Conclusiones

En este trabajo se presentó la implementación y comparación de dos métodos de segmentación interactiva, GrabCut y Random Walker, aplicados a un conjunto de imágenes de palas de aerogeneradores. La implementación de los algoritmos en Python permitió que el usuario defina la región del objeto, en el caso de GrabCut mediante un rectángulo, y las semillas de fondo y objeto en el caso de Random Walker.

La evaluación y comparación de los métodos se realizó mediante los Índices de Jaccard y Dice y el Error Adaptado de Rand. Los resultados cuantitativos muestran que Random Walker fue más preciso en la segmentación en comparación con GrabCut. En promedio, Random Walker obtuvo valores más altos de los Índices de Jaccard y Dice y menor valor de ARE, con menor variabilidad, lo cual indica una mayor robustez en la segmentación de imágenes con características y fondos variados.

Los métodos de segmentación interactiva permite al usuario ajustar y refinar la segmentación según sea necesario, mejorando la precisión en la identificación de objetos en imágenes complejas. Esta puede ser utilizada en el preprocesamiento de datos para el entrenamiento de modelos de aprendizaje automático, que necesitan un conjunto de entrenamiento previamente etiquetado. Los buenos resultados obtenidos con Random Walker pueden transformarlo en una opción viable para realizar segmentaciones que sean utilizadas para entrenar modelos de aprendizaje automático.

Trabajo futuro

Se propone explorar la implementación de otros métodos de segmentación interactiva como el crecimiento de regiones basado en semillas (Seeded Region Growing) y otros algoritmos avanzados. Estos métodos podrían ser aplicados no solo para segmentar las palas de los aerogeneradores, sino también para identificar y segmentar fallas específicas dentro de las palas.