Tesis de Mecatrónica

Permanent URI for this collection

https://hdl.handle.net/20.500.14414/898

Browse

Browsing Tesis de Mecatrónica by Author "Asto Rodríguez, Emerson Máximo"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Diseño de un sistema de identificación biométrica mediante aprendizaje profundo a partir de imágenes espectrales del dorso de la mano
    (Universidad Nacional de Trujillo, 2023-07) Terrones Escobedo, Ángel Omar; Asto Rodríguez, Emerson Máximo
    Entre los numerosos sistemas de identificación biométrica convencionales, estos tienen ciertas limitaciones, las cuales se pueden subsanar utilizando métodos alternativos. Por esta razón, la presente investigación desarrolla un sistema de Identificación Biométrica mediante el aprendizaje profundo a partir de imágenes espectrales del dorso de la mano. En primera instancia, se realizó los requerimientos de diseño para el dispositivo de adquisición de imágenes. Posteriormente, se implementó el dispositivo de adquisición de imágenes, capaz de capturar imágenes del dorso de la mano de diferentes personas. Luego se modificó una cámara previamente seleccionada con diferentes criterios, para así extraer el filtro de corte infrarrojo. Seguidamente se implementó un circuito de LED’s Infrarrojos, acompañado de la inserción de un filtro óptico. Todos estos componentes unidos con el dispositivo de adquisición de imágenes, permitió en conjunto visualizar mejor las venas del dorso de la mano. Una vez diseñado el dispositivo de adquisición completo, se procedió a realizar la toma de base de datos de las 15 clases a clasificar, de las cuales se tomaron 200 fotos por personas. Para el desarrollo de la toma de base de datos en adelante, el lenguaje utilizado fue Python. Por lo cual, seguidamente se ejecutó el preprocesamiento y el procesamiento de las imágenes tomadas, donde principalmente destacada los tipos de extracción del ROI, mediante localización de coordenadas y el método del centroide. Posteriormente, se realizó el sistema de clasificación, del cual se utilizaron 4 arquitecturas de redes convolucionales. Utilizando como datos de entrenamiento, validación y pruebas, en una relación de 70-20-10 respectivamente. Obteniendo como resultado una precisión del 100% para las 15 clases utilizando la arquitectura de red VGG16. Finalmente, se realizó el control de calidad del sistema implementado mediante una lista de cotejo definida previamente logrando determinar que el sistema diseñado cumple con 12/12, logrando una calificación “Destacada”.
  • No Thumbnail Available
    Item
    Diseño e implementación de un sistema para la detección de neumonía basado en pulsioximetría y algoritmos de Deep Learning aplicados al análisis de radiografías
    (Universidad Nacional de Trujillo, 2024-07) Aguirre Valverde, Jack Lut; Asto Rodríguez, Emerson Máximo
    En el presente proyecto de ingeniería se diseñó un sistema para la detección de neumonía en niños menores de 5 años basándose en la medición de saturación de oxígeno en la sangre y del procesamiento de imágenes radiográficas por medio de algoritmos de Deep Learning. Al comparar diversos algoritmos a partir de los antecedentes consultados, se identificaron a las arquitecturas MobileNet y VGG19 como las más aptas para esta aplicación. Luego, se identificó la base de datos pública del Centro Médico de Mujeres y Niños de Guangzhou, la cual sirvió para realizar el entrenamiento, la validación y la prueba de cada uno de los modelos propuestos. Para iniciar con el desarrollo, se redimensionó las imágenes a 224x224 píxeles y se mejoró el contraste de estas por medio de la ecualización de histograma y se aplicó el método de aumento de datos para generalizar la información de entrada al modelo de Deep Learning. Es así como, se realizaron diferentes comparaciones para determinar qué modelo propuesto contaba con las mejores prestaciones. Gracias a ello se pudo identificar mejores resultados al no utilizar pesos pre entrenados para el modelo, utilizar el algoritmo de optimización SGD, hacer uso de la arquitectura MobileNet y valerse de capas de Dropout a 50% entre cada una de las capas densas añadidas al modelo. El modelo realizado fue entrenado por 20 épocas y obtuvo 90.66 % y 95.48 % para los valores de exactitud y sensibilidad, respectivamente. Finalmente, se construyó un sistema de pulsioximetría con errores bajo 1% y una desviación estándar de 0.688%, que, integrado en una interfaz gráfica de usuario (GUI) con el modelo de Deep Learning, disminuyó los falsos positivos y casos no detectados, alcanzando una exactitud del sistema integrado del 97.00%.