiento con el objetivo de desarrollar modelos predictivos que den solución a tareas de regresión, clasificación, segmentación y detección de anomalías.

Todas las técnicas que cubre el curso permiten desarrollar métodos para la detección de defectos y monitorización de procesos (industriales o de cualquier otro tipo) en entornos donde no es sencillo o posible introducir sensores que no sean basados en imagen; la predicción de características de calidad (e.g. en alimentos) o la detección de defectos en los mismos; así como el desarrollo de algoritmos especializados en el diagnóstico temprano del cáncer.

El curso será impartido por profesorado y profesionales de reconocido prestigio, abordando los contenidos a través de la resolución de casos prácticos con ayuda de software propio.

Sesión 1

1. Introducción al análisis de imagen
   • ¿Qué es una imagen?
   • Resolución espacial: el píxel
   • Tipos de imagen: escala de grises, color, multi e hiperespectral, funcional.
   • Análisis de imagen: repaso de técnicas clásicas
2. Análisis Multivariante de Imágenes (MIA)
   • Enfoque basado en el píxel
   • Enfoque basado en la imagen
   • Modelos básicos en MIA: PCA y PLS

Sesión 2

1. MIA basado en el píxel
   • Concepto
   • Análisis descriptivo: score images, loading plots, score plots.
   • Trabajo de ordenador: analizar ejemplos de descriptiva

Sesión 3. Monitorización de procesos y detección de fallos mediante MIA

1. Detección y localización de defectos inespecíficos: T2, RSS images. Ejemplos
2. Monitorización de defectos específicos. Segmentación y detección supervisada. Ejemplos

Sesión 4. Aplicación a problemas reales

Sesión 5. MIA basado en la imagen

1. MIA basado en la imagen
   • Concepto
   • Técnicas de clasificación.
   • Técnicas de predicción.

Sesión 6. Análisis de imagen hiperespectral (HIA) (y otros)

1. Introducción. Tipos de imágenes hiperespectrales
2. Resolución Multivariate de Curvas (MCR)
   • Ley de Beer-Lambert
   • ALS y restricciones
3. Técnicas de preprocesado en imagen hiperespectral
   • SNV
   • Derivatives
   • MSC
4. Monitorización de procesos, detección de defectos y clasificación en imagen hiperespectral
5. Otras aplicaciones: ultrasonidos y láser

Sesión 7. Aplicación a problemas reales

Sesión 8. Deep Learning para el análisis de imagen: Redes Neuronales Convolucionales

1. Introducción. Deep Learning para el análisis de imagen
2. Filtrado de imagen. Concepto de Kernel. Operación convolución
3. Métodos de agregación. Bloque convolución. Red neuronal convolucional
4. Entrenamiento de una red neuronal convolucional. Forward & backpropagation
   • Resolución de tareas de regresión
   • Resolución de tareas de clasificación

Sesión 9. Autoencoders

1. Arquitecturas de red neuronal encoder-decoder
2. Entrenamiento de autoencoders para la reconstrucción de imagen
   • Aplicación a la resolución de tareas de detección de anomalías
   • Aplicación a la resolución de tareas de segmentación

Sesión 10. Aplicación a problemas reales

El alumnado que supere el curso recibirá un certificado de aprovechamiento por la Universitat Politècnica de Valencia.

DURACIÓN

25 horas (3 días). 9 – 11 de abril 2025.

HORARIO

Miércoles 9 abril: 9:00-14:00 y de 15:30 a 19:30
Jueves 10 abril: 9:00-14:00 y de 15:30 a 19:00
Viernes 11 abril: 9:00-14:00 y de 15:30 a 18:00

MATRÍCULA

El importe de la matrícula es de 790€. Hasta el 31/01/25 se realizará un descuento de 50€. Alumnado UPV, Alumni UPV PLUS, Titulados UPV y Personal UPV disfrutarán de un descuento adicional de 50€.

LUGAR DE REALIZACIÓN

El curso se realizará en el edificio del Centro de Formación Permanente (CFP) (Edificio 6G).