Implementación en FPGA de algoritmo para
análisis parasitario
FPGA Algorithm Implementation for Parasitic Analysis
Rombolá Guido
1
, Leiva Lucas
2
, Vazquez Martin
3
, Toloza Juan
4
, Sagües Federica
5
, Saumell Carlos
6
1,2,3,4
Facultad de Ingeniería - Universidad Nacional de Tres de Febrero - Caseros - Buenos Aires - Argentina
2,3,4
LabSET - Universidad Nacional del Centro de la Provincia de Buenos Aires - Tandil - Buenos Aires - Argentina
5,6
CIVETAN - Universidad Nacional del Centro de la Provincia de Buenos Aires - Tandil - Buenos Aires - Argentina
1
grombola@untref.edu.ar
2,3,4
{lleiva,mvazquez,jmtoloza]@labset.exa.unicen.edu.ar
5
federica@vet.unicen.edu.ar
6
saumell@vet.unicen.edu.ar
Resumen— Un control parasitario eficiente permite reducir
pérdidas significativas en la agroindustria. Los métodos
actuales con los que se realiza este tipo de controles imponen
costos y demoras. Por ello, se propone el desarrollo de un
dispositivo portátil que automatice esta tarea. En este trabajo
se presenta la implementación hardware de un algoritmo de
conteo automático de huevos de parásitos utilizando síntesis de
alto nivel. Los resultados demuestran la factibilidad de la
implementación, con un 87% de precisión operando a una tasa
de hasta de 65 frames por segundo y una ocupación de LUTs
menor al 45%, considerando dos kits comerciales (PYNQ-Z1 y
ULTRA96V2).
Palabras clave: Análisis Parasitario, Procesamiento de
Imágenes, HLS, FPGA.
Abstract— An efficient parasite control reduces significant
losses in the agribusiness, but current methods involve costs
and delays. Therefore, the development of a portable device to
automates this task is proposed. This work presents a
hardware implementation of an automatic parasite egg
counting algorithm using high-level synthesis. The results
demonstrate the feasibility of the implementation, with an 87%
accuracy operating at a rate of up to 65 frames per second and
an occupation of LUTs less than 45%, considering two
commercial kits (PYNQ-Z1 and ULTRA96V2).
Keywords: Parasitic Analysis, Image Processing, HLS, FPGA
I. INTRODUCCIÓN
El sector agropecuario y agroindustrial es el principal
mercado de exportación de Argentina. En esta industria un
buen control parasitario permite mitigar grandes pérdidas
económicas.
Los planes sanitarios en el ganado bovino incluyen el
diagnóstico y control de potenciales enfermedades. La
acción de parásitos internos en los animales es un trastorno
constante en la eficiencia productiva ocasionando grandes
pérdidas [1]. Los parásitos internos producen huevos que
son eliminados con la materia fecal; en el ambiente
desarrollan a larvas infectantes, contaminando los pastos y
de esta manera reiniciando el ciclo parasitario cuando son
ingeridas por el animal. El diagnóstico parasitológico de
rutina se realiza a través de la determinación de huevos en
la materia fecal pudiendo detectar el problema y anticiparse
a las consecuencias clínicas evitando que los animales
enfermen. Las pérdidas subclínicas vinculadas a la ganancia
de peso son las que el productor no consigue detectar. La
pérdida de peso (o dejar de ganarlo) en bovinos puede
alcanzar el rango de 15 a 40 kg por animal en pastoreo. La
pérdida de peso subclínica no es posible compensar debido
a que ocurre en la etapa de crecimiento y desarrollo del
animal, provocando serias consecuencias económicas. Para
Argentina, se estimaron pérdidas ocasionadas por parásitos
en aproximadamente 200 millones de dólares anuales [1].
Para minimizar el impacto de las parasitosis subclínicas, se
realizan en los programas de control sanitario, monitoreos
regulares mediante análisis de materia fecal, donde a través
del conteo de huevos, se puede estimar indirectamente la
carga parasitaria sobre él animal. La técnica de laboratorio
que se utiliza tiene muchas limitaciones.
Actualmente la detección de los parásitos
gastrointestinales en bovinos se realiza de forma indirecta, a
través del análisis de materia fecal utilizando la técnica
Mcmaster modificada [2]. Este método consiste en la
observación, identificación y conteo de huevos de parásitos
gastrointestinales utilizando microscopio óptico, tarea que
requiere de personal experimentado, equipamiento de
laboratorio y tiempo que incrementa los costos de su
realización. Asimismo, los resultados de los análisis están
sujetos a la fatiga del personal encargado de realizar esta
tarea. Se estima que el error promedio es del 20% cuando es
realizada por un experto.
Las nuevas tecnologías permitieron comenzar a generar
soluciones para conteo automático. Algunos de estos
métodos se detallan en [3,4] los cuales realizan el
procedimiento a través del procesamiento de imágenes
sobre muestras pre-procesadas en laboratorio, e incluso
existen soluciones utilizando smartphones vinculado con
equipamiento especializado [5]. Se pueden encontrar en la
literatura también soluciones basadas en Deep Learning,
como la presentada en [6]. Sin embargo, todas las técnicas
requieren de equipamiento costoso y muchas de ellas no son
portables.
Recibido: 01/03/22; Aceptado: 04/05/22
Creative Commons License - Attribution-NonCommercial-
NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
https://doi.org/10.37537/rev.elektron.6.1.149.2022
Original Article
Revista elektron, Vol. 6, No. 1, pp. 36-40 (2022)
ISSN 2525-0159
36
En este contexto, los FPGA son cada vez más utilizados
para la implementación de aplicaciones de procesamiento
de imágenes, principalmente en aplicaciones embebidas de
tiempo real, donde la latencia y el consumo de potencia son
consideraciones importantes [7]. Además, la incorporación
de nuevas metodologías de desarrollo, como las
herramientas de síntesis de alto nivel (HLS), proporcionan
beneficios significativos para implementar algoritmos de
procesamiento de imágenes en FPGA y reduce los tiempos
de desarrollo [8, 9].
En este trabajo se presenta el desarrollo de la
implementación hardware de un algoritmo para la
detección, identificación y conteo de huevos de parásitos. El
objetivo es la automatización de la tarea de conteo,
incidiendo además en un incremento de la precisión. Este
algoritmo es parte de una solución tecnológica, un
dispositivo portátil, que evita la necesidad de lidiar con el
proceso de tomar las muestras, transportarlas al laboratorio,
aguardar por los resultados, y con los resultados poder
aplicar las medidas de control y/o terapéuticas
correspondientes teniendo en cuenta el tiempo que lleva
cada análisis. El flujo de diseño fue realizado utilizando
herramientas de síntesis de alto nivel. El trabajo contiene las
métricas de implementación obtenidas para el IP Core en un
dispositivo Zynq ( PYNQ-Z1) y un dispositivo UltraScale+
(Ultra96V2), ambos de Xilinx. Considerando que la
tecnología de ambas plataformas son diferentes (SoC y
MPSoC) resulta interesante evaluar las prestaciones
ofrecidas en ambas plataformas de acuerdo a los
requerimientos del problema.
En la sección II se presentan los detalles de
implementación del algoritmo, en la sección III se presentan
los resultados obtenidos tanto en precisión como en análisis
de tiempos y área. Finalmente, en la sección IV se presentan
las conclusiones y trabajos futuros.
II. DESARROLLO
La implementación del IP core para el conteo de huevos
de parásitos se realizó utilizando Vivado HLS 2019.2. Una
de las principales ventajas de este entorno es el amplio
soporte ofrecido por el fabricante [10], y además permite el
uso de una biblioteca de funciones para el procesamiento de
imágenes (xfOpenCV). Esta biblioteca contiene un
subconjunto de funciones de la biblioteca OpenCV,
optimizadas para la síntesis.
Se realizaron síntesis de Vivado HLS para su exportación
del IP core a dos kits de desarrollo comerciales: PYNQ-Z1
y ULTRA96V2. Se escogen estas dos plataformas, ya que si
bien permiten generar una solución sólo en su lógica
programable, son de bajo costo y ambas tienen soporte para
PYNQ, facilitando tanto el desarrollo de aplicaciones a
nivel de usuario, como la incorporación de dispositivos de
captura USB. Esto último resulta útil en este caso para
conectar un microscopio digital USB de bajo costo, que
permite la entrada de las imágenes a analizar [11]. Estos
microscopios alcanzan hasta 1000X de Zoom óptico, con
foco ajustable, iluminación led con intensidad controlada, y
permiten entregar imágenes en resoluciones de 640x480 y
800x600 píxeles. Además, pueden capturar los huevos de
parásitos considerando que el tamaño promedio de los
mismos es de 85 micrómetros.
A. Descripción del algoritmo
La implementación del algoritmo está basada en un
pipeline de imagen, y consta de tres etapas:
preprocesamiento, segmentación y clasificación.
La primera etapa de preprocesamiento convierte la
imagen de entrada de un espacio de color RGB a escala de
grises, y aplica una binarización de la imagen, dando como
resultado una imagen con los objetos candidatos a ser
analizados en etapas siguientes en color blanco, y el fondo
en color negro. La Figura 1 presenta los resultados de las
operaciones que ejecuta esta etapa, para una imagen de
entrada de ejemplo. El umbral de la binarización fue
establecido en 116, con base en la experticia del
desarrollador de software y del experto de laboratorio, y es
fijo para todas las imágenes. El algoritmo permite fijar este
valor ya que todas las imágenes son capturadas en un
ambiente estructurado: cámara de depósito de la muestra,
porcentaje de solución y muestra, e iluminación.
La etapa de segmentación identifica cada uno de los
objetos de interés (blobs) y extrae sus características. Cada
blob se conforma por un conjunto de píxeles blancos
conectados, y aislados del resto. Para la detección de blobs,
se realizó una implementación basada en una única pasada,
que enumera los blobs con sus características, calculadas
incrementalmente [12]. Esto evita el almacenamiento de la
imagen completa en memoria, y solo necesita la
información de las últimas dos filas en cada instante de
tiempo. No guardar la imagen completa en memoria permite
destinar menos recursos de memoria del dispositivo y que la
solución pueda implementarse en un FPGA de menores
prestaciones. Considerando que en esta etapa opera sobre
una imagen binaria, se representa cada fila como una lista
de secuencias con píxeles consecutivos de color blanco. De
cada secuencia, son relevantes los números de columna de
inicio y de fin. El resto de los valores no contemplados
corresponden a píxeles negros. Se conoce a esta
representación con el nombre de run-length encoding.
Para identificar los blobs, se deben comparar las filas de
acuerdo a las siguientes reglas:
● Si una secuencia de píxeles de una fila no se solapa
con ninguna secuencia de la fila anterior, se crea un
nuevo blob cuyo contenido es únicamente el de esta
secuencia.
● Si una secuencia de píxeles de una fila se solapa
con alguna secuencia de la fila anterior, entonces esas
dos secuencias corresponden al mismo blob. Este
ejemplo se ilustra en la figura 2 (a).
● Si hay dos secuencias de píxeles en una misma fila
que originalmente corresponden a dos blobs, y en la fila
siguiente una secuencia se solapa con las dos de la fila
anterior, entonces se combinan los dos blobs ya que son
el mismo objeto. Este ejemplo se ilustra en la figura 2
(b).
Para cada uno de los blobs detectados se calculan las
características que se utilizarán posteriormente para
identificar a un objeto [13]. Estas características son:
● Área (A): suma de todos los píxeles blancos de un
blob.
● Mínimo rectángulo que contiene al blob (bounding
box): rectángulo más pequeño que contiene la totalidad
del blob.
● Momentos geométricos de orden 1 y 2: promedios
ponderados de las intensidades de los píxeles, que
Revista elektron, Vol. 6, No. 1, pp. 36-40 (2022)
ISSN 2525-0159
37
http://elektron.fi.uba.ar
permiten identificar algunos aspectos de la forma de
una imagen.
(a)
(b)
(c)
Fig. 1. (a) imagen de entrada, (b) conversión a escala de grises, (c)
binarización.
(a)
(b)
Fig. 2. (a) ejemplo de dos secuencias que al solaparse son parte del mismo
blob, (b) ejemplo de dos secuencias independientes que se combinan para
formar el mismo blob
La salida de esta etapa consiste en un arreglo de los blobs
identificados con sus respectivas características.
La tercera etapa (clasificación) determina si el blob se
corresponde o no con un huevo parasitario. Para ello, utiliza
las características calculadas en la etapa de segmentación,
en conjunto con características obtenidas a partir de los
valores de la etapa anterior. Las nuevas características
generadas son:
● Excentricidad (E): representa el grado de elongación
de un blob, siendo 1 para un círculo, y valores mayores
que 1 para las regiones elongadas.
● Relación de área (RA): cociente entre área de la elipse
equivalente al blob, y el área del blob, siendo esta
elipse equivalente aquella cuyo centro se corresponde
con el centro de gravedad del blob, y la orientación de
su semieje mayor es la del eje mayor del blob.
Si los valores de las características se encuentran
contenidos dentro de ciertos intervalos, entonces el blob es
identificado como positivo. Los valores de los intervalos se
establecieron mediante prueba y error a fin de maximizar
los resultados, quedando definidos como: A=[250, 700],
E=[1.5, 6) y RA=[1, 1.06]. Considerando que la toma de
imágenes se realiza en un ambiente estructurado, estos
valores son fijos.
La salida de esta etapa, que coincide con la salida de la
solución completa, se corresponde con la cantidad de
huevos detectados en la imagen.
B. Optimizaciones para la síntesis del IP Core
Se utilizaron representaciones de datos de precisión
arbitraria para obtener mejores resultados de ocupación de
recursos y tiempos de procesamiento. Para aquellas
operaciones que requieren de números decimales, se
utilizaron representaciones en punto fijo.
Se aplicó además una optimización en la función
encargada de incrementar los momentos geométricos para
un blob determinado. La ecuación para calcular los
momentos geométricos de un blob utilizando la técnica
incremental del algoritmo de segmentación se define como:
(1)𝑚
𝑝𝑞 =
𝑖=0
𝑘
∑
𝑥 = 𝑥1[𝑖]
𝑥2[𝑖]
∑ 𝑥
𝑝
𝑦
𝑖
𝑞
donde k es el número de caminos (secuencias de píxeles
contiguos en blanco) que componen al blob, x1[i] y x2[i]
son las coordenadas de inicio y fin de un camino, e yi es el
número de fila. Se puede reescribir a la Ecuación (1) como:
=𝑚
𝑝𝑞 =
𝑖=0
𝑘
∑
𝑥 = 𝑥1[𝑖]
𝑥2[𝑖]
∑ 𝑥
𝑝
𝑦
𝑖
𝑞
𝑖=0
𝑘
∑𝑦
𝑖
𝑞
𝑥 = 𝑥1[𝑖]
𝑥2[𝑖]
∑ 𝑥
𝑝
(2)
Entonces, considerando las equivalencias de las
ecuaciones (3), (4) y (5), los momentos geométricos de
orden 1 y 2 pueden ser calculados evitando realizar la suma
interna como un bucle. En ese sentido, se reduce la
comparación e incremento de la variable iteradora, además
la cantidad de operaciones deja de depender de la longitud
de cada camino.
(3)
𝑖=1
𝑛
∑𝑖 =
𝑛*(𝑛+1)
2
(4)
𝑖=1
𝑛
∑𝑖
2
=
𝑛 * (𝑛+1) * (2𝑛+1)
6
(5)
𝑖=𝑟
𝑛
∑𝑓(𝑖)=
𝑖=1
𝑛
∑ 𝑓(𝑖)−
𝑖=1
𝑟 −1
∑ 𝑓(𝑖), 𝑐𝑜𝑛 𝑟<=𝑖
Revista elektron, Vol. 6, No. 1, pp. 36-40 (2022)
ISSN 2525-0159
38
http://elektron.fi.uba.ar
Adicionalmente, se aplicaron las siguientes directivas de
síntesis:
● PIPELINING en el loop de la función que verifica si
los caminos de una fila se solapan con los de la fila
anterior para formar un blob más grande. Permite la
ejecución concurrente de operaciones.
● INLINE a la función de cálculo de momentos
geométricos.
● DATAFLOW en la función principal, y en la etapa de
preprocesamiento en donde la imagen recibida como
un stream de datos pasa por una serie de
modificaciones por las distintas funciones de
procesamiento. Permite que las funciones se solapen
en su ejecución.
● LOOP UNROLL en el loop que copia los caminos de
la fila actual al arreglo con los caminos de la fila
anterior posición a posición, permitiendo ejecutar en
paralelo estas copias y disminuyendo la latencia.
III. RESULTADOS EXPERIMENTALES
El algoritmo fue verificado con un dataset compuesto por
30 imágenes obtenidas a partir del uso de un microscopio
digital USB compatible con los kits de desarrollo
propuestos (PYNQ-Z1 y ULTRA96V), que contienen un
total 234 huevos de parásitos. Las capturas se realizaron en
el Laboratorio de Parasitologia de la Facultad de Ciencias
Veterinarias,UNICEN, asociado a los centros CIVETAN
(UNICEN-CIC-CONICET) y CISAPA (UNICEN [14], tal
como se presenta en la Fig. 3.
Se analizaron los resultados del algoritmo en base a la
precisión, definida en la ecuación (6), y sensibilidad
(Recall) definida en la ecuación (7), teniendo en cuenta los
resultados obtenidos para:
● Verdaderos Positivos (VP): objetos que son huevos y
son detectados como tal.
● Falsos Negativos (FN): objetos que son huevos y no
son detectados como tal.
● Falsos Positivos (FP): objetos que no son huevos y son
detectados como tal [15].
(6)𝑃𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 =
𝑉𝑃
𝑉𝑃+𝐹𝑃
(7)𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =
𝑉𝑃
𝑉𝑃+𝐹𝑁
Fig 3. Proceso de captura de imágenes de validación del algoritmo.
Los valores de VP, FN y FP fueron obtenidos a partir de
una comparación manual de los resultados generados del
algoritmo, respecto a los indicados por el experto. Para
poder hacer esto, fue necesaria una implementación
alternativa de la solución, que, además de indicar la
cantidad de huevos detectados, marque las ubicaciones en la
imagen. Este proceso se realizó únicamente para la
simulación de alto nivel y no se incluye como parte de la
solución final apta para hardware debido a que la lógica de
marcado implicaría un costo adicional de recursos. Un
ejemplo de cómo se ven estas imágenes resaltadas se
muestra en la Figura 4. En ella, los elementos rodeados por
un recuadro azul se corresponden con huevos parasitarios.
Fig 4. salida de simulación de alto nivel del algoritmo.
Para obtener los resultados de precisión y sensibilidad, se
realizó una suma de los VP, FN y FP de cada imagen, para
luego aplicar las ecuaciones (6) y (7) sobre los totales.
Como resultado, se obtuvo una precisión de 87% y una
sensibilidad del 77%, lo que indica una buena efectividad
del método.
El core fue sintetizado con una frecuencia de reloj de
entrada de 100MHz y cosimulado con la herramienta. Esto
último se refiere a realizar una comparativa entre los
resultados obtenidos de la simulación de alto nivel y los
resultados obtenidos con la solución sintetizada.
En la Tabla I se presentan los resultados de porcentaje de
ocupación de recursos obtenidos de las síntesis para ambos
kits de desarrollo, demostrando la factibilidad de
implementación sobre ambas plataformas.
TABLA I.
OCUPACIÓN DE RECURSOS (RESULTADOS DE SÍNTESIS)
Kit
BRAM_18K
DSP48E
FF
LUT
Pynq Z1
10 %
19 %
11 %
44%
Ultra96V2
6 %
15 %
6 %
41 %
Respecto a los tiempos, se obtuvo una latencia de 22
milisegundos para PYNQ-Z1 y 16 milisegundos para
ULTRA96V2, dando una capacidad de procesamiento de 45
y 62 frames por segundo respectivamente.
IV. CONCLUSIONES
En este trabajo se presentó el desarrollo de algoritmo en
hardware para el conteo automático de huevos de parásitos
para ser aplicado en veterinaria ganadera. Los resultados
obtenidos demuestran la factibilidad de la implementación
Revista elektron, Vol. 6, No. 1, pp. 36-40 (2022)
ISSN 2525-0159
39
http://elektron.fi.uba.ar
de un sistema portable de bajo costo, capaz de ser utilizado
en el campo por especialistas, dada la robustez de la
tecnología seleccionada y las ventajas de los FPGAs
respecto al bajo consumo. Asimismo, el algoritmo
implementado alcanza un nivel de precisión aceptable
(87%) y los resultados de síntesis demuestran la factibilidad
de implementación en dos plataformas tanto en tiempo,
como utilización de recursos.
Además se destaca que la metodología de desarrollo
seleccionada fue adecuada. Se puede afirmar que el uso de
síntesis de alto nivel contribuye positivamente tanto al
tiempo de desarrollo, como a la verificación y validación de
las soluciones generadas.
Se pretende que el algoritmo desarrollado forme parte
del desarrollo de un equipamiento de análisis automático,
con la intención de cubrir las necesidades de los más de 100
laboratorios actualmente habilitados por el Gobierno de la
Provincia de Buenos Aires. Se espera continuar con el
desarrollo del prototipo de sistema funcional y la evaluación
del mismo por parte de expertos. Además se pretende
incluir la clasificación taxonómica de huevos de parásitos, y
analizar la adaptación del algoritmo a otras especies de
animales.
AGRADECIMIENTOS
Este trabajo fue parcialmente financiado por la
Secretaría de Investigación y Desarrollo de UNTREF
(Código de Proyecto 32/19 80120190100183TF) y la
SeCAT de UNICEN (Código de Proyecto 03/C287).
REFERENCIAS
[1] Bulman, M. "Pérdidas económicas directas e indirectas por parasitos
internos y externos de los animales domésticos en Argentina".
Anales de la Academia Nacional de Agronomia y Veterinaria. 2012.
Tomo LXVI. Buenos Aires. Argentina. ISSN. 0327-8093 pag. 76-
176
[2] Fiel, C. A.; Steffan, P. E.; Ferreyra, D. A. 2011. Diagnóstico de las
parasitosis más frecuentes en rumiantes: técnicas de diagnóstico e
interpretación de resultados. Primera edición - Tandil: Abad
Benjamín, 2011. ISBN 978-987-33-1502-2
[3] T.H.M. Mes, M. Eysker, H.W. Ploeger. "A simple, robust and
semi-automated parasite egg isolation protocol." Nature protocols
2.3: 486-489, 2007.
[4] Ghazali, Kamarul H., Raafat S. Hadi, Z. Mohamed. "Automated
system for diagnosis intestinal parasites by computerized image
analysis." Modern Applied Science 7.5: 98, 2013.
[5] Slusarewicz, Paul, et al. "Automated parasite faecal egg counting
using fluorescence labelling, smartphone image capture and
computational image analysis." International journal for
parasitology 46.8: 485-493, 2016.
[6] A. Akintayo, G.L. Tylka, A.K. Singh, B. Ganapathysubramanian,
A. Singh, S. Sarkar, S "A deep learning framework to discern and
count microscopic nematode eggs." Scientific reports 8.1, 2018.
[7] D.G. Bailey. "Image processing using FPGAs.", 2019.
[8] D.G. Bailey. "The advantages and limitations of high level synthesis
for FPGA based image processing." Proceedings of the 9th
International Conference on Distributed Smart Cameras. 2015.
[9] A. Cortes, I. Velez, A. Irizar. "High level synthesis using Vivado
HLS for Zynq SoC: Image processing case studies." 2016
Conference on Design of Circuits and Integrated Systems (DCIS).
IEEE, 2016.
[10] S. Lahti, P. Sjovall, J. Vanne, y T. D. Hamalainen, «Are We There
Yet? A Study on the State of High-Level Synthesis», IEEE Trans.
Comput.-Aided Des. Integr. Circuits Syst., vol. 38, n.o 5, pp.
898-911, may 2019, doi: 10.1109/TCAD.2018.2834439.
[11] USB Microscope Cameras, https://www.dinolite.us/en/products/
digital-microscopes
[12] J. Trein, A. Th Schwarzbacher, B. Hoppe. "FPGA implementation of
a single pass real-time blob analysis using run length encoding."
MPC-Workshop, February. 2008.
[13] W. Burger, M. Burge, “Regions in binary images“ en Digital Image
processing, 2da edición. Londres, Springer, cap 10, pp 209-252,
2016.
[14] CIVETAN, http://www.civetan-conicet.gob.ar
[15] “Classification: Precision and Recall | Machine Learning Crash
Course.” Google Developers, 10 Febrero de 2020. Accedido el 9 de
Noviembre de 2021. [Online], Disponible en:
https://developers.google.com/machine-learning/crash-course/classif
ication/precision-and-recall?hl=es_419.
Revista elektron, Vol. 6, No. 1, pp. 36-40 (2022)
ISSN 2525-0159
40
http://elektron.fi.uba.ar
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Copyright (c) 2022 Guido Rombolá, Lucas Leiva, Martín Vázquez, Juan Toloza, Federica Sagües, Carlos Saumell
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Revista elektron, ISSN-L 2525-0159
Facultad de Ingeniería. Universidad de Buenos Aires
Paseo Colón 850, 3er piso
C1063ACV - Buenos Aires - Argentina
revista.elektron@fi.uba.ar
+54 (11) 528-50889