Examinando por Materia "Deep Learning"

Mostrando 1 - 4 de 4
  • Miniatura
    PublicaciónAcceso abierto
    Control inteligente mediante Deep Learning para el cruce peatonal y vehicular de montacargas en la empresa Papelsa - Barbosa
    (Universidad EIA, 2023) Polanía Cristancho, Andres Felipe; Moreno Hincapié, Gustavo Andrés
    RESUMEN: En este trabajo se buscaba solucionar la falta de seguridad en el cruce de peatones y vehículos en la empresa Papelsa. Este problema es especialmente llamativo porque afectaba tanto la seguridad de las personas como la eficiencia de la operación de montacargas en la empresa. La solución propuesta, mediante el uso de tecnologías innovadoras como el Deep Learning integrado en un sistema de control, es una muestra de cómo la tecnología podía ser aplicada en el sector industrial enfocado en el comportamiento de las personas. Para lograrlo, se llevó a cabo una recolección de datos, entrenamiento de modelos basado en redes neuronales y visión artificial, para finalmente integrarlas en un control inteligente que permitiría el paso o no de las personas y montacargas a través del control de talanqueras de rápida acción, así como alertas tempranas e inmediatas cuando se detectara la coexistencia de los implicados en la zona de estudio. Finalmente se diseña un protocolo de prueba y después de entrenado el modelo predice con exactitud de 99% los 3 escenarios posibles el modelo no puede generalizarse ya que está enfocado en ser eficiente en la prueba, pero resalta la efectividad de la implementación de estos sistemas.
  • Miniatura
    PublicaciónAcceso abierto
    Identificación y conteo de insectos (mosca blanca, trips y minador de hoja) capturados en trampa adhesiva mediante visión e inteligencia artificial. Caso Flores El Trigal
    (Universidad EIA, 2020) López Grisales, Natalia; Martínez Osorio, Alejandro
    RESUMEN: En los cultivos de flores, la presencia de plagas puede generar grandes pérdidas y afectar la producción de las empresas, por esto, es fundamental realizar un monitoreo constante en busca de insectos, enfermedades o daños en las plantas que indiquen la presencia de plagas. Esta es una labor que se torna complicada debido a que el comportamiento de algunos insectos puede ser más activo en la noche o en la ausencia de los operarios. Actualmente, para contrarrestar esta problemática, se implementa el uso de trampas adhesivas como método de monitoreo indirecto, con las cuales se capturan insectos para luego analizar el crecimiento de su población. La información recolectada en la lectura de las trampas es clave para la toma de decisiones, pero la magnitud de los cultivos y el tamaño de los insectos hacen que sea una tarea que demanda tiempo, esfuerzo y conocimiento especializado. Por esto, con el desarrollo de este proyecto se busca automatizar el proceso, mediante la identificación automática de tres clases de insectos: Minador de hoja, Trips y Mosca Blanca, a través de una aplicación móvil, dando alivio a la persona encargada de realizar esta actividad. En este documento se presenta un estudio de diferentes métodos computacionales para la clasificación y conteo de insectos, mediante la metodología Design Thinking de Herbert Simon (1969), la cual propone 7 etapas: definición, investigación, ideación, prototipado, selección, implementación y aprendizaje. Esta metodología puede ejecutarse de forma no lineal e iterativa. Los métodos computacionales estudiados son: Procesamiento Digital de Imágenes, Machine Learning a través de la plataforma Custom Vision de Microsoft Azure y Deep Learning con el modelo de detección de objetos YOLO (You Only Look Once). Luego de diseñar y probar un prototipo por cada método, se elige el modelo YOLO para su implementación, ya que obtuvo el mejor desempeño en la clasificación de los insectos. El modelo seleccionado se implementa en una aplicación móvil desarrollada en el software Android Studio, con la cual es posible clasificar y cuantificar los insectos capturados en la trampa en tiempo real, lo que reduce el tiempo que toma realizar el monitoreo manual, de 1 minuto por placa aproximadamente a un par de segundos que le toma a la persona enfocar la trampa con el dispositivo móvil; suprime la necesidad de capacitar a las personas en identificación de plagas y ofrece a la empresa la oportunidad de almacenar la información digitalmente, dando un paso importante en la transformación digital, la cultura del dato y el uso de la información.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de Deep Learning integrando índices macroeconómicos, índices internos empresariales y el análisis sentimental de las personas para predecir los despidos masivos en los Estados Unidos
    (Universidad EIA, 2024) Santos Villa, Yersson Sebastian; Valencia Villa, Juan Sebastián
    RESUMEN: existen diferentes fenómenos que pueden ser llamativos en diferentes ápices empresariales, uno de ellos es el despido masivo de personal. Este documento se encarga de diseñar un modelo de Deep Learning combinado a un análisis sentimental con diferentes variables macroeconómicas y empresariales, para predecir la posibilidad de este suceso en un mes futuro. En el proceso, se evaluó la máquina de soporte vectorial y el perceptrón multicapa después de juntar diferentes variables incluyendo una clasificación por polarización del sentimiento de diferentes comentarios de la red social X sobre los despidos masivos en los estados unidos durante el perdió de 2022 y 2023. Los resultados arrojaron que el modelo de Máquina Soporte Vectorial (precisión 90%) resultaba ser más preciso en la predicción de un posible despido masivo con respecto a un modelo de redes neuronales artificiales por perceptrón multicapa (precisión 82.5%).
  • Miniatura
    PublicaciónAcceso abierto
    Modelo neuronal con estructura deep learning para la caracterización de niveles de relajación a través de estímulos olfativos
    (Universidad EIA, 2022) González Jaramillo, Isabel; Pérez Restrepo, Valentina; Peña Palacio, Juan Alejandro
    RESUMEN: En la sociedad actual, las personas han experimentado un incremento en los niveles de estrés, por lo que el mercado ha introducido nuevos productos olfativos cuyo objetivo es producir un efecto relajante; sin embargo, el proceso de desarrollo de nuevos productos aún no considera el apoyo de la inteligencia artificial para validar dicho efecto en sus consumidores, especialmente en las mujeres, en quienes tendría un efecto relajante más significativo. Por lo tanto, en este proyecto de investigación se propone el desarrollo de un modelo neuronal con estructura Deep Learning para la caracterización de niveles de relajación a través de estímulos olfativos en las mujeres. Para lograrlo, se utiliza la Brain Computer Interface Emotiv Epoc, el cual registra la actividad cerebral a través de señales electroencefalográficas. Para lo anterior, se procede con la utilización de la plataforma TensorFlow de Google, con el fin de identificar la correlación de señales electroencefalográficas (EEG) frente a estímulos de estrés y de relajación. Mediante la determinación de estímulos, la configuración de los modelos neuronales y la validación de estos mismos mediante diversas métricas, se identifica el desempeño de ambos modelos neuronales ante las señales capturadas de los dos estímulos propuestos, y a su vez, se analiza la activación de las zonas del cerebro registradas durante las sesiones experimentales. Con lo anterior se valida la eficiencia del estímulo olfativo para reducir el nivel de estrés en las mujeres, logrando favorecer su rendimiento en las funciones que realizan, y así mejorar su calidad de vida.