ISSN-E: 2697-3650
Minerva Journal
9
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
https://doi.org/10.47460/minerva.v4i12.132
Sistema automatizado de conteo de objetos
en imágenes digitales
Rivas Maikol
maikol.14rivas@gmail.com
https://orcid.org/0009-0002-8525-8723
Universidad Nacional Experimental Politécnica
Antonio José de Sucre
Departamento de Ingeniería Electrónica
Puerto Ordaz-Venezuela
Lobo Eladio
cruzchiquita123@gmail.com
https://orcid.org/0000-0001-7921-2433
Universidad Nacional Experimental Politécnica
Antonio José de Sucre
Departamento de Ingeniería Electrónica
Puerto Ordaz-Venezuela
Recibido (21/04/2023), Aceptado (12/07/2023)
Resumen: En los inventarios, el contexto del conteo de objetos y la rapidez de respuesta se vuelve esencial.
Cuando se trata de pocos elementos resulta más sencillo el proceso, pero su complejidad radica cuando son
muchos, están cercanos o superpuestos. Además, la presión por cumplir con plazos ajustados para realizar
inventarios agrega otro desafío. El objetivo de este trabajo fue desarrollar un programa que automatice el
conteo preciso de objetos similares en imágenes digitales, sin importar su cantidad o disposición. Para ello se
ha implementado un algoritmo en Python. Los principales resultados muestran eficiencia para analizar
imágenes con objetos similares, un paso significativo hacia la separación y el conteo preciso de objetos
adyacentes en diversos campos científicos. Esta solución promete simplificar y agilizar el proceso de conteo en
imágenes digitales, con potenciales aplicaciones beneficiosas en múltiples disciplinas científicas.
Palabras clave: Automatizar, conteo, objetos similares, Python.
Automated Object Counting System in Digital Images
Abstract.- In inventories, the context of object counting and speed of response becomes essential. The process
is more straightforward when there are only a few items, but its complexity lies when there are many close or
overlapping items. In addition, the pressure to meet tight inventory deadlines adds another challenge. This work
aimed to develop a program that automates the accurate counting of similar objects in digital images, regardless
of their quantity or arrangement. For this purpose, an algorithm has been implemented in Python. The main
results show efficiency in analyzing images with similar objects, a significant step towards separating and
accurately counting adjacent objects in various scientific fields. This solution promises to simplify and speed up
the counting process in digital images, with potential beneficial applications in multiple scientific disciplines.
Keywords: Automate, counting, similar objects, Python.
ISSN-E: 2697-3650
Minerva Journal
10
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
I. INTRODUCCIÓN
Desde tiempos inmemoriales, los seres humanos hemos sentido la innata necesidad de realizar conteos,
abarcando desde objetos como alimentos hasta la misma población, todo con el propósito de obtener datos
que puedan influir en la toma de decisiones futuras. En este contexto, hemos persistido en la búsqueda de
métodos para cuantificar y analizar variables claves, lo que nos lleva a reflexionar sobre la constante presencia
de esta necesidad en nuestras vidas. Con la evolución tecnológica en constante avance, se presenta la
emocionante oportunidad de canalizar estos progresos para desarrollar soluciones que simplifiquen y agilicen
la tarea de contar objetos. Si bien la aplicación manual puede ser adecuada para recuentos pequeños, la
complejidad surge cuando enfrentamos conjuntos considerables o repetitivos. Es en estos escenarios donde
la optimización del proceso de conteo a través de la automatización se convierte en una oportunidad de
mejora.
Trabajos previos [1] han investigado sobre un sistema automatizado en línea para la clasificación y conteo de
la madurez de los tomates. El proceso tradicional de clasificación y conteo de la madurez de los tomates se
realiza principalmente de manera manual, lo cual es laborioso y consume mucho tiempo. La precisión de este
método depende de la observación precisa del ojo humano. Para abordar este problema, los autores han
empleado la inteligencia artificial y visión por computadora para mejorar la eficiencia y precisión del proceso.
El proceso implica el uso de una mara digital para obtener conjuntos de datos de imágenes de tomates,
teniendo en cuenta factores como la oclusión e interferencia de la luz externa. Luego, se utiliza un mecanismo
de atención MHSA (Multi-Head Self-Attention) junto con el modelo YOLOv8 para mejorar la capacidad de
extracción de características del sistema. Los resultados muestran mejoras en la precisión, recall, F1-score y
mAP50 del modelo de clasificación de madurez de tomates construido con esta metodología. Además, gracias
al rendimiento excepcional del modelo MHSA-YOLOv8, se construyen modelos de conteo con altos niveles de
precisión y recall. Estos modelos no solo son adecuados para la detección en nea, sino también para la
detección fuera de línea, lo que mejora significativamente la eficiencia en la cosecha y clasificación de los
tomates. Las principales innovaciones de este estudio incluyen la construcción de un conjunto de datos de
clasificación y conteo de madurez de tomates basado en situaciones de producción reales, la propuesta de un
nuevo todo de detección de objetos (MHSA-YOLOv8) y la aplicabilidad tanto en entornos en línea como
fuera de línea.
Otros desarrollos [2] se enfocaron en encontrar el mecanismo de detección de objetos más eficaz para la
identificación automatizada de glomérulos. El experimento implica variaciones en el desarrollo de modelos,
incluyendo el uso de Faster R-CNN, considerando tanto glomérulos individuales como parches de imágenes
con múltiples glomérulos. Para evaluar el rendimiento de los modelos, se emplean métricas como el Índice de
Intersección sobre Unión (IoU) y la Puntuación Media de Precisión (mAP). Los resultados revelan que el
modelo Faster R-CNN logra resultados prometedores, con un IoU promedio del 64,2% y un mAP del 65,7% al
trabajar con parches de imágenes de biopsias renales. Finalmente, este estudio aporta a la mejora de la
detección automatizada de glomérulos, destacando la eficacia del modelo Faster R-CNN en el contexto de
biopsias renales. Se reconoce la importancia de estas contribuciones, al tiempo que se identifican posibles
limitaciones o áreas de mejora en la metodología empleada.
Además, otros autores [3] han investigado sobre cómo la Inteligencia Artificial (IA) ha revolucionado diversas
industrias, centrándose específicamente en el impacto en la industria alimentaria. Destacan una tarea crítica
en esta industria, sobre el conteo de productos durante procesos como el procesamiento, el empaquetado y
el transporte. Se argumenta que el conteo manual es tedioso, consume tiempo y está sujeto a errores, lo que
puede resultar en pérdidas significativas. En respuesta a estos desafíos, se ha desarrollado un sistema de
ISSN-E: 2697-3650
Minerva Journal
11
Vol.4, Issue N°11, (pp. 9-20)
conteo visual basado en IA para la industria alimentaria con el objetivo de automatizar el proceso de conteo,
reducir errores y mejorar la eficiencia. El sistema propuesto utiliza algoritmos de aprendizaje profundo (deep
learning) para analizar imágenes digitales de productos alimentarios y proporcionar conteos precisos. Se
menciona que la efectividad del sistema se evaluó a través de varios experimentos, y los resultados indican
que puede mejorar significativamente la precisión y eficiencia del conteo visual en la industria alimentaria. En
resumen, el texto aborda el papel transformador de la IA en la automatización del conteo de productos en la
industria alimentaria y destaca el potencial impacto positivo de este sistema en la eficiencia operativa.
Otras investigaciones [4] abordan el tema de la Inteligencia Artificial (IA) y su aplicación en la acuicultura,
específicamente en la producción de peces y el conteo de peces durante el proceso de desove. Se destaca
que la IA es ampliamente aplicada para aprender problemas y características a partir de datos
proporcionados, procesando la información de manera similar al cerebro humano. Cuando un programa de
computadora imita una característica del cerebro humano, se considera "innovador". Entre los todos
utilizados se encuentran los métodos estadísticos, los métodos de inteligencia artificial y métodos
tradicionales para verificar la validez. La expansión de la IA está vinculada a un almacenamiento prácticamente
infinito y a la abundancia de datos, que incluyen intercambios de información, datos geoespaciales, archivos
de video, fotos, mensajes de texto y archivos de audio. Los autores mencionan que el aprendizaje automático
se divide en aprendizaje profundo, y este último se divide principalmente en numerosas capas de redes
neuronales, lo que le otorga la capacidad de aprender gran cantidad de información y replicar la función
cerebral. Aumentar la eficiencia mediante la adición de más capas puede ser beneficioso.
Este trabajo pretende aportar a la consecución de conteos automáticos, capitalizando el acceso común a
computadoras personales y herramientas de programación, como el lenguaje Python. Se plantea la creación
de un programa diseñado para facilitar precisamente la tarea de conteo de objetos presentes en imágenes
digitales. En consonancia con la dinámica actual, donde el mundo se transforma continuamente mediante
innovaciones tecnológicas, esta investigación aspira a ser un eslabón en esa cadena de avances, maximizando
el potencial intrínseco del lenguaje de programación mencionado. El presente documento se estructura de la
siguiente manera: se inicia con una contextualización sobre la importancia del conteo de objetos, se detallan
el diseño y los pasos de ejecución del programa propuesto, se exponen los resultados obtenidos, se derivan
conclusiones relevantes y se comparten recomendaciones fundamentadas en el desarrollo del estudio.
II. ANTECEDENTES
Trabajos previos [5] han desarrollado la automatización del conteo de folículos ováricos en estudios
reproductivos multigeneracionales realizados en ratas, de acuerdo con las directrices 443 y 416 de la
Organización para la Cooperación y el Desarrollo Económicos (OCDE). La evaluación manual del conteo
diferencial de folículos ováricos es una tarea tediosa y que consume mucho tiempo, que requiere personal
altamente capacitado. En este contexto, se probaron aplicaciones de redes neuronales profundas (deep
neural networks) para facilitar y mejorar el proceso. Los resultados de la aplicación de aprendizaje profundo
proporcionan imágenes superpuestas para una documentación más detallada, junto con una mayor
reproducibilidad en los recuentos. Para facilitar la validación planificada de buenas prácticas de laboratorio
(GLP), se estableció un flujo de trabajo utilizando MLFlow para realizar todas las etapas, desde la generación
de escaneos, entrenamiento de la red neuronal, carga de imágenes del estudio a la red neuronal, generación
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
ISSN-E: 2697-3650
Minerva Journal
12
Vol.4, Issue N°11, (pp. 9-20)
y almacenamiento de resultados de manera controlada y reproducible. Se utilizó PyTorch como el marco
principal para construir la red neuronal convolucional basada en regiones más rápida (Faster R-CNN) para el
entrenamiento. El estudio compara el rendimiento de diferentes profundidades de modelos ResNet con un
enfoque específico en la sensibilidad, especificidad y precisión de los modelos. El texto describe
detalladamente todos los pasos, desde la etiqueta de datos, el entrenamiento de redes hasta las métricas de
rendimiento elegidas para evaluar diferentes arquitecturas de red. También se proporcionan
recomendaciones sobre los pasos a tener en cuenta cuando se apunta a la validación GLP.
Otros autores [6] han considerado la utilización de la fotografía digital para contar aves, presentando
diferentes todos adecuados tanto para situaciones fuera de nea como en tiempo real en nea. La
investigación realiza un análisis del rendimiento de varios métodos utilizados en censos de aves, con el
objetivo de superar limitaciones presentes en las técnicas tradicionales de conteo de aves mediante fotografía
digital. La investigación resulnecesaria para abordar las limitaciones de las técnicas de conteo de aves que
emplean fotografía digital. Se enfoca en estudiar las técnicas existentes para el conteo de objetos en
fotografías digitales y propone métodos para superar una o más limitaciones enfrentadas en las técnicas
tradicionales. El conteo de objetos es fundamental en diversas áreas de la ciencia y la tecnología, y la eficiencia
del conteo manual disminuye a medida que aumenta el número de objetos. La utilización de fotografía digital
para contar aves se presenta como un todo atractivo, simple y menos costoso en comparación con las
técnicas manuales. El conteo manual, aunque es el método sico, se considera ineficiente debido a errores
humanos y no es adecuado para grandes bandadas de aves, ya que los individuos pueden omitir algunas aves
o volver a contar la misma ave.
En otros trabajos [7] han utilizado las herramientas inteligentes de selección de imágenes para el monitoreo
de plagas en campos o experimentos de laboratorio con el objetivo de identificar la variación de los niveles de
infección y mejorar el desarrollo de programas integrados de manejo de plagas. Los autores mencionan que la
identificación y el conteo manual de los especímenes capturados suelen ser actividades que consumen
tiempo, requieren conocimientos taxonómicos y dependen de la experiencia de especialistas. En este
contexto, se plantea que la automatización de este proceso podría reducir costos, aumentar la precisión y
hacer escalable el análisis. Se destaca que las técnicas actuales de visión por computadora e inteligencia
artificial pueden identificar objetos de interés en imágenes digitales de manera oportuna y precisa.
III. METODOLOGÍA
El diseño propuesto en esta investigación se fundamenta en el desarrollo de un algoritmo altamente eficiente
para llevar a cabo el recuento preciso de objetos similares en imágenes digitales. Este proceso se articula a
través de distintos pasos y procesos meticulosamente diseñados, los cuales se aplican a la imagen de interés.
La consecución de una contabilización precisa se logra mediante la implementación de las transformaciones y
operaciones necesarias en cada una de las etapas, como se ilustra en la Fig. 1.
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
ISSN-E: 2697-3650
Minerva Journal
13
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Fig. 1. Diagrama de descripción del diseño.
El diseño del algoritmo abarca una secuencia cuidadosamente planeada de pasos, destinados a ampliar los
detalles presentes en la imagen. Esto se logra mediante la aplicación de transformaciones selectivas que
resalten las características relevantes, al tiempo que optimizan el proceso en cada fase, desde el inicio hasta la
finalización. Cada etapa del proceso de diseño está concebida para maximizar la extracción de información
clave, permitiendo una representación mástida de los objetos similares en la imagen digital. La secuencia de
pasos asegura que la imagen sea sometida a transformaciones y ajustes específicos, facilitando así la
consecución de resultados más precisos en el recuento de objetos similares. En resumen, el diseño del
algoritmo propuesto en este trabajo se basa en una estrategia secuencial de procesos y pasos,
meticulosamente diseñados para optimizar la identificación y el recuento de objetos similares en imágenes
digitales. Cada etapa contribuye de manera sinérgica a la mejora de la representación visual y, por ende, a la
exactitud del conteo logrado [1].
A. Descripción de librerías del Programa
El programa se ha construido utilizando el entorno de desarrollo integrado (IDE) IDLE de Python 3.7, lo cual
facilita la creación y manipulación de digo en el lenguaje de programación Python. Se utilizó la librería
OpenCV que es una herramienta de digo abierto para Python, fundamental en esta implementación.
OpenCV proporciona una rica gama de funciones y algoritmos que son cruciales para el procesamiento de
imágenes en el programa. Su integración permite la ejecución de tareas esenciales para analizar y contar
objetos en las imágenes seleccionadas [2]. A continuación, se describen los pasos que se siguieron para la
ejecución del programa:
Paso 1: selección de una imagen.
Para iniciar el proceso, se permite la selección de imágenes provenientes de diversas fuentes, ya sea de
internet o proporcionadas por el usuario. Estas imágenes deben encontrarse almacenadas en una carpeta
accesible desde la PC donde se ejecuta el programa. Los formatos de imagen aceptables incluyen JPEG, JPG y
PNG, permitiendo una amplia flexibilidad en la elección de las imágenes. Ver ejemplo de una imagen
seleccionable en la Fig. 2.
ISSN-E: 2697-3650
Minerva Journal
14
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Fig 2. Imagen seleccionable, con distintas figuras.
Paso 2: imagen convertida a escala de grises.
Una vez obtenidas las imágenes a evaluar, se lleva a cabo su conversión a escala de grises. Este proceso
implica calcular el promedio de intensidad de los componentes de color (rojo, verde y azul) en cada pixel. La
transformación resultante crea una matriz de intensidad donde los valores varían entre 0 y 255,
representando niveles de negro y blanco absolutos, respectivamente. La conversión a escala de grises facilita
la detección de objetos al resaltar los contrastes entre luz y sombra [4] (Fig. 3).
Fig. 3. Imagen convertida de RGB a escala de grises.
Paso 3: aplicación de doble filtro gaussiano a una imagen.
Con la imagen en escala de grises, se aplica un filtro gaussiano para suavizar la imagen y reducir las
desviaciones extremas entre xeles. Este proceso elimina ruido y uniformiza las diferencias entre grupos de
píxeles, permitiendo así una representación más homogénea. Es importante destacar que se aplican dos
iteraciones del filtro gaussiano para maximizar la reducción de ruido y garantizar un panorama más nítido (Fig.
4).
Fig. 4. Imagen aplicando de doble filtro gaussiano
ISSN-E: 2697-3650
Minerva Journal
15
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Paso 4: aplicación de algoritmo de Canny a una imagen.
Las imágenes filtradas son sometidas al algoritmo clásico de Canny, reconocido por su capacidad para
detectar bordes. Se establecen umbrales alto y bajo, determinando qué bordes serán resaltados en la imagen
[5]. La aplicación del algoritmo Canny es crucial para la detección precisa de los objetos y sus contornos en la
imagen (Fig. 5).
Fig. 5. Imagen aplicando el algoritmo de Canny.
Paso 5: dilatación de la imagen.
Para resaltar y expandir los objetos detectados, se realiza una operación de dilatación. Este proceso
involucra el traslado de un elemento estructural a lo largo de la imagen, detectando solapamientos con
píxeles de valor 1. La dilatación contribuye a destacar y mejorar la visibilidad de los objetos en la imagen (Fig.
6).
Fig. 6. Imagen aplicando el algoritmo de Canny.
Paso 6: erosión de la imagen.
La operación de erosión se emplea después de la dilatación, con el propósito de refinar la forma de los
objetos detectados. Al aplicar un elemento estructural, se verifica si los píxeles de valor 1 están
completamente contenidos dentro de la zona de la imagen. La erosión permite una representación más
precisa y detallada de los objetos (Fig. 7).
ISSN-E: 2697-3650
Minerva Journal
16
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Fig. 7. Imagen cuando es aplicada la erosión.
Paso 7: denotación del borde de la imagen.
En la última etapa, se marcan los bordes de los objetos detectados. Cada objeto es resaltado
individualmente, preparando la imagen para el conteo y ofreciendo una visualización clara de los objetos
identificados. Esta fase resulta crucial para obtener una cifra verificada de los objetos presentes en la imagen.
En ntesis, el diseño del programa abarca una secuencia de pasos estratégicos, desde la selección inicial
hasta la denotación de bordes, todos ellos ejecutados de manera coherente para lograr una identificación
precisa de objetos en imágenes digitales. Estos pasos se integran de manera sinérgica a través de la biblioteca
OpenCV, permitiendo una implementación efectiva del programa diseñado (Fig. 8).
Fig. 8. Imagen con los bordes de los objetos denotados.
IV. RESULTADOS
A. Desarrollo de la aplicación de escritorio
Se ha logrado desarrollar con éxito una aplicación de escritorio utilizando el entorno de desarrollo integrado
(IDE) de Python. Esta herramienta permite a los usuarios determinar la cantidad de objetos similares
presentes en una imagen seleccionada en su computadora, siempre que la imagen cumpla con los requisitos
esenciales para un conteo eficiente de objetos. La programación integral del proyecto se ha realizado en el
lenguaje de programación Python, aprovechando su flexibilidad y respaldada por bibliotecas especializadas en
el manejo de datos, procesamiento de imágenes e interfaces. La versatilidad de Python ha demostrado ser
fundamental para llevar a cabo este tipo de propuestas de manera exitosa.
Interfaz hombre máquina
La interfaz diseñada garantiza una experiencia de usuario intuitiva. La interacción con el algoritmo se ha
concebido de manera sencilla, permitiendo a los usuarios buscar, seleccionar y cargar una imagen con
facilidad (Fig. 9).
ISSN-E: 2697-3650
Minerva Journal
17
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Ventana principal
La ventana principal (Fig. 9) exhibe una interfaz clara y funcional. Los botones "Seleccionar Imagen" facilitan la
búsqueda y elección de una imagen para el análisis de conteo de objetos. Asimismo, el botón "Salir"
proporciona una manera rápida y eficiente de cerrar el programa.
Fig. 9. Ventana al momento de abrir el programa.
La creación de la ventana principal involucra la asignación de un nombre, dimensiones específicas y la
restricción de cambios en su tamaño durante el uso. La adición de los botones de selección y salida se
muestra en la Fig. 10.
Fig. 10. Ventana principal (Código la creación de la ventana principal).
Tk.tk(): el comando para crear la ventana de la interfaz con nombre de variable “ventana” para identificar y
poder asignar sus demás atributos.
ventana.title: con ese comando le damos el nombre a la ventana.
ventana.geometry: nos permite darle el tamaño deseado.
ventana.resizable: es para que no pueda cambiar el tamaña de la ventana.
boton: contiene los parámetros del botón de seleccionar el archivo de la imagen.
boton1: contiene los parámetros del botón salir.
En la Fig. 10, se muestra parte del código y algunos de sus atributos. La simbología se describe como:
En la Fig. 11, tenemos el código con el cual creamos los botones que se muestran en la ventana principal.
Fig. 11. Código la creación de los botones.
ISSN-E: 2697-3650
Minerva Journal
18
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
Ensayo de aplicación:
Una vez que la imagen deseada ha sido seleccionada desde la computadora, esta se presenta de manera
visible en la ventana principal, acompañada de la cantidad de objetos identificados (Fig. 12). La imagen
seleccionada es procesada internamente, lo que lleva a la ventana principal a mostrar el mero de objetos
detectados.
Fig. 12. Ventana al momento de ejecutar el programa.
El proceso de selección y procesamiento de la imagen está respaldado por neas de código específicas (Fig.
13 y Fig. 14), que aseguran la visualización precisa de la imagen y la presentación del recuento de objetos en
la ventana principal de la aplicación.
Fig. 13. Código para mostrar la imagen seleccionada.
Fig. 14. Función para seleccionar y tratar la imagen.
ISSN-E: 2697-3650
Minerva Journal
19
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
En resumen, se ha logrado la creación exitosa de una aplicación de escritorio que permite a los usuarios
identificar y contar objetos similares en imágenes seleccionadas. La interfaz amigable y el proceso de conteo
eficiente son aspectos destacados de esta implementación, respaldados por una programación en Python y
el uso de bibliotecas especializadas.
CONCLUSIONES
En este estudio, se han emprendido investigaciones esenciales para el desarrollo exitoso de una aplicación
de escritorio en el Entorno de Desarrollo Integrado IDLE de Python. Se llevó a cabo un análisis de las
diversas librerías requeridas, así como de los comandos y funciones específicos que permitirían la
consecución de los objetivos planteados. Además, se logró adquirir un dominio fundamental del lenguaje de
programación Python, el cual demostró ser una herramienta altamente valiosa, especialmente en el ámbito
del procesamiento de información y, en este caso, en el procesamiento de imágenes.
En relación con la ejecución del conteo de objetos, se observó que, si bien la velocidad puede variar en
función del número de objetos presentes en la imagen, las diferencias en el tiempo de procesamiento son
mínimas y se miden en cuestión de segundos. Es importante considerar también el rendimiento de la PC en
la que se ejecuta la aplicación, ya que esto puede influir en los tiempos de respuesta. Uno de los logros
sobresalientes de este trabajo es la capacidad de contabilizar objetos que no poseen una coincidencia
estricta en términos de color, textura y forma. Este resultado abre la puerta a futuras investigaciones,
explorando mo ampliar aún más la versatilidad del algoritmo para detectar una gama más diversa de
objetos.
La elección de emplear Python en lugar de Matlab para esta investigación se fundamentó en su entorno de
desarrollo más amigable, así como en su capacidad para optimizar el rendimiento y los recursos del sistema.
La decisión de utilizar Python se vio respaldada por su enfoque en la accesibilidad y la facilidad de uso, lo
que contribuyó significativamente a la comprensión y el manejo exitoso del lenguaje. Finalmente, este
estudio no solo ha culminado con el desarrollo de una aplicación eficiente para el conteo de objetos, sino
que también ha enriquecido el conocimiento en programación y ha demostrado el potencial de Python
como una herramienta robusta en el procesamiento de imágenes y la solución de problemas complejos [3].
A fin de garantizar una ejecución efectiva del conteo automático de objetos, es esencial que las imágenes
sometidas al procesamiento cumplan con requisitos específicos que favorezcan la precisión del conteo. Se
recomienda seleccionar imágenes en función de su utilidad prevista, considerando que la eficiencia de la
cuenta automática depende en gran medida de la elección adecuada de las imágenes.
El programa desarrollado presenta un amplio espectro de aplicaciones, abarcando campos como la
industria, medicina, biología y otros. Sin embargo, es crucial resaltar que su adaptación y modificación
resulta imperativa para cada contexto particular. Cada implementación debeser ajustada y personalizada
en función de los requisitos específicos de cada área.
Para mejorar la efectividad del programa, se plantean las siguientes recomendaciones:
1. Integrar Aplicaciones: se sugiere la integración de funcionalidades adicionales en la aplicación, con el
propósito de ampliar su utilidad y brindar a los usuarios una experiencia más versátil y completa.
2. Mantenerse Actualizado en Python: dado que el lenguaje de programación Python sigue evolucionando
con la incorporación de herramientas, librerías y mejoras en el entorno IDLE, es esencial mantenerse al tanto
de las actualizaciones y adquirir conocimientos en las nuevas funcionalidades para maximizar el potencial
del programa.
ISSN-E: 2697-3650
Minerva Journal
20
Vol.4, Issue N°11, (pp. 9-20)
Rivas M. et al. Sistema automatizado de conteo de objetos en imágenes digitales
3. Contabilización de Objetos Variados: se recomienda avanzar hacia la capacidad de contar objetos con
formas, colores y texturas distintas, agrupándolos en base a aproximaciones significativas. Esta mejora
permitirá una identificación más precisa y versátil de objetos en la imagen.
4. Desarrollo de Aplicación Móvil: explorar la posibilidad de desarrollar una aplicación móvil (APP) que
permita contar objetos similares a través de imágenes capturadas por la cámara del dispositivo. Esta
expansión facilitaría la utilización del programa en diversas situaciones y ubicaciones.
REFERENCIAS
[1] P. Li, J. Zheng, P. Li, H. Long, M. Li, and L. Gao, “Tomato Maturity Detection and Counting Model Based on
MHSA-YOLOv8,” Sensors, vol. 23, no. 15, 2023, doi: 10.3390/s23156701.
[2] P. Jasitha and P. N. Pournami, “Glomeruli Detection Using Faster R-CNN and CenterNet,” in 2023 3rd Asian
Conference on Innovation in Technology, ASIANCON 2023, 2023. doi:
10.1109/ASIANCON58793.2023.10270511.
[3] A. Aharari, K. Kuwaduru, and F. Mehdipour, “Development of an Artificial Intelligence (AI) Based Visual
Counting System for the Food Industry, in 13th IEEE Symposium on Computer Applications and Industrial
Electronics, ISCAIE 2023, 2023, pp. 136–139. doi: 10.1109/ISCAIE57739.2023.10165399.
[4] S. K. Aruna, N. Deepa, and T. Devi, “Underwater Fish Identification in Real-Time using Convolutional Neural
Network,in Proceedings of the 7th International Conference on Intelligent Computing and Control Systems,
ICICCS 2023, 2023, pp. 586–591. doi: 10.1109/ICICCS56967.2023.10142531.
[5] E. Carboni et al., “A Workflow for the Performance of the Differential Ovarian Follicle Count Using Deep
Neuronal Networks,” Toxicol Pathol, vol. 49, no. 4, pp. 843–850, 2021, doi: 10.1177/0192623320969130.
[6] K. M. Spoorthy, S. G. Hegde, N. Vijetha, M. S. Rudramurthy, T. G. Keerthan Kumar, and S. A. Sushma,
“Performance analysis of bird counting techniques using digital photograph,” in Proceedings - 5th International
Conference on Intelligent Computing and Control Systems, ICICCS 2021, 2021, pp. 1482–1491. doi:
10.1109/ICICCS51141.2021.9432265.
[7] T. De Cesaro Júnior and R. Rieder, “Automatic identification of insects from digital images: A survey,”
Comput Electron Agric, vol. 178, 2020, doi: 10.1016/j.compag.2020.105784.