To see the other types of publications on this topic, follow the link: Red neuronal convolucional (CNN).
Journal articles on the topic 'Red neuronal convolucional (CNN)'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Red neuronal convolucional (CNN).'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Guerra Londono, Mateo, Luis Fernando Castano Londono, Cristian Camilo Alzate Anzola, David Andres Marquez Viloria, and Ricardo Andres Velasquez Velez. "An´alisis de desempe˜no de capas de CNN para arquitecturas heterog´eneas basadas en FPGAs usando HLS." Ingeniería 26, no. 1 (2020): 62–76. http://dx.doi.org/10.14483/23448393.15634.
Full textAbstract:
Contexto: Las redes neuronales convolucionales (CNNs) son actualmente utilizadas en una amplia gama de aplicaciones de inteligencia artificial. En muchos casos, dichas aplicaciones requieren la ejecución de las redes en tiempo real en dispositivos integrados. Por esto, el interés en que estas aplicaciones puedan alcanzar un buen desempeño con bajo consumo de potencia. Las CNNs realizan operaciones entre los datos de entrada y los pesos de la red, con la particularidad de que no existe dependencia entre la mayoría de las operaciones. Por tal motivo, el paralelismo inherente de los FPGAs puede ser usado para realizar múltiples operaciones en paralelo, manteniendo el buen desempeño por vatio que caracteriza a estos dispositivos. Este artículo se enfoca en la evaluación del algoritmo de convolución para una capa convolucional de redes neuronales explorando directivas de paralelización usando VIVADO HLS, y su objetivo es evaluar el desempeño del algoritmo utilizando directivas de optimización. Método: La metodología consiste en una exploración del espacio de diseño de la implementación de una capa de una red neuronal convolucional usando VIVADO HLS. La verificación del funcionamiento del FPGA fue realizada comparando los datos de salida con el mismo algoritmo de convolución implementado en MATLAB. Una capa de la versión comercial Xilinx DNNK fue usada como referencia para las medidas de desempeño de las diferentes implementaciones obtenidas en la exploración del espacio de diseño. En este trabajo se utilizan múltiples variaciones de directivas de optimización, tales como pipeline, array partition, y unroll. Resultados: Este trabajo presenta los resultados de una implementación de referencia (sin directivas de optimización) del algoritmo de convolución con respecto a la latencia del algoritmo y los recursos de hardware utilizados por la FPGA. Los resultados se comparan con implementaciones del algoritmo, incluyendo diferentes combinaciones de dos directivas de optimización (pipeline y partition array). Conclusiones: Este trabajo explora el espacio de diseño de un algoritmo de convolución para una capa de red neuronal convolucional sobre FPGAs. La exploración incluye el efecto causado por la transferencia de los datos entre la memoria DDR y la memoria on-chip del FPGA. Además, dicho efecto es causado por las directivas de optimización en Vivado HLS sobre los diferentes ciclos del algoritmo.
2
Gamarra Moreno, Abraham E., and José A. Dávalos Pinto. "Reconocimiento de Personas en Ambiente con Emisiones de Humo Usando Sensor Laser y Redes Neuronales Convolucionales desde Nube de Puntos 3D. Parte 1." BISTUA REVISTA DE LA FACULTAD DE CIENCIAS BASICAS 17, no. 1 (2018): 179. http://dx.doi.org/10.24054/01204211.v1.n1.2019.3146.
Full textAbstract:
Cuando ocurren incendios en Plantas industriales, los materiales siniestrados y el humo dificultan la identificación del personal. Los Drones con sensores laser y redes CNN posibilitan el reconocimiento de personas en tales ambientes. El objetivo del proyecto es el estudio de un sistema neuronal convolucional para el reconocimiento de personas en un ambiente con emisiones de humo (parte1) y para su implementación usa un sensor laser, una tarjeta controladora y un dron (parte2). El método empleado consideró la realización de un reconocimiento de personas usando una red CNN previamente entrenada con nube de puntos 3D. La prueba se realizó con Alexnet e imágenes de personas. Los resultados (parte1) muestran que una matriz de confusión del 97.5 % ha sido alcanzada. Basado en el estudio, se concluye que el sistema neuronal de reconocimiento de personas usando CNN en ambientes siniestrados presenta un comportamiento muy aceptable para su aplicabilidad.Palabras clave: reconocimiento de personas, redes neuronales convolucionales, programación en entorno Matlab, sensor laser y dron.
3
Gamarra Moreno, Abraham E., and José A. Dávalos Pinto. "Recognition of People in Environment with Smoke Emissions Using Laser Sensor and Convolutional Neural Networks from 3D Pointed Cloud." BISTUA REVISTA DE LA FACULTAD DE CIENCIAS BASICAS 17, no. 2 (2019): 03. http://dx.doi.org/10.24054/01204211.v2.n2.2019.3515.
Full textAbstract:
Cuando ocurren incendios en Plantas industriales, los materiales siniestrados y el humo dificultan la identificación del personal. Los Drones con sensores laser y redes CNN posibilitan el reconocimiento de personas en tales ambientes. El objetivo del proyecto es el estudio de un sistema neuronal convolucional para el reconocimiento de personas en un ambiente con emisiones de humo (parte1) y para su implementación usa un sensor laser, una tarjeta controladora y un dron (parte2). El método empleado consideró la realización de un reconocimiento de personas usando una red CNN previamente entrenada con nube de puntos 3D. La prueba se realizó con Alexnet e imágenes de personas. Los resultados (parte1) muestran que una matriz de confusión del 97.5 % ha sido alcanzada. Basado en el estudio, se concluye que el sistema neuronal de reconocimiento de personas usando CNN en ambientes siniestrados presenta un comportamiento muy aceptable para su aplicabilidad. Palabras clave: reconocimiento de personas, redes neuronales convolucionales, programación en entorno Matlab, sensor laser y dron.
4
Zapeta Hernández, Adriana, Gustavo Alejandro Galindo Rosales, Héctor Jesús Juan Santiago, and Maribel Martínez Lee. "Métricas de rendimiento para evaluar el aprendizaje automático en la clasificación de imágenes petroleras utilizando redes neuronales convolucionales." Ciencia Latina Revista Científica Multidisciplinar 6, no. 5 (2022): 4624–37. http://dx.doi.org/10.37811/cl_rcm.v6i5.3420.
Full textAbstract:
Las redes neuronales entran en un campo extenso de la inteligencia artificial, sus funciones son: el aprendizaje relacionado con imágenes, reconocimiento de voz, detección de texto, detección de objetos, detección de idioma, reconocimiento facial, etc. Una red neuronal aprende tareas analizando grandes cantidades de datos, el aprendizaje puede ser supervisado, reforzado o no supervisado. La red neuronal convolucional (CNN) utilizan una jerarquía de características combinando las de bajo nivel con una estructura de capas para formar características de alto nivel. (Rashka & Mirjalili, 2019)Este trabajo se centra en el desarrollo de un software inteligente basado en una CNN, que clasifica imágenes, patrones y texto de fotos tomadas a pozos petroleros, las cuales son evaluadas por medio de métricas de rendimiento, que ayudan a detectar posibles errores, falsas predicciones, suba justes y sobreajustes que pueden llegar a surgir en el aprendizaje automático. El objetivo de este trabajo es mostrar cómo se aplica cada una de las métricas de rendimiento para obtener una mejor precisión y exactitud para la clasificación de imágenes utilizando redes neuronales convolucionales.
5
Olguín-Rojas, Juan C., Juan I. Vasquez-Gomez, Gilberto de J. López-Canteñs, and Juan C. Herrera-Lozada. "CLASIFICACIÓN DE MANZANAS CON REDES NEURONALES CONVOLUCIONALES." Revista Fitotecnia Mexicana 45, no. 3 (2022): 369. http://dx.doi.org/10.35196/rfm.2022.3.369.
Full textAbstract:
Actualmente, en puntos de venta y en empresas agroindustriales de México, la clasificación de manzanas (Malus domestica) la realizan personas de forma manual, lo que genera deficiencias en la calidad del producto. Estos problemas se pueden reducir con la implementación de equipos de visión en sitio equipados con algoritmos de aprendizaje automático. En este estudio se analizaron varias arquitecturas de red neuronal convolucional (CNN) y se seleccionó una que permite clasificar manzanas en sanas y dañadas en el proceso en postcosecha. Las variedades utilizadas fueron Red Delicious, Granny Smith, Golden Delicious y Gala. Se comparó la exactitud de las CNN LeNet5 y VGG16. Se realizó una serie de tratamientos (combinación de red con hiperparámetros) que se utilizaron para la clasificación del objeto de estudio. Al probarse cada tratamiento se midió su rendimiento. Al finalizar, el tratamiento con mejor rendimiento fue LeNet5 entrenada desde cero con el optimizador RMSProp, que obtuvo una exactitud del 97 %.
6
Mota-Delfin, C., C. Juárez-González, and J. C. Olguín-Rojas. "Clasificación de manzanas utilizando visión artificial y redes neuronales artificiales." Ingeniería y Región 20 (December 28, 2018): 52–57. http://dx.doi.org/10.25054/22161325.1917.
Full textAbstract:
El valor agregado en un fruto puede incrementarse con un buen manejo postcosecha. La clasificación en diferentes parámetros es de las operaciones más importantes. En las pequeñas empresas se realiza de forma manual obteniendo deficiencias en la calidad del producto. Estos problemas se podrían resolver o disminuir con la implementación de algoritmos inteligentes que en este caso incluyen visión artificial y redes neuronales artificiales. En este proyecto se presenta la clasificación de manzanas mediante un algoritmo inteligente, usando una red neuronal convolucional (CNN), la cual se desarrolla utilizando librerías de código abierto (OpenCV, Tensorflow y Keras) en Python con una estructura de diferentes capas convolucionales y MaxPooling, para un conjunto de 2,800 imágenes de 128x128 pixeles, de las cuales el 80% se utilizaron para entrenamiento y el 20% para hacer una prueba de la red, obteniendo una precisión del 98.3% y del 95.36%, respectivamente. Después del entrenamiento, se realizó una clasificación con un video en tiempo real, obteniendo una precisión del 92.25%. Asimismo, se explora la posibilidad de la utilización en la industria con la clasificación por otras características visuales del fruto como tamaño, color, forma, etc.
7
Bertone, Sergio E., Gabriel D. Puccini, Carlos A. Bonetti, Melina Denardi, and Jezabel D. Bianchotti. "Reducción de la Dimensionalidad de un Sistema de Partículas en Movimiento Utilizando Redes Neuronales Convolucionales." Mecánica Computacional 41, no. 19 (2025): 1023–31. https://doi.org/10.70567/mc.v41i19.100.
Full textAbstract:
En el campo del aprendizaje automático, en los últimos años se ha desarrollado un enfoque innovador para modelar sistemas complejos mediante la identificación de dimensiones intrínsecas y variables de estado neuronales (NSV) utilizando redes neuronales convolucionales (CNN). Esta técnica ha demostrado ser eficaz en la predicción estable a largo plazo de sistemas dinámicos complejos, como los encontrados en aplicaciones industriales de flujos de materia granular. El presente trabajo se centra en el modelado y simulación de sistemas bidimensionales de partículas discretas en un entorno dinámico. Se emplean simulaciones computacionales para generar secuencias de video que capturan la dinámica del sistema en diversas configuraciones y velocidades. Estos datos se utilizan posteriormente para entrenar una red neuronal convolucional que funciona como un autoencoder, descomponiendo y reconstruyendo la señal de video. El proceso de descomposición implica una reducción de la dimensionalidad del sistema, lo que es crucial para obtener una representación más eficiente y simplificada de su comportamiento dinámico. Esto facilita la comprensión y predicción del sistema en entornos industriales. Se espera que los resultados obtenidos contribuyan al desarrollo de futuros modelos simplificados del sistema.
8
Sánchez, Jacqueline, and Miguel A. Campos. "Red neuronal artificial para detección de armas de fuego y armas blancas en video vigilancia." Revista de Iniciación Científica 7, no. 2 (2021): 83–88. http://dx.doi.org/10.33412/rev-ric.v7.2.3343.
Full textAbstract:
Con el crecimiento de la población en América Latina, las ciudades incrementan el uso de video vigilancia para monitorear áreas con el objetivo de detectar incidentes de violencia y/o delictivos para tomar acción oportunamente. Actualmente el proceso de video vigilancia es desarrollado por personal humano revisando innumerables cantidades de señales de video al mismo tiempo, la actual solución es propensa a errores, no es escalable y plantea un desafío. En esta contribución se propone construir una red neuronal convolucional CNN para la detección de armas de fuego y armas blanca en imágenes con el objetivo de automatizar y optimizar el proceso de monitorización de señales de video. Se especificó una arquitectura de red neuronal artificial que fue entrenada con un conjunto de datos (construido a medida) y evaluada para dar solución a problemática. Se logra construir el conjunto de datos objetivo y la arquitectura SSD con red base Inception V3. La arquitectura logró la detección satisfactoria de las características propuestas luego de ser entrenada con el conjunto de datos, y se discuten ciertos elementos que podrían ser mejorados en futuras experiencias.
9
Bermúdez-Rojas, Jesús Guillermo, Jorge Enrique Luna-Taylor, Fernando Daniel Von-Borstel-Luna, and Jesús Alberto Sandoval-Galarza. "Detección del nivel de estrés hídrico en plantas de lechuga romana a través de CNN." Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI 11, Especial2 (2023): 39–46. http://dx.doi.org/10.29057/icbi.v11iespecial2.10943.
Full textAbstract:
La agricultura en México enfrenta importantes desafíos en el área del agua. Una alternativa para enfrentar este problema es la implementación de técnicas agrícolas modernas que permitan métodos de agricultura de precisión en invernaderos que puedan producir durante todas las estaciones del año y con un uso más eficiente del agua. Para ello son necesarios sistemas inteligentes que permitan monitorear y controlar los recursos para el crecimiento de las plantas de acuerdo a las condiciones que presenten. Este artículo describe el diseño y entrenamiento de una red neuronal convolucional (CNN) para detectar el grado de deshidratación de plantas de lechuga romana a través de imágenes. Los experimentos muestran una precisión y sensibilidad del modelo del 83% en la identificación del nivel de deshidratación y del 98,8% en ambas métricas, considerando una tolerancia de más/menos un nivel de diferencia con respecto al real.
10
Guevara Cruz, Ronny Stalin, and Claudio Augusto Delrieux. "Aplicación de redes neuronales densas y convolucionales para detección de COVID_19 en imágenes de rayos X." Revista Conectividad 4, no. 2 (2023): 19–32. http://dx.doi.org/10.37431/conectividad.v4i2.78.
Full textAbstract:
Las redes neuronales convolucionales (CNN) tienen gran potencial en resolver problemas de clasificación con imágenes. La presente investigación tiene como objetivo presentar modelos reducidos que permita identificar casos de neumonía y COVID-19 en imágenes de rayos X de tórax(anterior-posterior), ofreciendo una amplia perspectiva del interés de herramientas que brindan soporte y asistencia médica. La capacidad y tamaño de los modelos fueron reducidos hasta obtener una opción perfecta para ser desplegados localmente en dispositivos con recursos limitados. Los algoritmos propuestos se desarrollaron en Google Colab utilizando el lenguaje de programación Python, aplicando redes neuronales densas y convolucionales a diferentes capas hasta obtener un índice de error bajo, para posterior diagnosticar si el paciente presenta COVID-19. Para ello, se utiliza un conjunto de 603 imágenes de alta resolución de bases de datos públicos (ver en https://www.cell.com/cell/fulltext/S0092-8674(18)30154-5 y https://github.com/ieee8023/covid-chestxray-dataset),.divididas en 403 imágenes para entrenamiento, 200 imágenes para prueba y 12 imágenes para validación. La herramienta diseñada con una red neuronal convolucional de 13 capas propone la integración de aprendizaje de maquina (Machine Learning) como soporte en el proceso de diagnóstico médico, con una precisión del 94.73% puede convertirse en una herramienta que brinda mayor velocidad a la hora de dar un diagnóstico.
11
Orozco, Carlos Ismael, María Elena Buemi, and Julio Jacobo Berlles. "CNN–LSTM con mecanismo de atención suave para el reconocimiento de acciones humanas en videos." Elektron 5, no. 1 (2021): 37–44. http://dx.doi.org/10.37537/rev.elektron.5.1.130.2021.
Full textAbstract:
El reconocimiento de acciones en videos es actualmente un tema de interés en el área de la visión por computador, debido a potenciales aplicaciones como: indexación multimedia, vigilancia en espacios públicos, entre otras. Los mecanismos de atención se han convertido en un concepto muy importante dentro del enfoque de aprendizaje profundo, su operación intenta imitar la capacidad visual de las personas que les permite enfocar su atención en partes relevantes de una escena para extraer información importante. En este artículo proponemos un mecanismo de atención suave adaptado para degradar la arquitectura CNN–LSTM. Primero, una red neuronal convolucional VGG16 extrae las características del video de entrada. Para llevar a cabo las fases de entrenamiento y prueba, usamos los conjuntos de datos HMDB-51 y UCF-101. Evaluamos el desempeño de nuestro sistema usando la precisión como métrica de evaluación, obteniendo 40,7 % (enfoque base), 51,2 % (con atención) para HMDB-51 y 75,8 % (enfoque base), 87,2 % (con atención) para UCF-101.
12
Seijas, César, Sergio Villazana, Guillermo Montilla, Egilda Pérez, and Ricardo Montilla. "Detector de Neuropatologías en EEG usando Estadísticas de Orden Superior y Aprendizaje Profundo." Revista Ingeniería UC 28, no. 1 (2021): 141–51. http://dx.doi.org/10.54139/revinguc.v28i1.14.
Full textAbstract:
En el presente artículo se presenta un detector de neuropatologías, a partir del electroencefalograma (EEG) del paciente. La detección se basa en la clasificación de imágenes de HOSA (siglas en inglés para análisis de estadísticas de orden superior o “High Order Statistical Analysis”) derivadas de series de tiempo correspondientes a EEG de pacientes humanos. El clasificador es un modelo de aprendizaje profundo DL (“Deep Learning”) con la arquitectura de la CNN (Red Neuronal Convolucional o “Convolutional Neural Networks”) pre-entrenada: “Inception”. El conjunto de entrenamiento y prueba de la CNN son imágenes de HOSA, que representan los cumulantes de tercer orden de segmentos no lineales y no gaussianos, de señales correspondientes al canal seleccionado del EEG de pacientes con neuropatologías (específicamente, epilepsia) o sanos. El desempeño del clasificador es muy satisfactorio, presentando una exactitud de aproximadamente 94 % en la detección de epilepsia.
13
Martínez Flores, Galdino, Irahan Otoniel José Guzmán, Guadalupe Guendulay Escalante, and Adrian Basilio López. "Reconocimiento de flores endémicas de la región de Misantla a través de una red neuronal convolucional usando aprendizaje por transferencia." Ciencia Latina Revista Científica Multidisciplinar 8, no. 6 (2024): 3962–76. https://doi.org/10.37811/cl_rcm.v8i6.15136.
Full textAbstract:
Las redes neuronales convolucionales (CNN) extraen características relevantes de imágenes para clasificarlas y asignarlas a categorías predefinidas. Se emplena en áreas como la medicina, la seguridad, tranporte, sector agrícola, entre otras. En esta investigación se propone desarrollar una aplicación móvil que identifique de manera automática flores endémicas de la región de Misantla mediante estrategias de aprendizaje por transferencia de redes neuronales convolucionales (CNN). Este trabajo es de gran importancia principalmente para el sector turístico y educación básica de esta región del estado de Veracruz. Se reutiliza una duente de datos (dataset) de flores denominada Flowers Dataset de la plataforma en línea Kaggle y se complementan con imágenes de flores de la región. para que puedan ayudarnos a cumplir con los objetivos de este trabajo de investigación. Los resultados muestran que el modelo obtiene una exactitud variable dependiendo de ciertos elementos que influyen en la calidad de la imagen principalmente condiciones ambientales, algunas pruebas alcanzaron el 88 por ciento como mínimo y el 99 porciento como máximo.
14
Campos Ferreira, Ulises Enrique, and Juan Manuel González Camacho. "CLASIFICADOR DE RED NEURONAL CONVOLUCIONAL PARA IDENTIFICAR ENFERMEDADES DEL FRUTO DE AGUACATE (Persea americana Mill.) A PARTIR DE IMÁGENES DIGITALES." Agrociencia 55, no. 8 (2021): 695–709. http://dx.doi.org/10.47163/agrociencia.v55i8.2662.
Full textAbstract:
México es el productor principal de aguacate (Persea americana Mill.) en el mundo; sin embargo, este fruto en postcosecha es susceptible a hongos fitopatógenos que reducen su calidad. Por ello, la identificación oportuna de estos organismos con base en herramientas no invasivas, como los análisis por medio de inteligencia artificial resulta de interés para reducir pérdidas económicas. El objetivo de este estudio fue implementar un modelo de aprendizaje automático con una base de datos de imágenes digitales de frutos colectados en campo, a través de crear un clasificador de red neuronal convolucional (CNN), entrenarlo y validarlo para identificar frutos sanos de aguacate cv. Fuerte y frutos infectados con roña (Sphaceloma perseae Jenkins) o antracnosis (Colletotrichum spp.) de la zona productora en el Estado de Morelos, México. Frutos de aguacate sanos se recolectaron en campo, y también frutos con roña y antracnosis de huertos diferentes para generar un conjunto de 569 imágenes digitales. Las transformaciones de éstas aumentaron el conjunto de datos a 3983 imágenes. El modelo CNN se entrenó con una partición aleatoria de 80% de las imágenes y se validó para predicción con el 20% restante. La CNN alcanzó una precisión global de clasificación correcta de 80% con el conjunto de validación. Además, el clasificador se evaluó con un conjunto de prueba de 100 imágenes no incluidas en el conjunto original y obtuvo una precisión global de clasificación correcta de 87%. El clasificador de aprendizaje profundo por CNN implementado en este estudio representa el uso factible de la inteligencia artificial para su aplicación en la identificación de enfermedades en aguacate a partir de imágenes digitales en la etapa de postcosecha.
15
Aldás-Núñez, Roberth Joel, Katherin Vanessa Tuz-Chamorro, Jair Alejandro Vega-Ocaña, Marco Sebastián Velasco-Haro, and Christian Iván Mejía-Escobar. "Delimitación automática de ceniza volcánica en imágenes satelitales mediante Deep Learning." FIGEMPA: Investigación y Desarrollo 13, no. 1 (2022): 48–58. http://dx.doi.org/10.29166/revfig.v13i1.3121.
Full textAbstract:
La Inteligencia Artificial ha tenido un gran impacto en los últimos años, cada vez este campo de la Informática es más utilizado en el tratamiento de problemas en el área geológica. Una de las principales aplicaciones es la detección y segmentación de ceniza en imágenes satelitales. Para tal fin, proponemos un modelo de Deep Learning basado en una red neuronal convolucional (CNN) y entrenado con un dataset de imágenes satelitales que tienen aplicado el filtro “ash”, que proporciona una coloración rosada rojiza a la ceniza, facilitando el proceso de segmentación. Los resultados obtenidos indican una precisión del 99%, conveniente para su aplicación práctica para la segmentación de la ceniza emitida por el Volcán Sangay, el cual ha presentado periodos de actividad volcánica en los últimos años. Las imágenes segmentadas generadas por nuestro modelo son congruentes con los estudios publicados por el IG-EPN.
16
Rivero López, Carlos Jesús, José Guzmán Irahan Otoniel, Galdino Martínez Flores, and Isaías Avendaño Cortes. "Implementación de una Red Neuronal Convolucional para Distinguir entre Patrones Radiológicos de COVID-19 y Neumonía en Imágenes Tomográficas de Tórax." Ciencia Latina Revista Científica Multidisciplinar 7, no. 6 (2024): 5006–19. http://dx.doi.org/10.37811/cl_rcm.v7i6.9056.
Full textAbstract:
En el año 2020, la Organización Mundial de la Salud (OMS) proclamó la existencia de una pandemia originada por el coronavirus (COVID-19), cuyo brote inicial tuvo lugar en Wuhan, China. Este virus ha tenido un impacto devastador, cobrando la vida de miles y afectando a millones en todo el mundo. Sus síntomas, que incluyen tos, fiebre, fatiga y disnea, se asemejan a los de una gripe común. La propagación del virus ocurre principalmente a través de partículas respiratorias emitidas por personas infectadas, las cuales pueden depositarse en los ojos, boca o nariz de otras personas. Para confirmar la infección, se utilizan dos tipos de pruebas: la prueba de reacción en cadena de la polimerasa con transcripción inversa (RT-PCR) y las pruebas de antígenos. Sin embargo, debido a sus procesamientos, estas pruebas pueden demorar en proporcionar resultados definitivos. Es en este contexto que la inteligencia artificial y las técnicas de Machine Learning (ML) se presentan como herramientas valiosas para mejorar la detección del virus en los pulmones de manera eficiente. En este trabajo, se propone la implementación de una Red Neuronal Convolucional (CNN) para la detección temprana de pacientes con COVID-19. Se utiliza un conjunto de datos compuesto por 3616 imágenes de rayos X de tórax, empleando una red neuronal preentrenada denominada VGG16. A través del entrenamiento, se logra una precisión óptima en la clasificación de las imágenes en las categorías de COVID y Neumonía.
17
Centeno, Thonny Behyker, Cassiana Ferreira, Janet Gaby Inga, et al. "Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales." Revista de Biología Tropical 71, no. 1 (2023): e51310. http://dx.doi.org/10.15517/rev.biol.trop..v71i1.51310.
Full textAbstract:
Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo “Tramontina” es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil “Pretul” es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo “Ubermann” es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.
18
Salgado Martínez, Gabriel Alejandro, René Edmundo Cuevas Valencia, Angelino Feliciano Morales, and Arnulfo Catalán Villegas. "Reconocimiento de la Lengua de Señas Mexicana Usando Deep Learning Mediante una Aplicación Móvil." Ciencia Latina Revista Científica Multidisciplinar 8, no. 5 (2024): 10697–728. http://dx.doi.org/10.37811/cl_rcm.v8i5.14458.
Full textAbstract:
El reconocimiento de la Lengua de Señas Mexicana (LSM) mediante algoritmos de Machine Learning (ML) ha sido mayormente estudiado en computadoras personales, habiendo menos trabajos enfocados en plataformas móviles. Este estudio tuvo como objetivo evaluar el reconocimiento de señas fijas y con movimiento de LSM mediante una Aplicación móvil, para las señas fijas se entrenó una red neuronal (RN) del tipo Perceptrón Multi Capa (en inglés Multi Layer Perceptron, MLP) con 137,764 imágenes. Para reconocer señas con movimiento, se entrenaron tres RN: Memoria Larga a Corto Plazo (en inglés Long Short Term Memory, LSTM), Unidad Recurrente Cerrada (en inglés Gated Recurrent Unit, GRU) y Transformer, compuesto con una Red Neuronal Convolucional (en inglés Convolutional Neural Network, CNN) y una LSTM, con datos de 1600 videos de 16 señas. En el entrenamiento el modelo MLP logró un 96.2% de Accuracy, mientras que el modelo Transformer tuvo el mejor desempeño en señas con movimiento con 94.16% de Accuracy. En la Aplicación, el reconocimiento de señas fijas fue más preciso a 50 cm de distancia, con tiempo de inferencia de 0.60 milisegundos y un uso de memoria de 116 bytes por fotograma. Las señas con movimiento de ambas manos lograron una precisión superior al 93%, con tiempo de inferencia de 286 milisegundos y un uso máximo de 1 Mb de memoria. Estos hallazgos pueden aportar información potencial para el desarrollo de una herramienta de traducción de la LSM, que puede impactar significativamente en la vida de las personas con discapacidad auditiva
19
López Galdo, Antía, María Jesús Gómez García, Pablo Martínez Olmos, and Cristina Castejón Sisamón. "Monitorización de estado de ejes ferroviarios mediante procesamiento con redes neuronales convolucionales y temporales de señales vibratorias." Revista Iberoamericana de Ingeniería Mecánica 27, no. 1 (2023): 3–12. http://dx.doi.org/10.5944/ribim.27.1.42149.
Full textAbstract:
La industria ferroviaria emplea actualmente muchos esfuerzos en la digitalización del mantenimiento y en su orientación hacia la monitorización de estado. En el caso específico de los ejes ferroviarios, como en el de otros elementos mecánicos, el principal problema para conseguir este objetivo es la falta de modelos predictivos para generalizar lo que ocurrirá en condiciones de defecto en cualquier condición de operación. En este trabajo, se propone la utilización de modelos basados en aprendizaje profundo, utilizando redes neuronales para el diagnóstico de fisuras en ejes ferroviarios. El patrón utilizado son señales de vibración de cuatro conjuntos diferentes eje-rueda, instalados en un bogie y accionados sobre un banco de ensayos. Las señales se obtienen a distintas condiciones de operación de montaje, carga y velocidad. Las redes neuronales empleadas combinan una red neuronal convolucional (CNN), con una recurrente (LTSM) y por último un perceptrón multicapa (MLP) que arroja a su salida la clasificación de la condición del eje. Los resultados se muestran utilizando curvas ROC, en las que se observa una elevada fiabilidad de los modelos que, habiendo sido entrenados solamente con datos de uno de los conjuntos, son capaces de generalizar y de clasificar correctamente la condición del resto de conjuntos, independientemente de las condiciones de montaje y operación.
20
Miranda-Leon, Mercedes, and Ramón Toala-Dueñas. "Detección de emociones en discursos utilizando machine learning." 593 Digital Publisher CEIT 9, no. 4 (2024): 72–101. http://dx.doi.org/10.33386/593dp.2024.4.2367.
Full textAbstract:
En el contexto actual, donde las interacciones humanas se expanden en la era digital, la detección de emociones en discursos se establece como un área de investigación crucial. Este artículo se enfoca en emplear técnicas avanzadas de Machine Learning y procesamiento de audio para discernir emociones en diversos discursos. La investigación subraya la influencia de las emociones en la comunicación y señala la falta de una teoría integral que abarque el espectro emocional completo. Desde la búsqueda en fuentes académicas hasta la implementación en Google Colab con herramientas como Pydub y Librosa, la metodología abarca todas las etapas. Se recopilan discursos de distintas categorías, etiquetados manualmente en emociones positivas, negativas y neutras. El procesamiento de datos implica la conversión a formato WAV, segmentación y etiquetado. Se implementa una Red Neuronal Convolucional (CNN) para la clasificación, con una precisión del 74.07% en el conjunto de prueba, respaldando la eficacia del modelo. El análisis incluye visualizaciones de la matriz de confusión y presentación de informes de clasificación. Las conclusiones destacan la viabilidad del ML y procesamiento de audio en la detección de emociones en discursos en español, resaltando la importancia del procesamiento de datos y sugiriendo mejoras para futuras investigaciones. Este trabajo se presenta como una contribución significativa al análisis emocional del habla en español, proporcionando un sólido marco para investigaciones posteriores.
21
Deshpande, Bhargavi, Malathi Hanumanthayya, and Ram Niwas. "Desarrollo de una tecnología portátil para la detección precoz de úlceras por presión en residencias de ancianos." Salud, Ciencia y Tecnología 3, S1 (2023): 458. http://dx.doi.org/10.56294/saludcyt2023458.
Full textAbstract:
A medida que el cuerpo se deteriora y desarrolla diversas dolencias, el envejecimiento repercute inevitablemente en la salud. A la hora de tratar estos problemas, la atención sanitaria es crucial para la curación. La salud física y emocional de los pacientes hospitalizados empeora con las úlceras por presión (UPP) relacionadas con la edad. Este estudio propone desarrollar un dispositivo wearable para que las residencias de ancianos lo utilicen en el diagnóstico precoz de las UP. También utilizamos métodos de aumento de datos para aumentar el tamaño de nuestro conjunto de datos y mejorar la solidez de nuestro modelo. El sistema sugerido utiliza un gadget wearable para rastrear continuamente la ubicación del paciente y la comunicación inalámbrica con una tableta para notificar a la enfermera cuando se acerca el turno del paciente, siguiendo la política del hospital. La tecnología en la nube del hospital permite una supervisión centralizada al registrar y actualizar la operación de giro y la posición del paciente, que se rastrea continuamente. En un entorno controlado, el sistema podría realizar un seguimiento continuo de la postura del paciente e identificar con precisión las poses típicas del paciente. Se describe un método de optimización de ondas de agua con red neuronal convolucional (WWO-CNN) para prevenir mejor las UP. Nuestro método logra una exactitud, precisión, recuperación y puntuación F1 generales alentadoras. Nuestra práctica ofrece una solución más eficaz y precisa para la detección y clasificación de las UP en comparación con las investigaciones existentes que utilizan esencialmente algoritmos basados en WWO-CNN. Nuestro método puede mejorar potencialmente el diagnóstico precoz y el tratamiento de las UPP, lo que se traduce en mejores resultados para los pacientes y menores costes médicos.
22
Portal Díaz, Jorge, Irina Siles Siles, Eduardo Puig Contreras, and Ania Sánchez. "Aplicación de técnicas de inteligencia artificial para reconocimiento facial en sistemas de seguridad en ambientes de intranet." Mare Ingenii 4, no. 1 (2022): 20–32. http://dx.doi.org/10.52948/mare.v4i1.682.
Full textAbstract:
El vertiginoso crecimiento y la precisión de las técnicas de Inteligencia Artificial (AI, del inglés Artificial Intelligence) permiten analizar grandes volúmenes de datos de forma rápida y eficiente. En ese sentido, la aplicación de técnicas de reconocimiento facial en sistemas de seguridad (video-vigilancia) no quedan exentas y resultan convenientes pues asistirían al desempeño humano en las labores de observación, interpretación y etiquetado de imágenes en tiempo real, a la vez que funcionarían como un sistema de alerta o alarma ante la presencia de intrusos. La implementación de estos sistemas puede llevarse a cabo con hardware relativamente barato y aprovechando la capacidad de procesamiento del clúster big data de la Universidad Central “Marta Abreu” de Las Villas (UCLV). Con la puesta en práctica del proyecto se ofrecen soluciones a las problemáticas identificadas en la dirección de informatización asociadas a la gestión de cuentas por parte de los usuarios y aplicaciones futuras relacionadas con la detección de personal en áreas de interés. Con la implementación se pretenden dos posibles contribuciones: en primer lugar, se ha de diseñar un procedimiento capaz de ensamblar un conjunto de datos a gran escala, minimizando al mismo tiempo la cantidad de anotaciones manuales involucradas. Este procedimiento se ha de desarrollar para caras, pero evidentemente es adecuado para otras clases de objetos, así como para tareas específicas. La segunda contribución ha de ser mostrar que una Red Neuronal Convolucional (CNN, del inglés Convolutional Neural Network), profunda con la formación adecuada, puede lograr resultados comparables a los del estado de la técnica.
23
Miranda-González, Armando Adrián, Alberto Jorge Rosales-Silva, Dante Mújica-Vargas, Ponciano Jorge Escamilla-Ambrosio, Jean Marie Vianney-Kinani, and Floriberto Ortíz-Rodríguez. "Diseño e implementación de un Autoencoder para la supresión de ruido de diferente naturaleza en imágenes de color." Científica 27, no. 1 (2023): 1–16. http://dx.doi.org/10.46842/ipn.cien.v27n1a04.
Full textAbstract:
El presente artículo se centra en la propuesta de una red neuronal de tipo Autoencoder para la supresión de diversos tipos de ruido presente en imágenes de color. Existen diversos tipos de algoritmos para la supresión de ruido en imágenes como lo son las Redes Neuronales Convolucionales (CNN) los cuales requieren tanto de una gran cantidad de datos para su entrenamiento como de mayor carga computacional, aunque el mayor problema que estos presentan es que comúnmente se centran en un solo tipo de ruido causando que en algunas ocasiones la imagen no sea procesada de manera adecuada y al finalizar su tratamiento contenga pixeles corruptos los cuales causen que haya pérdida de detalles importantes dentro de la imagen. Por este motivo, esta propuesta proporciona evidencia de que el uso de autoencoders para la supresión de diversos tipos de ruidos en imágenes es factible, a través de este artículo se mostrarán resultados subjetivos y objetivos que determinarán la factibilidad del uso de este tipo de redes neuronales.
24
Rivera-Carrillo, Andrés Felipe, Darwin Orlando Cardozo-Sarmiento, and Sergio Martinez-Campo. "An Automated Classification for Danger of Extinction Animals from Colombia Using Convolutional Neural Networks." Mundo FESC 11, no. 22 (2021): 95–105. http://dx.doi.org/10.61799/2216-0388.1031.
Full textAbstract:
La extinción de distintos tipos de animales es un problema que ha ido creciendo a lo largo de los años y que, en consecuencia, ha provocado problemas medioambientales, como el cambio climático. La diversidad genética (biodiversidad) es esencial para el desarrollo de todas las especies y los seres humanos dependen de ella en su vida cotidiana. Cuando la biodiversidad disminuye, la esperanza de vida del ser humano se reduce, no sólo desde el punto de vista ecológico, sino también desde el punto de vista de los recursos, incluso para poder tener especies adaptadas a un nicho ecológico. En esta investigación se expondrá una estrategia informática que a lo largo del tiempo ha logrado grandes resultados; las redes neuronales convolucionales es un proceso que ha facilitado el monitoreo de diferentes tipos de animales en los últimos años, esto, con el fin de facilitar el proceso de reconocimiento y conteo de animales, enfocado a la agricultura y la zoología. Para ello, se utilizará una arquitectura en el campo de las redes neuronales convolucionales (CNN), Alexnet, que tiene referencias con resultados muy elevados. Además, se utiliza el software de programación matemática Matlab para el desarrollo de la red neuronal. Obteniendo de esta forma un resultado de precisión de validación del 97,52%, con la utilización de un conjunto de datos con 3026 imágenes, en donde, el 80% se utilizan para el entrenamiento y el 20% para la validación.
25
Aldas, Milton, Marco Flores, Alex Frias, and Rodrigo Acosta. "Intelligent systems for vehicle safety." Medwave 23, S1 (2023): eUTA371. http://dx.doi.org/10.5867/medwave.2023.s1.uta371.
Full textAbstract:
Introducción Las señales de tráfico son signos, de colores llamativos y de fácil compresión, que se encuentran sobre la infraestructura vial, urbana, rural y de autopistas, que han sido diseñados para regular el tráfico, evitar accidentes y proveer de informaciónútil a los usuarios viales; en especial, a los conductores y peatones. Según las estadísticas de la Organización Mundial de la Salud (OMS), los accidentes de tráfico se encuentran entre las veinte principales causas de muerte a nivel mundial, con el 2, 4 % del total de muertes, siendo la falta de concentración frente al volante o el conducir a exceso de velocidad, los motivos más comunes. Justamente el riesgo de que un peatón adulto muera tras ser atropellado por un automóvil es de menos del 20 % a una velocidad de 50 km/h, y de cerca del 60 % si la velocidad ronda los 80 km/h. En el caso del Ecuador, durante en el año 2015, el 13, 75 % de todos los accidentes de tráfico sucedieron en las intersec ciones viales generando el 8,14 % de las personas fallecidas bajo este percance. Respecto a la velocidad se conoce que el 13,7 % de los accidentes se deben al exceso de velocidad, durante el año 2017. Esto ubica al país en el puesto 74, como de alto riesgo, a nivel mundial. Objetivos Presentar un prototipo basado en visión por computador y aprendizaje profundo, para la de tección y reconocimiento de señales de tráfico del Ecuador. Al momento este aparato está especializado en los casos de señales reglamentarias y preventivas; es de fácil instalación en el parabrisas de cualquier tipo vehículo. Utilizar estrategias para mejorar el desempeño, i) la construcción de una base de datos con señales de tráfico del Ecuador, ii) el agrandamiento de la bases de datos usando técnicas de aumento de datos, iii) la incoportación de la arquitectura Faster R-CNN con ZFNet para la detección de las señales de tráfico. Respetar la base de datos, ésta contiene señales en los casos de reglamentarias y preventivas, en distintas condiciones de iluminación, en el rango de 6 am a 7 pm, incluyendo la posición exacta de la señal y su tipología. Medir el desempeño de la propuesta se ha utilizado el indice mAP, que globalmente alcanza el 95,34 %, que es un valor que se encuentra entre los más competitivos del estado del arte. Método En lo referente a RPN, ésta es una red neuronal convolucional completamente conectada que simultáneamente predice las ROIs de los objetos y su puntuación. Esto hace que el modelo se pueda entrenar de principio a fin, ya que los mapas de características convolucionales de la imagen completa se comparten con la red de detección. Principales resultados La información visual necesaria para el desarrollo de este trabajo fue proporcionada por la empresa Tecnologías I&H. Los videos, con las imágenes de las señales de tráfico, fueron capturados en distintas ciudades del Ecuador, entre ellas, Quito, Latacunga, Salcedo, Ambato y Sangolquí; en el espectro Conclusiones En esta investigación se presentó un prototipo basado en visión por computador y aprendizaje profundo, para la de tección y reconocimiento de señales de tráfico del Ecuador. Al momento este aparato está especializado en los casos de señales reglamentarias y preventivas; es de fácil instalación en el parabrisas de cualquier tipo vehículo.
26
Chandra, R., S. Yadav, M. Kishore, and C. Travieso. "An Efficient Convolutional Neural Network to Detect and Count Blood Cells." Uniciencia 36, no. 1 (2022): 1–11. https://doi.org/10.15359/ru.36-1.28.
Full textAbstract:
Blood cell analysis is an important part of the health and immunity assessment. There are three major components of the blood: red blood cells, white blood cells, and platelets. The count and density of these blood cells are used to find multiple disorders like blood infections (anemia, leukemia, among others). Traditional methods are time-consuming, and the test cost is high. Thus, it arises the need for automated methods that can detect different kinds of blood cells and count the number of cells. A convolutional neural network-based framework is proposed for detecting and counting the cells. The neural network is trained for the multiple iterations, and a model having lower validation loss is saved. The experiments are done to analyze the performance of the detection system and results with high accuracy in the counting of the cells. The mean average precision is achieved when compared to ground truth provided to respective labels. The value of the average precision is found to be ranging from 70% to 99.1%, with a mean average precision value of 85.35%. The proposed framework had much less time complexity: it took only 0.111 seconds to process an image frame with dimensions of 640×480 pixels. The system can also be implemented in low-cost, single-board computers for rapid prototyping. The efficiency of the proposed framework to identify and count different blood cells can be utilized to assist medical professionals in finding disorders and making decisions based on the obtained report.
27
Flores-Ramírez, Marco, Miguel Silva-Coronel, and Neicer Campos Vasquez. "Influencia del Aprendizaje Automático en el Mantenimiento Predictivo de Sistemas HVAC." Ciencia y Tecnología 23, no. 2 (2024): 16–24. https://doi.org/10.70414/cyt.v23i2.107.
Full textAbstract:
La industria HVAC ha ido creciendo de manera considerable en los últimos años en todo el mundo, por lo que, nuestro país Perú no es ajeno a esta realidad, esto se da por la necesidad de satisfacer las necesidades tanto en el confort de edificaciones comerciales como en la productividad de las industrias de producción, por lo tanto, en este artículo se muestra y se analiza distintos métodos de inteligencia artificial(IA) como redes neuronales convolucionales(CNN), Algoritmos de Aprendizaje Automático, tecnología Digital Twin( Gemelo Digital), Red Neuronal Recurrente(RNN) encontrados en diversas fuentes académicas de investigación para luego de filtrar información tomar las fuentes de datos más relevantes como Scopus, ScienceDirect, Redalyc, cuyo resultado nos permite identificar la influencia del aprendizaje automático en el mantenimiento predictivo en un sistema HVAC que permita predecir fallas en los equipos, prolongue su vida útil y pueda influir de manera eficiente en procesos de producción como en la industria de alimentos, plásticos, pinturas y muchos más donde es prescindible, como también en la calidad de aire en ambientes como oficinas, almacenes, instituciones, hospitales y más ambientes comerciales. La importancia de estos métodos tecnológicos es que se pueden aplicar en la industria HVAC y obtener resultados positivos.
28
Jiménez Moreno, Robinson, Oscar Avilés, and Diana Marcela Ovalle. "Red neuronal convolucional para discriminar herramientas en robótica asistencial." Visión electrónica 12, no. 2 (2018): 208–14. http://dx.doi.org/10.14483/22484728.13996.
Full textAbstract:
En el presente artículo se expone el entrenamiento de una Red Neuronal Convolucional (RNC) para discriminación de herramientas de uso común en tareas de mecánica, electricidad, carpintería y similares. Para el caso, se toman como objetivos de entrenamiento pinzas, destornilladores, tijeras y alicates, los cuales puedan ser identificados por la red, y permite dotarle a un brazo robótico la facultad de identificar una herramienta deseada - de entre las anteriores - para su posible entrega a un usuario. La arquitectura neuro convolucional empleada para la red presenta un porcentaje de acierto del 96% en la identificación de las herramientas entrenadas.
29
Rosales Espinoza, Antony Pyero, and Juan Carlos Gonzales Suarez. "Análisis de sentimiento en Twitter en relación a la tecnología IA para generación de imágenes." Innovación y Software 5, no. 1 (2024): 33–48. http://dx.doi.org/10.48168/innosoft.s15.a125.
Full textAbstract:
El avance en la tecnología de inteligencia artificial (IA) ha llevado a mejoras significativas en la generación de imágenes en términos de velocidad y calidad. Sin embargo, se ha generado preocupación e incertidumbre entre los artistas, quienes temen ser reemplazados por la IA en su campo de trabajo. En este contexto, se tuvo como objetivo el análisis de los Tweets donde se define el impacto de la inteligencia artificial (IA) en la adopción de tecnologías de generación de imágenes. Para ello, se llevó a cabo la recopilación, creación y evaluación de una red neuronal convolucional que clasifique los datos según un análisis de sentimiento entre positivo y negativo. Finalmente, la investigación se determinó la tasa de pérdida de un 63%, la precisión con un 61% y la curva ROC alrededor de un 64% de una red neuronal convolucional para la predicción de Tweets.
30
Ormeño-Ayala, Yeshica Isela, and Abel Gabriel Zapata-Ttito. "Application of the convolutional network Mask R-CNN for the estimation of the body weight of the guinea pig." Revista científica de sistemas e informática 4, no. 1 (2024): e614. http://dx.doi.org/10.51252/rcsi.v4i1.614.
Full textAbstract:
La inteligencia artificial puede contribuir en el seguimiento del ciclo productivo del cuy mediante la aplicación de redes convolucionales, siendo una necesidad la estimación de su peso. Este estudio se enfocó en la aplicación de la red convolucional Mask R-CNN, utilizando una aplicación móvil como herramienta para la captura de imágenes. La metodología abarcó las siguientes etapas: i) revisión bibliográfica, ii) recolección de datos (imágenes y pesos de cuyes), iii) procesamiento de imágenes mediante aumento de datos, iv) construcción de un dataset (selección de imágenes y transformación de datos), v) adaptación y entrenamiento de la red convolucional, vi) análisis de los resultados para validar su desempeño, y finalmente, vii) implementación de una aplicación móvil como herramienta de estimación de peso. Se logró recopilar un conjunto de 6244 imágenes de cuyes con sus respectivos pesos y máscaras, junto con la adaptación de la red Mask R-CNN. Estas tareas condujeron a una correlación de R2 = 80,2% con el conjunto de validación, así como al desarrollo de un prototipo funcional capaz de estimar el peso de los cuyes utilizando la cámara de un teléfono celular.
31
Luna Bravo, Bryan Darwin, and Luis Emilio Carranza Quispe. "Reconocimiento de la presencia de sars-cov-2 en pulmones a través de imágenes de radiodiagnóstico haciendo uso de Machine Learning con Python." LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 4, no. 1 (2023): 587–605. http://dx.doi.org/10.56712/latam.v4i1.296.
Full textAbstract:
El objetivo de este trabajo utilizar Machine Learning (ML), para reconocimiento de SARS-CoV-2, mediante imágenes médicas adquiridas por tomografía computarizada de la región del tórax en formato DICOM, a partir de un tomógrafo Siemens somatom de 2 cortes y un data set en la nube, que posteriormente fueron transformadas a imágenes “png”. El sistema de reconocimiento fue construido mediante el lenguaje de programación “Python”, haciendo uso de librerías de código abierto, tanto como para Machine Learning siendo esta “TensorFlow”, para el manejo de archivos DICOM se hizo uso de “Pydicom” y para imágenes “Open CV”. Las imágenes se importaron a una red neuronal convolucional pre entrenada adaptándola al tipo de clasificación multiclase del proyecto, aplicando técnicas de aumento de datos (Data Augmentation), decaimientos exponenciales de parámetros de la red neuronal como el Learning Rate, entrenando la red neuronal convolucional, optimizando los parámetros adecuados para su correcto funcionamiento de reconocimiento, posteriormente se desarrolló una interfaz web mediante la librería “Streamlit” para el manejo y la aplicabilidad del modelo siendo de uso dinámico para el usuario siendo multiplataforma. Se obtuvieron resultados cuantitativos que permitieron reflejar la eficacia del modelo con una eficacia del 88% para detectar COVID-19. Se recomienda la instalación previa de librerías de Python para el correcto funcionamiento del sistema de reconocimiento.
32
Silva-Joaqui, Manuel-Francisco, Katerine Marceles-Villalba, and Siler Amador-Donado. "Cerrando la brecha comunicativa mediante el aprendizaje automático con una herramienta lingüística para personas sordas." Revista Facultad de Ingeniería 33, no. 69 (2024): e17473. https://doi.org/10.19053/uptc.01211129.v33.n69.2024.17473.
Full textAbstract:
En la actualidad, existe una gran variedad de recursos y herramientas en internet para la integración de inteligencia artificial en proyectos relacionados con el lenguaje. Este artículo propone el uso de aprendizaje automático para abordar y reducir la brecha comunicacional entre personas oyentes y personas sordas que utilizan la lengua de señas como forma de comunicación. Con este objetivo, se empleó la herramienta Edge Impulse, la cual facilita la implementación de modelos de aprendizaje automático en dispositivos móviles. El proyecto SinSeñas2.0 surgió como una respuesta a esta necesidad y se basa en la metodología de Programación Extrema (XP) para entender las necesidades del usuario y ofrecer una solución efectiva. Se recopiló un dataset (conjunto de datos) de 3102 imágenes de señas colombianas, que fue dividido en 80% para entrenamiento y 20% para pruebas. Se utilizaron redes neuronales convolucionales (CNN) y técnicas de aprendizaje profundo para entrenar el modelo, lo cual permitió mejorar la precisión en el reconocimiento de las señas. Los resultados mostraron que la configuración 1 del modelo, con una precisión del 99% y una pérdida del 0.03%, era la más efectiva. Esta configuración utilizó un tamaño de entrada de 96x96 y empleó transfer learning con la red neuronal MobileNet V2. La herramienta también incluyó técnicas de aumento de datos para crear un dataset balanceado y diversificado, mejorando así la robustez del modelo frente a diferentes condiciones de captura. La investigación demuestra que SinSeñas2.0 mejora significativamente la precisión y eficiencia del reconocimiento de la lengua de señas en comparación con enfoques anteriores que no utilizaban aprendizaje automático. Este avance no solo facilita la comunicación entre personas oyentes y sordas, sino que también representa un aporte significativo en la tecnología de traducción de la lengua de señas, promoviendo la inclusión social de las personas sordas.
33
Gonzalez-Miranda, Oscar, Rudyard S. Arellano-Aguilar, and Juan M. Ibarra-Zannatha. "Maniobra de rebase para vehículos autónomos usando una red neuronal convolucional." Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI 10, Especial4 (2022): 145–50. http://dx.doi.org/10.29057/icbi.v10iespecial4.9333.
Full textAbstract:
El desarrollo de vehículos autónomos presenta una serie de desafíos que, durante los últimos años, tanto la Academia como la Industria se han centrado en resolver. Algunas de las problemáticas son: el seguimiento del camino, el rebase de otros vehículos, las maniobras de estacionamiento, la detección de las señales de tránsito, el desarrollo de sistemas de toma de decisiones, etc. Entre los trabajos más destacados está el de (Bojarski et all., 2016) en el cual se diseña una red neuronal convolucional llamada ``PilotNet''. Esta es capaz de tomar las imágenes capturadas por la cámara y generar el control lateral del vehículo para mantenerlo conduciendo en el centro de su carril.
 En este trabajo se modificó la arquitectura original de la red “PilotNet”' para que procesara también la información de un sensor LIDAR 2D montado en el auto y se entrenó para que, además de mantenerse conduciendo en su carril, también realizara la maniobra de rebase de otros vehículos tanto estáticos como en movimiento. El conjunto de datos de entrenamiento fue generado en el simulador de Gazebo, con ejemplos de la maniobra de rebase realizada tanto por una persona como por un controlador PD con realimentación visual. Se comparó el desempeño del controlador PD con el de la red neuronal y se encontró que la red tiene un comportamiento más similar al que tendría una persona y es más rápida en realizar la maniobra. Además, no requiere de un sistema de toma de decisiones como el del controlador PD al cambiar de un carril a otro.
34
Cesar Arturo Niño Carmonal, Cesar Arturo, Manuel-Jesús Sánchez-Chero, Emanuel Ortiz Ortiz, Juan Carlos Sernaque Julca, and Cecilia Lizeth Risco Ipanaqué. "Red neuronal convolucional usando VHDL para entrenar un clasificador de objetos en una imagen." Revista de la Universidad del Zulia 12, no. 32 (2021): 240–60. http://dx.doi.org/10.46925//rdluz.32.16.
Full textAbstract:
El objetivo del presente trabajo fue implementar una Red neuronal convolucional en hardware usando VHDL. En cuanto a su diseño fue experimental, la investigación inicia con el diseño de una red neuronal convolucional en Software usando Python, donde se utilizó Tensorflow y Keras. Este diseño necesitó un entrenamiento de 6 épocas, para superar el 90% de exactitud al momento de clasificar las imágenes del dataset MNITS. De este diseño se obtienen los parámetros e hiperparámetros, necesarios para el diseño en hardware. Para la implementación del algoritmo en hardware, fue necesario conocer el funcionamiento matemático de las operaciones de convolución, maxpooling y de las redes neuronales, ya que en el software estas operaciones están resumidas en una línea de código. Cada una de estas operaciones fue implementada en bloques diferentes, siguiendo el enfoque modular. La respuesta que se obtiene en el hardware, se muestra en una pantalla usando la comunicación interna de la placa entre el ARM y la FPGA. Esta respuesta obtenida en hardware es similar a la que se obtiene en software y el tiempo en el software es mucho mayor al del hardware. Para esta investigación se utilizó la plataforma SoC basada en FPGA, De-10 Nano.
35
Tipantocta Pillajo, Fabricio Manuel. "Red neuronal convolucional aplicado a la estimulación de motricidad fina con un videojuego en un paciente con hemiparesia izquierda." Cumbres 6, no. 1 (2020): 23–32. http://dx.doi.org/10.48190/cumbres.v6n1a2.
Full textAbstract:
El objetivo del proyecto es desarrollar un videojuego, implementando algoritmos de una red neuronal convolucional con aprendizaje profundo para el reconocimiento del movimiento de la mano en un paciente con hemiparesia izquierda y así realizar acciones de control con la finalidad de rehabilitar a la persona. Se entrenó la red neuronal convolucional con 600 imágenes de manos abiertas y 600 imágenes de manos cerradas del niño con hemiparesia izquierda, clasificando así las posibles soluciones para realizar acciones de control y realizar el enlace con un videojuego realizado en la plataforma Unity. Como resultado se tiene un porcentaje de probabilidad del 99% cuando la mano izquierda se encuentra abierta o cerrada, enviando comandos para que el videojuego funcione; de esta manera el paciente con hemiparesia, a la necesidad de abrir y cerrar su mano izquierda ejecuta acciones de control y provoca por sus propios medios su motricidad y rehabilitación. Al finalizar las pruebas el niño se sentía cansado por el hecho de que el sistema le incentiva a mover su brazo, ya que generalmente esa extremidad no la movía mucho, lo que se puede concluir que el sistema funciona correctamente, cumpliendo su objetivo.
36
Cutié Mustelier, Manuel, Antonio Salgado Castillo, and Raúl Palau Clares. "Red neuronal convolucional para el cálculo rápido del azimut de un terremoto." Mikarimin. Revista Científica Multidisciplinaria 10, no. 3 (2024): 137–60. http://dx.doi.org/10.61154/mrcm.v10i3.3303.
Full textAbstract:
El proceso de automatización del Servicio Sismológico Nacional de Cuba, se ha convertido en una tarea de primer orden para el país. Lo anterior se justifica, con el objetivo de lograr ganar en efectividad y eficiencia en la detección y localización de sismos en el territorio nacional, de ahí la importancia de esta investigación. El objetivo fue el diseño e implementación de una red neuronal artificial, para determinar de manera automática el azimut de un terremoto al realizar su localización con una estación sismológica de tres componentes. Se consideró para el desarrollo de la investigación un enfoque cuantitativo. Las señales se tomaron de la estación sismológica, Río Carpintero. La investigación se abordó como un problema de regresión múltiple y se propuso un modelo de Red Convolucional 1D. Se empleó Python como lenguaje de programación. Para la adquisición y pre procesamiento de las señales sísmicas se utilizó la herramienta de código abierto basado en Python: Obspy. El modelo de red neuronal se implementó utilizando los marcos de desarrollo para aprendizaje de máquinas Keras y Tensor flow. Se utilizaron en total 49233 señales de terremotos, de ellas 39386 para el entrenamiento y 9847 para la validación. La red diseñada e implementada fue capaz de determinar automáticamente el azimut de un terremoto con una efectividad del 90 %, evidenciado en los valores del coeficiente de determinación R2. Las pruebas y validaciones realizadas indicaron la posibilidad de extender la metodología y el uso de la herramienta computacional a otras estaciones sismológicas de Cuba
37
Jiménez Moreno, Robinson, Javier Eduardo Martínez Baquero, and Luis Alfredo Rodríguez Umaña. "Sistema automático de clasificación de peces." Visión electrónica 12, no. 2 (2018): 258–64. http://dx.doi.org/10.14483/22484728.14265.
Full textAbstract:
el presente artículo expone el diseño de una arquitectura de red para reconocimiento de patrones orientada a la clasificación automática de dos tipos de peces: mojarra y tilapia. Se emplea una arquitectura basada en aprendizaje profundo mediante una red neuronal convolucional (RNC) para la cual se determina la base de datos a emplear y los diferentes hiperparámetros que la componen. Se logra obtener, mediante análisis por matriz de confusión, un desempeño del 100% de la red bajo las condiciones controladas el sistema de clasificación, es decir: color de banda transportadora uniforme y uso de luz día.
38
López Saca, Fidel, Andrés Ferreyra Ramírez, Carlos Avilés Cruz, and Juan Villegas Cortéz. "Red neuronal convolucional con extracción de características multi-columna para clasificación de imágenes." Research in Computing Science 148, no. 7 (2019): 391–404. http://dx.doi.org/10.13053/rcs-148-7-29.
Full text
39
Beltramo, Emmanuel, Martín E. Pérez Segura, Santiago Ribero, Agostina C. Aichino, Bruno A. Roccia, and Sergio Preidikman. "Clasificación de Fallas y Condiciones de Funcionamiento en Máquinas a Partir de Vibraciones Mecánicas con Técnicas de Aprendizaje Automático." Mecánica Computacional 41, no. 19 (2025): 1013–21. https://doi.org/10.70567/mc.v41i19.99.
Full textAbstract:
La caracterización de la condición de funcionamiento de máquinas con técnicas de aprendizaje automático a partir de vibraciones mecánicas todavía se encuentra en una etapa exploratoria. En este trabajo, se propone un sistema inteligente basado en una red neuronal convolucional 1D. La red está diseñada para, luego del entrenamiento, ser capaz de caracterizar: i) la condición de funcionamiento normal (velocidad y nivel de carga); y ii) la condición de funcionamiento anormal, discerniendo entre cuatro posibles causas: desalineación, desbalance, falla en rodamientos y falta de lubricación. El set de datos utilizado incluye señales sintéticas y experimentales. Los resultados obtenidos son prometedores, mostrando un potencial por parte de la arquitectura para desempeñar con éxito su objetivo.
40
Soto, Miguel Ángel Jiménez, Ismael Urbina Salas, Edgar Enrique Vázquez Ramírez, Edgar Daniel Martínez Rodríguez, and Claudia Rivera Domínguez. "Clasificador de patrones de flujo bifásico en pequeños canales mediante una red neuronal convolucional." STUDIES IN ENGINEERING AND EXACT SCIENCES 3, no. 3 (2022): 523–31. http://dx.doi.org/10.54021/sesv3n3-008.
Full textAbstract:
Para una gran cantidad de procesos industriales, la identificación del patrón de flujo presente es importante para un diseño adecuado de equipos de intercambio de calor, sistemas de bombeo, celdas de combustible, entre otros. Este trabajo tiene como principal objetivo diseñar e implementar clasificador mediante una interfaz gráfica de usuario para la identificación de patrones de flujo en imágenes normalizadas de flujos reales de dos fases. La característica principal de este método es que permite realizar la identificación de patrones de manera no invasiva. Debido a la complejidad de las interacciones entre las fases del flujo líquido gas existe el interés de generar un algoritmo capaz de encontrar el patrón de flujo presente que dicte el comportamiento termo hidráulico del fluido. Identificar este comportamiento es una tarea ardua que requiere de expertos en diversas áreas, este trabajo basa su conocimiento a partir del entrenamiento previo de una red neuronal convolucional. Se muestra el desarrollo de la interfaz gráfica para los fluidos bifásicos y, que proporcionaron resultados de identificación de imágenes con una eficiencia arriba del 93% para diferentes patrones de flujo: bala, anular, semi anular, anular disperso y anular bajo.
41
Macías Macías, José Manuel, Juan Alberto Ramírez Quintana, José Salvador Antonio Méndez Aguirre, Mario Ignacio Chacón Murguía, and Alma Delia Corral Sáenz. "Procesamiento embebido de p300 basado en red neuronal convolucional para interfaz cerebro-computadora ubicua." RECIBE, Revista ELECTRÓNICA DE COMPUTACIÓN, INFORMÁTICA, BIOMÉDICA Y ELECTRÓNICA 9, no. 2 (2021): B1—B24. http://dx.doi.org/10.32870/recibe.v9i2.153.
Full textAbstract:
Se propone un método de bajo costo computacional para detectar el potencial evocado P300 en aplicaciones ubicuas de comunicación y control, el cual se denomina Procesamiento Embebido P300 (EP-300). La entrada de EP-300 es una señal electroencefalografía (EEG) de un canal y la arquitectura de este método se basa en los algoritmos que utilizan redes neuronales convolucionales. Para implementar el método EP-300, también se presenta una interfaz cerebro-computadora embebida que utiliza cuatro estímulos para evocar el P300 y tiene conectividad con una red de Internet de las cosas. Con esta interfaz, se generó una base de datos para los experimentos y contiene las señales EEG de ocho sujetos. De acuerdo con los resultados, EP-300 se adapta a las señales EEG que genera cada sujeto, tiene un desempeño de 96% utilizando un electrodo y se procesa en tiempo real por su baja complejidad. Sin embargo, para evitar errores en la detección, los sujetos deben mantenerse concentrados y seguir el protocolo de adquisición. Como conclusiones, EP-300 es uno de los métodos más competitivo en la literatura debido a su desempeño, baja cantidad de electrodos y a que extiende el procesamiento de la onda P300 a sistemas ubicuos utilizados en aplicaciones cotidianas.
42
Cruz-Guerrero, René, and Karina Gutiérrez-Fragoso. "Detección de estudiantes que copian en el aula usando Redes Neuronales Convolucionales." Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI 9, Especial (2021): 106–9. http://dx.doi.org/10.29057/icbi.v9iespecial.7492.
Full textAbstract:
La modernización del proceso educativo implica la automatización de las actividades académicas y administrativas que fomenten un entorno inteligente. Incorporar tecnologías emergentes en las instituciones educativas de nivel superior permitirá transitar hacia la conversión de procesos rutinarios para mejorar la calidad del servicio educativo. El presente trabajo consiste en automatizar la detección de alumnos que copian durante la aplicación de sus exámenes en las aulas utilizando técnicas de Deep Learning con redes neuronales convolucionales. Se obtuvo una precisión de un 95.75% en el modelo de clasificación después de experimentar con diferentes parámetros y arquitecturas de una red neuronal convolucional.
43
Conde Bernal, Yasiel, Saul Lazcano Salas, Maricela Quintana López, Saturnino Job Morales Escobar, and Asdrúbal López Chau. "Estudio comparativo de algoritmos para el reconocimiento de dígitos manuscritos. Caso: MNIST." ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica 12, no. 2 (2024): C6–20. http://dx.doi.org/10.32870/recibe.v12i2.306.
Full textAbstract:
El presente trabajo presenta una comparación de algoritmos de clasificación para reconocimiento de los caracteres manuscritos correspondientes a los dígitos del cero al nueve, utilizando como fuente de información la base de datos MNIST. Se utilizarán técnicas de búsqueda exhaustiva de hiperparámetros de los algoritmos de machine learning KNN, regresión logística, Nayve Bayes, máquina de soporte de vectores, árbol de decisión y bosque aleatorio. El resultado de los algoritmos anteriores será comparado con una red neuronal multicapa y otra convolucional también diseñadas en el trabajo, se emplearán las métricas de clasificación exactitud, precisión, exhaustividad y F1-score con tal fin.
44
Hurtado Delgado, Bryan, Marycielo Xiomara Oscco Guillen, and Mario Aquino Cruz. "Eficiencia del modelo de red neuronal convolucional DenseNet para la detección de somnolencia en conductores." Micaela Revista de Investigación - UNAMBA 5, no. 2 (2024): 40–47. http://dx.doi.org/10.57166/micaela.v5.n2.2024.156.
Full textAbstract:
La somnolencia en conductores es una condición crítica que puede comprometer la seguridad vial, por lo que es esencial contar con métodos precisos para detectarla. Este estudio evaluó la arquitectura DenseNet121 para detectar somnolencia en conductores, centrándose en el estado de los ojos (abiertos o cerrados) y la manifestación de bostezos. El diseño del estudio fue no experimental, de nivel descriptivo y con enfoque cuantitativo. Se utilizó un conjunto de 2090 imágenes de conductores, obtenidas de Kaggle, que fueron preprocesadas con la biblioteca MediaPipe para facilitar la detección de rostros. El modelo DenseNet121 logró una precisión del 98.46% para el estado de bostezo y del 99.62% para el estado de los ojos. La matriz de confusión mostró clasificaciones perfectas en ambas categorías. El reporte de clasificación destacó un F1-Score, recall y precisión de 1.00, evidenciando su capacidad para clasificar correctamente todos los ejemplos. En las pruebas en tiempo real, el modelo mostró confianza del 87% al 97% en el bostezo y una consistencia del 99% en los ojos, aunque con algunas fallas. Estos hallazgos resaltaron la eficiencia del modelo en la detección de somnolencia, sugiriendo su potencial como herramienta valiosa para la seguridad vial.
45
Fragoso Mora, Adriana, Eugenia Sánchez Ramos, and Gerardo Pérez Marcoux. "Intervención organizacional en base NOM-o36-1-STPS-2o18 para evaluación de riesgo ergonómico de puestos operativos en empresa del sector cuero-calzado en Guanajuato." INCEPTUM 16, no. 30 (2022): 9–24. http://dx.doi.org/10.33110/inceptum.v16i30.396.
Full textAbstract:
La presente investigación tiene como objetivo identificar, analizar y controlar los factores de riesgo ergonómico bajo la NOM-036-1-STPS-2018 en puestos operativos a partir de tecnologías de inteligencia artificial. Los materiales y métodos utilizados están en base a los requerimientos técnicos sujetos de evaluación técnica a partir de un estudio observacional, descriptivo de corte transversal con procesamiento de datos en una arquitectura tecnológica a partir de un modelo de estimación de pose humana que utiliza la Tecnología Tensorflow por medio de una red neuronal artificial convolucional para determinar los índices en posturas ergonómicas con riesgo significativo y posturas sanas para los puestos involucrados en el diagnóstico.
46
Roberto, Porto Solano et al. "DISEÑO DE UNA RED NEURONAL CONVOLUCIONAL ENTRENADA PARA LA CLASIFICACIÓN DE CANCER EPIDERMOIDE EL CUERPO HUMANO." Ciencia e Ingeniería 8, no. 1 (2021): e5500704. https://doi.org/10.5281/zenodo.5500704.
Full textAbstract:
En esta investigación se crearon diferentes modelos de Redes Neuronales Convolucionales variando los parámetros de filtro y épocas con la finalidad de mejorar el aprendizaje sobre las distintas clases del conjunto de imágenes. Así mismo, se subdividió el conjunto de imágenes en imágenes de entrenamiento, prueba y validación, este último para comprobar la eficiencia en la clasificación de del modelo creado el cual presento una eficiencia de 87.5% y el cual se acerca a las mejores encontrados en la literatura.
47
Uribe Churta, Armando. "Desarrollo de un sistema de reconocimiento del estado de los cultivos de café en tiempo real usando redes neuronales artificiales." Revista CINTEX 25, no. 2 (2020): 37–44. http://dx.doi.org/10.33131/24222208.362.
Full textAbstract:
El presente proyecto plantea el uso de algoritmos de inteligencia artificial aplicados en el campo de la visión computacional para determinar el estado de cultivos de café mediante imágenes tomadas a partir de plantaciones en diferentes estados de oxidación, permitiendo al agricultor o campesino tener la posibilidad de conocer en tiempo real, el estado de las plantaciones mediante las hojas de café, las cuales ofrecen información importante que permite determinar la fase de maduración del fruto. Para ello se ha implementado una Red Neuronal Convolucional tipo clasificadora, compuesta por ocho capas de profundidad. Esta se ha entrenado mediante la herramienta Colab de Google, obteniendo un 98,72% de precisión para los datos de entrenamiento y 70,16% de precision para los datos de validación.
48
Pacchiotti, Mauro José, Luciana Ballejos, and Mariel Ale. "Reúso de un modelo de Aprendizaje Profundo para reconocimiento de dígitos manuscritos." SADIO Electronic Journal of Informatics and Operations Research 23, no. 1 (2024): e039. http://dx.doi.org/10.24215/15146774e039.
Full textAbstract:
Las técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado.
49
Celis Esteban, Sergio Augusto, Jhoan Felipe Sarmiento Ortiz, and Liliana Calderón-Benavides. "DESARROLLO DE UNA RED NEURONAL CONVOLUCIONAL PARA LA DETECCIÓN DEL CÁNCER DE MAMA MEDIANTE LA CLASIFICACIÓN DE IMÁGENES MAMOGRÁFICAS." REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA) 1, no. 39 (2023): 75–80. http://dx.doi.org/10.24054/rcta.v1i39.1378.
Full textAbstract:
La inteligencia artificial (IA) ha venido creciendo durante los últimos años en el área de la salud con el desarrollo de sistemas de apoyo a la toma de decisiones clínicas. Con este trabajo se logró desarrollar un algoritmo de aprendizaje profundo capaz de clasificar imágenes mamográficas en cinco categorías (normal, microcalcificación benigna, nódulo benigno, microcalcificación maligna y nódulo maligno) con un enfoque prioritario en la detección temprana del cáncer de mama, aplicando la técnica de transferencia de aprendizaje. Se usaron los conjuntos de datos DDSM y CBIS-DDSM, disponibles en la web, para el entrenamiento y validación de la red neuronal convolucional obteniendo un AUC del 0.9838 y 0.9773 respectivamente. Estos resultados demuestran el gran potencial que la IA trae para el área de la salud, y los beneficios que genera en esta y otras patologías al reducir el porcentaje de falsos positivos y falsos negativos que son elementos importantes en el diagnóstico.
50
Guzmán Ponce, Angélica, Joana López-Bautista, and Ruben Fernandez-Beltran. "Interpretando Modelos de IA en Cáncer de Mama con SHAP y LIME." Ideas en Ciencias de la Ingeniería 2, no. 2 (2024): 15. http://dx.doi.org/10.36677/ideaseningenieria.v2i2.23952.
Full textAbstract:
La Inteligencia Artificial (IA) ha transformado múltiples disciplinas, en concreto en el área médica se ha distinguido por su capacidad de mejorar diagnósticos y tratamientos. No obstante, la falta de transparencia en los sistemas ha generado desafíos prácticos. La Inteligencia Artificial Explicable (XAI) ha surgido como una solución para abordar estos problemas, permitiendo a los profesionales de la salud comprender y verificar las decisiones de los algoritmos. En este trabajo se aplicarán dos técnicas comúnmente usadas de XAI, específicamente SHapley Additive exPlanations (SHAP) y Local Interpretable Model-Agnostic Explanations (LIME), para interpretar un modelo de red neuronal convolucional usado en el diagnóstico de cáncer de mama a partir de imágenes histológicas del Carcinoma Ductal Invasivo (IDC). Los resultados muestran que ambas técnicas son efectivas para identificar las contribuciones individuales de las características en las predicciones del modelo, resaltando que LIME ofrece una granularidad detallada a nivel de píxel.