Valentín Calzada Ledesma, Luis Emmanuel Carreón Aranda, Alejandro Cornejo Acosta, Blanca Verónica Zúñiga Núñez
Instituto Tecnológico Superior de Purísima del Rincón
Recibido 07012026
Aprobado 21032026
Resumen
En este artículo se presenta una metodología de Inteligencia Artificial basada en Evolución Gramatical para el diseño automático de descriptores de textura capaces de representar de forma robusta imágenes microscópicas de minerales utilizados en la fabricación de semiconductores.
El método combina de manera evolutiva distintos filtros y operadores aritméticos con el objetivo de generar descriptores que destaquen las características más relevantes de las imágenes y permitan una discriminación precisa entre distintos minerales.
El descriptor obtenido se comparó con tres descriptores tradicionales y con una Red Neuronal Convolucional, mostrando un desempeño superior en términos de exactitud de clasificación. Estos resultados evidencian el potencial de la propuesta como una herramienta eficaz para agilizar y apoyar los procesos de clasificación de minerales en la industria de semiconductores.
Abstract
This article presents an Artificial Intelligence methodology based on Grammatical Evolution for the automatic design of texture descriptors capable of robustly representing microscopic images of minerals used in semiconductor manufacturing.
The method combines different filters and arithmetic operators in an evolutionary manner, with the aim of generating descriptors that highlight the most relevant features of the images and enable accurate discrimination among different minerals.
The resulting descriptor was compared with three traditional descriptors and with a Convolutional Neural Network, demonstrating superior performance in terms of classification accuracy. These results highlight the potential of the proposed approach as an effective tool to streamline and support mineral classification processes in the semiconductor industry.
Palabras clave
Semiconductores, Minerales, Evolución Gramatical, Visión por Computadora, Inteligencia Artificial.
Keywords
Semiconductors, Minerals, Grammatical Evolution, Computer Vision, Artificial Intelligence.
Introducción
Los semiconductores son componentes fundamentales de la electrónica moderna, y su desempeño está estrechamente ligado a la pureza y a la estructura cristalina de los materiales empleados en su fabricación.
La clasificación precisa de estos minerales, tradicionalmente realizada mediante el análisis manual de imágenes microscópicas, requiere un alto nivel de especialización y presenta limitaciones de escalabilidad (Koch et al., 2019).
Una alternativa para abordar el problema de la clasificación es el uso de técnicas de visión por computadora, donde una tendencia destacada es la aplicación de Redes Neuronales Convolucionales (RNC). Sin embargo, las RNC presentan fuertes limitaciones, como la dependencia de grandes volúmenes de datos, altos costos computacionales y escasa interpretabilidad (Latif et al., 2022), lo que impulsa la búsqueda de métodos más baratos y eficientes.
Frente a estos desafíos, resulta necesario contar con enfoques más flexibles y accesibles, capaces de trabajar directamente con imágenes obtenidas mediante microscopía convencional, por ejemplo, a través del uso de descriptores de imágenes.
Un descriptor es un algoritmo que identifica y resalta las características más relevantes de una imagen, representándolas de forma compacta mediante un vector numérico. En este contexto, la Evolución Gramatical (EG) se presenta como una alternativa prometedora para crear descriptores con un alto poder de discriminación entre minerales, de manera automática y confiable, incluso cuando se dispone de una cantidad limitada de datos (Calzada et al., 2018).
De manera general, la EG es una técnica de IA inspirada en la evolución natural, que genera y mejora soluciones de forma automática siguiendo un conjunto de reglas establecidas en una gramática. Mediante un proceso similar a la selección natural, conserva y refina las mejores soluciones (en este contexto descriptores) hasta encontrar la más adecuada para resolver un problema.
Metodología
La EG genera 𝑁 descriptores candidatos (𝑑) que permiten resaltar y extraer las características más relevantes de las imágenes de minerales. Estas características se representan numéricamente mediante un histograma, el cual indica la frecuencia de aparición de ciertos píxeles en la imagen, facilitando la descripción y la comparación entre texturas. Cada histograma se guarda en una base de datos (BD) y se etiqueta con el nombre del mineral al que pertenece.
Para evaluar el desempeño de cada descriptor candidato (𝑑𝑖), se emplea una Máquina de Soporte Vectorial (MSV), que clasifica cada base de datos generada por cada descriptor, y cuantifica su capacidad de representación mediante una medida porcentual de exactitud en la clasificación. Este proceso de evaluación y optimización se repite de forma iterativa con el objetivo de maximizar la exactitud. Finalmente, al cumplir el criterio de paro, ya sea realizar un número de iteraciones u obtener el 100% de exactitud, el algoritmo entrega el descriptor con mejor desempeño (𝑑*). La Figura 1 presenta de manera esquemática el flujo completo de la metodología propuesta.
Figura 1
Fuente: Elaboración propia
Para diseñar los descriptores, la EG emplea reglas gramaticales que combinan filtros y operaciones aritméticas aplicadas a las imágenes. Los filtros incluyen técnicas de suavizado, como el gaussiano y el de mediana; detectores de bordes como Sobel, Scharr, Prewitt, Roberts y Laplace; y detectores de estructuras complejas como Gabor, Frangi y Hessian. Además, se utilizan operaciones aritméticas básicas para integrar resultados y generar descriptores más expresivos de las texturas.
Para validar la propuesta, se empleó un conjunto de datos del repositorio de la Universidad de Nanjing (Wen et al., 2020) con imágenes microscópicas de rocas ígneas, del cual se seleccionaron cinco clases relevantes para la industria de semiconductores: zafiro, cuarzo diorita, riolita, riolita esferulítica y pegmatita. Las imágenes se transformaron a escala de grises y se dividieron en regiones cuadradas de 512 píxeles, obteniéndose 64 imágenes por clase; el 80% se destinó al entrenamiento y el 20% a la prueba de MSV. El desempeño del descriptor evolutivo propuesto se comparó con descriptores tradicionales —Patrones Locales Binarios (PLB), Wavelet Daubechies-2 (DB2) y Haralick—, todos usando una MSV como algoritmo de clasificación, así como con una RNC entrenada desde cero. En este último caso, se aplicó aumento de datos para lograr un rendimiento competitivo.
Resultados
En esta sección se presentan los resultados obtenidos al aplicar la metodología propuesta para el diseño automático de descriptores de textura mediante EG. Se analiza el descriptor evolutivo resultante, su desempeño en términos de exactitud de clasificación y su comparación con descriptores tradicionales y con una RNC, con el fin de evaluar la efectividad y las ventajas del enfoque propuesto. El descriptor evolutivo diseñado por la EG fue:
𝑑=𝐻𝑖𝑠𝑡𝑜𝑔𝑟𝑎𝑚𝑎(𝑆𝑐ℎ𝑎𝑟𝑟(𝐻𝑒𝑠𝑠𝑖𝑎𝑛(𝑆𝑐ℎ𝑎𝑟𝑟(𝐼𝑚𝑎𝑔𝑒𝑛)))), el cual combina dos operadores Scharr para la detección de bordes y un filtro Hessian orientado a la identificación de estructuras complejas. La Tabla 1 presenta la comparación de exactitud entre los distintos métodos evaluados, resaltando en negrita el mejor resultado. Asimismo, la Figura 2 muestra un ejemplo del procesamiento de una imagen microscópica del mineral pegmatita mediante el descriptor evolutivo propuesto.
Tabla 1
Comparación de precisión entre métodos de clasificación
| Método | Exactitud (%) |
| PLB + MSV | 88.33 |
| DB2 + MSV | 80.00 |
| Haralick + MSV | 65.00 |
| RNC (entrenada desde cero) | 90.00 |
| EG + MSV (propuesta) | 98.33 |
Figura 2
Procesamiento de una imagen microscópica mediante el descriptor
Fuente: Elaboración propia
Los resultados muestran que la combinación automática de filtros para la detección de bordes y estructuras complejas permite capturar información discriminante relevante en las imágenes microscópicas.
El desempeño del descriptor evolutivo frente a los descriptores tradicionales es superior, y, con respecto a la RNC es particularmente significativo, ya que estas redes suelen requerir grandes volúmenes de datos para alcanzar resultados competitivos. En contraste, la propuesta logró un nivel de exactitud del 98.33 %, sobre un conjunto de datos reducido, lo que la hace especialmente adecuada para escenarios donde la adquisición de imágenes es costosa o limitada.
Además, la interpretabilidad del descriptor generado representa una ventaja clave, puesto que la cadena de procesamiento es completamente conocida y trazable, facilitando su análisis, validación y adaptación a nuevas aplicaciones.
Conclusiones
Los resultados obtenidos muestran que la metodología propuesta permite diseñar de forma automática y eficiente descriptores de textura adecuados para la clasificación de imágenes microscópicas de minerales. Más allá del caso de estudio, el trabajo aporta evidencia de que los enfoques evolutivos basados en reglas, como la EG, pueden constituir una alternativa sólida frente a escenarios en donde la disposición de datos es limitada, manteniendo al mismo tiempo un alto nivel de desempeño y una interpretación transparente del proceso.
Estas características amplían el conocimiento existente sobre técnicas de IA interpretables y eficientes, y refuerzan su potencial aplicación en contextos industriales y científicos, particularmente en la industria de semiconductores.
Como línea de trabajo futuro, se propone ampliar el conjunto de operadores disponibles en la EG y explorar la aplicabilidad del enfoque en otros dominios, como el análisis de imágenes biomédicas.
Referencias
Calzada-Ledesma, V., Puga-Soberanes, H. J., Ornelas-Rodríguez, M., Rojas-Domínguez, A., Carpio-Valadez, J. M., Espinal, A., & Sotelo-Figueroa, M. A. (2018). Evolutionary design of problem-adapted image descriptors for texture classification. IEEE Access, 6, 40450–40462. https://doi.org/10.1109/ACCESS.2018.2858660
Koch, P. H., Lund, C., & Rosenkranz, J. (2019). Automated drill core mineralogical characterization method for texture classification and modal mineralogy estimation for geometallurgy. Minerals Engineering, 136, 99–109. https://doi.org/10.1016/j.mineng.2019.03.008
Lai, W., Jiang, J., Qiu, J., Yu, J., & Hu, X. (2020). A photomicrograph dataset of rocks for petrology teaching at Nanjing University. Science Data Bank. https://doi.org/10.11922/sciencedb.j00001.00097
Latif, G., Bouchard, K., Maitre, J., Back, A., & Bédard, L. P. (2022). Deep-learning-based automatic mineral grain segmentation and recognition. Minerals, 12(4), Article 455. https://doi.org/10.3390/min12040455