Academic literature on the topic 'Redes neuronales convolucionales'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Redes neuronales convolucionales.'
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.
Journal articles on the topic "Redes neuronales convolucionales"
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 (August 5, 2021): 106–9. http://dx.doi.org/10.29057/icbi.v9iespecial.7492.
Full textDávila-Morán, Roberto Carlos, Rafael Alan Castillo-Sáenz, Alfonso Renato Vargas-Murillo, Leonardo Velarde Dávila, Elvira García-Huamantumba, Camilo Fermín García-Huamantumba, Renzo Fidel Pasquel Cajas, and Carlos Enrique Guanilo Paredes. "Aplicación de Modelos de Aprendizaje Automático en la Detección de Fraudes en Transacciones Financieras." Data and Metadata 2 (October 29, 2023): 109. http://dx.doi.org/10.56294/dm2023109.
Full textOlguín-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 (September 15, 2022): 369. http://dx.doi.org/10.35196/rfm.2022.3.369.
Full textGuevara 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 (July 13, 2023): 19–32. http://dx.doi.org/10.37431/conectividad.v4i2.78.
Full textZapeta 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 (November 11, 2022): 4624–37. http://dx.doi.org/10.37811/cl_rcm.v6i5.3420.
Full textGómez Macedo, Mauricio, Jimena Olveres Montiel, Gibran Fuentes Pineda, Boris Escalante Ramírez, and Fernando Arámbula Cosio. "Detección de COVID-19 en radiografías de tórax mediante aprendizaje profundo." TIES, Revista de Tecnología e Innovación en Educación Superior, no. 7 (March 2023): 1–10. http://dx.doi.org/10.22201/dgtic.26832968e.2023.7.3.
Full textJiménez-Murillo, David, Stiven Alexander Henao-Garcés, Andrés Eduardo Castro-Ospina, Leonardo Duque-Muñoz, and Danie Nieto-Mora. "Segmentación de tejido cerebral mediante redes neuronales convolucionales basadas en U-Net." RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, no. 52 (December 31, 2023): 5–24. http://dx.doi.org/10.17013/risti.52.5-24.
Full textSantander-Baños, Fredy, Norberto Hernández-Romero, Irving Barragán-Vite, Oleksandr Karelin, and Joselito Medina-Marín. "Clasificación de Arritmias Cardíacas mediante Redes Neuronales Convolucionales y Optimización por Enjambre de Partículas." Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI 10, Especial2 (June 24, 2022): 42–55. http://dx.doi.org/10.29057/icbi.v10iespecial2.8655.
Full textMota-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 textGamarra 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 (December 13, 2018): 179. http://dx.doi.org/10.24054/01204211.v1.n1.2019.3146.
Full textDissertations / Theses on the topic "Redes neuronales convolucionales"
Campos, Barragán Orlando Bastián. "Evaluación del daño estructural en un puente mediante redes neuronales profundas convolucionales." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/168592.
Full textIdentificar daños en una estructura permite anticiparse frente a fallas de consideración o totales, a fin de poder realizar las mantenciones necesarias. Una técnica ampliamente utiliza encontrar la ubicación y magnitud de daño en una estructura es mediante el análisis de sus modos de vibración, ya que estos difieren si una estructura tiene o no fallas. En la literatura se ha logrado identificar la ubicación de daño estructural del puente I- 40 utilizando datos recolectados de sus modos de vibración y temperatura, modelando la estructura con elementos finitos y sus fallas como una reducción de rigidez en un elemento seleccionado. Sin embargo, el método utilizado es lento de aplicar pues requiere resolver un problema de optimización mediante un algoritmo de optimización global. En el presente estudio se utilizan redes neuronales profundas convolucionales (RNPC), las que han demostrado su robustez respecto a otros métodos utilizados actualmente debido a su rapidez de trabajo, la confiabilidad de sus resultados y la facilidad de entrada de los datos, ya que no requieren ser previamente manipulados por el usuario. Se identifican, localizan y cuantifican los daños estructurales del puente I-40 de Nuevo México utilizando RNPC y los datos de vibración del puente, además, se desarrolla una metodología para representar las vibraciones del puente en imágenes que puedan ser procesadas por una red neuronal profunda convolucional. Finalmente se realiza una validación de la metodología de identificación de daño propuesta, por medio de datos numéricos y experimentales. Para procesar los datos, crear las imágenes y procesar dichas imágenes en el algoritmo de redes neuronales profundas convolucionales, se utilizará el software MATLAB.
Ascarza, Mendoza Franco Javier. "Segmentación automática de textos, mediante redes neuronales convolucionales en imágenes documentos históricos." Master's thesis, Pontificia Universidad Católica del Perú, 2018. http://tesis.pucp.edu.pe/repositorio/handle/123456789/13050.
Full textTesis
González, Toledo Danilo Fabián. "Diagnóstico de fallas basado en emisión acústica mediante redes neuronales convolucionales profundas." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/159572.
Full textLa Ingeniería Mecánica está presente en la industria productiva debido a su aporte en la generación de equipos y sistemas que realicen determinadas funciones dentro de una línea de trabajo. A medida que los tiempos avanzan, los requerimientos de estos sistemas aumentan, presentando nuevos desafíos a la hora de su diseño y manufactura, pero también, durante su vida útil. En esto, el área de Gestión de Activos Físicos ha sido el protagonista a la hora de estudiar el desgaste, rastrear posibles fallas y realizar las mantenciones a tiempo de manera de reducir los tiempos fuera de operación que generan altos costos. Debido a lo anterior, cada vez es más urgente monitorear los sistemas y detectar a tiempo las situaciones que escapen de una operación eficiente y efectiva. Sin embargo, la gran dimensionalidad de la información obtenida mediante los diversos tipos de monitoreo y el alto ruido que normalmente presentan estos sistemas debido a sus componentes rotatorios o cíclicos, dificultan el análisis efectivo de las bases de datos. Es aquí donde los métodos de aprendizaje de máquinas presentan su potencial, ya que éstos realizan una extracción de características sobre la base de datos, para luego discriminar entre la información, generando una forma práctica de procesar la información disponible permitiendo un análisis efectivo. En particular, las Redes Neuronales Convolucionales (CNN) son un método de aprendizaje supervisado que está inspirado en las redes neuronales humanas y desarrolla su potencial en la clasificación de imágenes debido a que su método de aprendizaje incluye filtros que resaltan (o atenuan) rasgos destacables. Por otro lado, la emisión acústica es un fenómeno de generación de ondas elásticas debido a los cambios irreversibles en la estructura interna de un cuerpo sólido. Las anteriores pueden monitorearse mediante sensores, método de fácil implementación, alta densidad de datos y sensibilidad. En el presente trabajo de título se desarrollará un modelo de Red Neuronal Convolucional en la cual se procesarán señales brutas (sin procesamiento previo) de emisión acústica con el fin de generar un diagnóstico del estado de salud de un rotor experimental. El rotor utilizado es puesto a prueba bajo 25 clases diferentes: Grieta a 5[mm], 10[mm], 15[mm], 20[mm], 30[mm], 45[mm], 65[mm] y 90[mm] del acople al eje con tamaños de 3, 6 y 10 [mm], además se capturan señales del caso sano. Esta base de datos queda disponible para futuros trabajos, en el presente se trabaja con las fallas a 5[mm], 20[mm] y el caso sano. La metodología de trabajo se divide en 4 etapas principales: puesta a punto del sistema experimental, obtención de señales de emisión acústica, diseño, implementación y ajuste de la CNN y finalmente los resultados y análisis. El mejor modelo realizado consta de 3 clasificadores que en conjunto logran un desempeño global del 98,65% en la clasificación del estado de salud del sistema. Superando por un 7,5% al modelo más cercano con extracción previa de parámetros.
Yacolca, Huamán Karla Lucía. "Estudio de atipia celular utilizando redes neuronales convolucionales: aplicación en tejidos de cáncer de mama." Bachelor's thesis, Pontificia Universidad Católica del Perú, 2020. http://hdl.handle.net/20.500.12404/18219.
Full textTrabajo de investigación
Campanini, García Diego Alejandro. "Detección de objetos usando redes neuronales convolucionales junto con Random Forest y Support Vector Machines." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/167863.
Full textEn el presente trabajo de título se desarrolla un sistema de detección de objetos (localización y clasificación), basado en redes neuronales convolucionales (CNN por su sigla en inglés) y dos métodos clásicos de machine learning como Random Forest (RF) y Support Vector Machines (SVMs). La idea es mejorar, con los mencionados clasificadores, el rendimiento del sistema de detección conocido como Faster R-CNN (su significado en inglés es: Regions with CNN features). El sistema Faster R-CNN, se fundamenta en el concepto de region proposal para generar muestras candidatas a ser objetos y posteriormente producir dos salidas: una con la regresión que caracteriza la localización de los objetos y otra con los puntajes de confianza asociados a los bounding boxes predichos. Ambas salidas son generadas por capas completamente conectadas. En este trabajo se interviene la salida que genera los puntajes de confianza, tal que, en este punto se conecta un clasificador (RF o SVM), para generar con estos los puntajes de salida del sistema. De esta forma se busca mejorar el rendimiento del sistema Faster R-CNN. El entrenamiento de los clasificadores se realiza con los vectores de características extraídos, desde una de las capas completamente conectadas del sistema Faster R-CNN, específicamente se prueban las tres que contempla la arquitectura, para evaluar cuál de estas permite obtener los mejores resultados. Para definir, entre otras cosas, el número de capas convolucionales a utilizar y el tamaño de los filtros presentes en las primeras capas del sistema Faster R-CNN, se emplean los modelos de redes convolucionales ZF y VGG16, estas redes son solamente de clasificación, y son las mismas ocupados originalmente. Para desarrollar los sistemas propuestos se utilizan distintas implementaciones o librerías para las cuales se dispone de su código de forma abierta. Para el detector Faster R-CNN se utiliza una implementación desarrollado en Python, para RF se comparan dos librerías: randomForest escrita en R y scikit-learn en Python. Por su parte para SVM se utiliza la librería conocida como LIBSVM escrita en C. Las principales tareas de programación consisten en desarrollar los algoritmos de etiquetado de los vectores de características extraídos desde las capas completamente conectadas; unir los clasificadores con el sistema base, para el análisis \textit{online} de las imágenes en la etapa de prueba; programar un algoritmo para el entrenamiento eficiente en tiempo y en memoria para SVM (algoritmo conocido como hard negative mining) Al evaluar los sistemas desarrollados se concluye que los mejores resultados se obtienen con la red VGG16, específicamente para el caso en que se implementa el sistema Faster R-CNN+SVM con kernel RBF (radial basis function), logrando un mean Average Precision (mAP) de 68.9%. El segundo mejor resultado se alcanza con Faster R-CNN+RF con 180 árboles y es de 67.8%. Con el sistema original Faster R-CNN se consigue un mAP de 69.3%.
Montagna, Puga Sebastián. "Detección de fallas en equipos utilizando modelos en base a Deep Learning." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/170010.
Full textLos equipos mecánicos están sujetos a daño durante la operación, lo que deteriora su estructura y funcionamiento produciendo fallas. La detección preventiva de fallas y el pronóstico de vida remanente son herramientas muy útiles en el ámbito práctico, permitiendo evitar tiempos inesperados de parada del equipo, además de permitir agendar la mantención en un momento propicio según la condición en la que se encuentre el equipo en operación. Se propone implementar un modelo novedoso para el análisis de registros de series temporales en base a Deep Learning, redes neuronales convolucionales causales, que ha presentado muy buenos resultados realizando tareas de generación de secuencias con dependencias de largo alcance [1]. Los objetivos del trabajo propuesto en el presente informe son los siguientes: Objetivo General: Determinar la vida remanente en equipos mecánicos mediante la implementación de un modelo en base a CNNs causales. Objetivos Específicos: Analizar, indexar y clasificar los registros de señales de sensores de los equipos perti- nentes. Generar un modelo en base a redes neuronales convolucionales causales para el pronós- tico y estimación de vida remanente. Verificar y corroborar resultados obtenidos comparando con métodos actuales y parti- cularmente métodos en base a Long Short-Term Memory. Teniendo la base de datos del registro de los equipos, se procede a definir la arquitectura del modelo en base a Deep Learning y a realizar el entrenamiento e implementación del modelo. Luego, se analizan y verifican los resultados. En caso de que los resultados no sean satisfactorios se procede a cambiar los hiper-parámetros de la arquitectura del modelo y se repite el procedimiento. Los resultados obtenidos validan la implementación del modelo propuesto por medio de métodos comparativos entre modelos con y sin los métodos que se busca implementar. Los valores obtenidos para las predicciones de la base de datos en la que se implementa el modelo responden a lo esperado y al comparar con el estado del arte, se puede notar que el modelo realiza buenas predicciones, no ajustándose con tanta precisión, pero obteniendo mejores resultados en las bases de datos con más parámetros de operación debido a la capacidad de aprendizaje más general.
Guarda, Bräuning Luis Felipe. "Desarrollo de modelo para la identificación de somnolencia basado en redes neuronales convolucionales y procesamiento de señales de electroencefalografía." Tesis, Universidad de Chile, 2018. http://repositorio.uchile.cl/handle/2250/167873.
Full textLa confiabilidad en todo proceso de ingeniería es fundamental para asegurar su correcto y seguro desarrollo. Por este motivo se vuelve imperante ampliar las fronteras de análisis en confiabilidad, dejando de tener como eje central el análisis de equipos técnicos, apuntando de manera paralela al estudio de confiabilidad del operador de dichos equipos. Las nuevas herramientas de aprendizaje de máquinas permiten a una computadora analizar información en base a algoritmos para aprender a identificar características concretas de su entorno. Dentro de estas nuevas herramientas, las redes neuronales convolucionales (CNN) se presentan como una de las técnicas más robustas para el reconocimiento de imágenes. Mediante esta técnica es posible determinar patrones de frecuencia en señales de electroencefalografía (EEG) para determinar diversos estados anímicos de un individuo. El objetivo general de la memoria consiste en desarrollar un modelo para la detección del estado de somnolencia de un operador en base a redes neuronales convolucionales utilizando señales de electroencefalografía. Los objetivos específicos son: Desarrollar, comprender y manejar un modelo de detección de sujetos con ojos abiertos y cerrados en base a CNN, a través del procesamiento de señales de electroencefalografía. Desarrollar, comprender y manejar un modelo de detección de sujetos en estado de somnolencia utilizando CNN a través del procesamiento de señales de electroencefalografía. Comparar la clasificación de sujetos en estado de somnolencia realizada con redes neuronales convencionales (NN), Support Vector Machines (SVM) y Random Forest (RF). Para llevar a cabo los objetivos planteados, se utilizó la base de datos de somnolencia multimodalidad ULg . Con ella, en primer lugar, se generaron seis conjuntos de datos a evaluar, con sus respectivas etiquetas. Luego se elaboró un clasificador utilizando CNN, capaz de clasificar entre sujetos con y sin somnolencia, con el cual además se encontró el conjunto de datos que entregaba el mayor desempeño para el modelo creado. Posteriormente se procedió a comparar el desempeño de la red elaborada con el conjunto de datos optimo generado con NN, SVM y RF. Luego de comparar el rendimiento entregado por cada modelo, se obtuvo que las redes neuronales convolucionales representan el método más a fin para realizar la clasificación de sujetos bajo estado somnolencia, entregando una exactitud de clasificación superior al 86%.
Figueroa, Barraza Joaquín Eduardo. "A capsule neural network based model for structural damage localization and quantification using transmissibilty data." Tesis, Universidad de Chile, 2019. http://repositorio.uchile.cl/handle/2250/170185.
Full textMemoría para optar al título de Ingeniero Civil Mecánico
Dentro de la ingeniería estructural, el monitoreo de condición usando diferentes tipos de sensores ha sido importante en la prevención de fallas y diagnóstico del estado de salud. El desafío actual es aprovechar al máximo las grandes cantidades de datos para entregar mediciones y predicciones precisas. Los algoritmos de aprendizaje profundo abordan estos problemas mediante el uso de datos para encontrar relaciones complejas entre ellos. Entre estos algoritmos, las redes neuronales convolucionales (CNN) han logrado resultados de vanguardia, especialmente cuando se trabaja con imágenes. Sin embargo, existen dos problemas principales: la incapacidad de reconocer imágenes rotadas como tales, y la inexistencia de jerarquías dentro de las imágenes. Para resolver estos problemas, se desarrollaron las redes de cápsulas (Capsule Networks), logrando resultados prometedores en problemas de tipo benchmark. En esta tesis, las Capsule Networks se modifican para localizar y cuantificar daños estructurales. Esto implica una tarea doble de clasificación y regresión, lo que no se ha realizado anteriormente. El objetivo es generar modelos para dos casos de estudio diferentes, utilizando dos algoritmos de routing diferentes. Se analizan y comparan los resultados entre ellos y con el estado del arte. Los resultados muestran que las Capsule Networks con Dynamic routing logran mejores resultados que las CNN, especialmente cuando se trata de valores falsos positivos. No se observa sobreajuste en el conjunto de validación sino en el conjunto de prueba. Para resolver esto, se implementa la técnica de dropout, mejorando los resultados obtenidos en este último conjunto.
Carrasco, Davis Rodrigo Antonio. "Image sequence simulation and deep learning for astronomical object classification." Tesis, Universidad de Chile, 2019. http://repositorio.uchile.cl/handle/2250/170955.
Full textMemoria para optar al título de Ingeniero Civil Eléctrico
En esta tesis, se propone un nuevo modelo de clasificación secuencial para objetos astronómicos basado en el modelo de red neuronal convolucional recurrente (RCNN) que utiliza secuencias de imágenes como entradas. Este enfoque evita el cálculo de curvas de luz o imágenes de diferencia. Esta es la primera vez que se usan secuencias de imágenes directamente para la clasificación de objetos variables en astronomía. Otra contribución de este trabajo es el proceso de simulación de imagen. Se simularon secuencias de imágenes sintéticas que toman en cuenta las condiciones instrumentales y de observación, obteniendo una serie de películas de ruido variable, realistas, muestreadas de manera irregular para cada objeto astronómico. El conjunto de datos simulado se utiliza para entrenar el clasificador RCNN. Este enfoque permite generar conjuntos de datos para entrenar y probar el modelo RCNN para diferentes estudios astronómicos y telescopios. Además, el uso de un conjunto de datos simulado es más rápido y más adaptable a diferentes surveys y tareas de clasificación. El objetivo es crear un conjunto de datos simulado cuya distribución sea lo suficientemente cercana al conjunto de datos real, de modo que un ajuste fino sobre el modelo propuesto pueda hacer coincidir las distribuciones y resolver el problema de adaptación del dominio entre el conjunto de datos simulado y el conjunto de datos real. Para probar el clasificador RCNN entrenado con el conjunto de datos sintéticos, se utilizaron datos reales de High Cadence Transient Survey (HiTS), obteniendo un recall promedio del 85% en 5 clases, mejorado a 94% después de realizar un ajuste fino de 1000 iteraciones con 10 muestras reales por clase. Los resultados del modelo RCNN propuesto se compararon con los de un clasificador de bosque aleatorio o random forest de curvas de luz. El RCNN propuesto con ajuste fino tiene un rendimiento similar en el conjunto de datos HiTS en comparación con el clasificador de bosque aleatorio de curva de luz, entrenado en un conjunto de entrenamiento aumentado con 100 copias de 10 muestras reales por clase. El enfoque RCNN presenta varias ventajas en un escenario de clasificación de streaming de alertas astronómicas, como una reducción del preprocesamiento de datos, una evaluación más rápida y una mejora más sencilla del rendimiento utilizando unas pocas muestras de datos reales. Los resultados obtenidos fomentan el uso del método propuesto para los sistemas astronomical alert brokers que procesarán streamings de alertas generados por nuevos telescopios, como el Large Synoptic Survey Telescope (LSST). Se proponen ideas para un clasificador multibanda y un mejor simulador de imágenes en función de las dificultades encontradas en este trabajo.
Sanchez, Huapaya Alonso Sebastián, and Pinillos Sergio André Serpa. "Aplicación de redes neuronales convolucionales para la emulación del modelo psicoacústico MPEG-1, capa I, para la codificación de señales de audio." Bachelor's thesis, Universidad Peruana de Ciencias Aplicadas (UPC), 2020. http://hdl.handle.net/10757/652711.
Full textThe present work proposes 4 encoder alternatives, inspired in the MPEG-1, layer I encoder described in the ISO/IEC 11172-3 standard. The problem addressed here is the requirement of explicitly defining a psychoacoustic model to code audio, instead replacing it by neural networks. All the proposals are based on multiscale convolutional neural networks (MCNN) that emulate the psychoacoustic model 1 of the referred encoder. The networks have 32 inputs that map the 32 subbands of the sound pressure level (SPL), and a single output that corresponds to each of the 32 subbands of either the signal-to-mask ratio (SMR) or the bit allocation vector. Thus, an encoder is composed of a set of 32 neural networks. The validation process took the first 10 seconds of 15 randomly chosen songs of 10 different musical genres. The audio signal quality of the proposed encoders was compared to that of the MPEG-1, layer I encoder, using the ODG metric. The encoder whose input is the SPL and whose output is the SMR, proposed by Guillermo Kemper, yielded the best results for 96 kbps and 192 kbps. The encoder named “SBU1” had the best results for 128 kbps.
Tesis
Book chapters on the topic "Redes neuronales convolucionales"
Galán-Cuenca, Álvaro, Ricardo Vázquez-Martín, Anthony Mandow, Jesús Morales, and Alfonso García-Cerezo. "Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset." In XLII JORNADAS DE AUTOMÁTICA : LIBRO DE ACTAS, 686–94. Servizo de Publicacións da UDC, 2021. http://dx.doi.org/10.17979/spudc.9788497498043.686.
Full textSánchez, Lucía, Hector Moreno, Jesús Salido, and Gloria Bueno. "Sistema de microscopía de bajo coste para detección de diatomeas de ríos y océanos." In XLIII Jornadas de Automática: libro de actas: 7, 8 y 9 de septiembre de 2022, Logroño (La Rioja), 1048–55. 2022nd ed. Servizo de Publicacións da UDC, 2022. http://dx.doi.org/10.17979/spudc.9788497498418.1048.
Full textYandar-Lobon, Mario A., and Esteban Puerto Lara. "Vigilancia y seguridad con procesamiento de imágenes." In Industria 4.0: Desde la perspectiva organizacional, 65–84. Fondo Editorial Universitario Servando Garcés de la Universidad Politécnica Territorial de Falcón Alonso Gamero / Alianza de Investigadores Internacionales S.A.S., 2020. http://dx.doi.org/10.47212/industria4.0-5.
Full textGonzález Hernández, José, José Luis Guzmán Sánchez, Gabriel Acién, Martina Ciardi, and José Carlos Moreno Úbeda. "Uso de redes neuronal convolucionales 1D en espectrometrías para clasificación de géneros de microalgas." In XLIV Jornadas de Automática: libro de actas: Universidad de Zaragoza, Escuela de Ingeniería y Arquitectura, 6, 7 y 8 de septiembre de 2023, Zaragoza, 399–404. 2023rd ed. Servizo de Publicacións. Universidade da Coruña, 2023. http://dx.doi.org/10.17979/spudc.9788497498609.399.
Full textConference papers on the topic "Redes neuronales convolucionales"
Comas, Diego S., Agustin Amalfitano, Gustavo J. Meschino, and Virginia L. Ballarin. "Interpretación y visualización de características en texturas mediante Redes Neuronales Convolucionales." In 2022 IEEE Biennial Congress of Argentina (ARGENCON). IEEE, 2022. http://dx.doi.org/10.1109/argencon55245.2022.9939876.
Full textEspinoza-Vicuña, Carlos, and Yuri Nuñez-Medrano. "Análisis Del Comportamiento De La Voz Humana Para Detección De Depresión Usando Redes Neuronales Convolucionales." In The 19th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Prospective and trends in technology and skills for sustainable social development” “Leveraging emerging technologies to construct the future”. Latin American and Caribbean Consortium of Engineering Institutions, 2021. http://dx.doi.org/10.18687/laccei2021.1.1.491.
Full textGené-Mola, Jordi, Veronica Vilaplana, Joan R. Rosell-Polo, Josep-Ramon Morros, Javier Ruiz-Hidalgo, and Eduard Gregorio. "Uso de redes neuronales convolucionales para la detección remota de frutos con cámaras RGB-D." In X Congreso Ibérico de Agroingeniería = X Congresso Ibérico de Agroengenharia. Zaragoza: Servicio de Publicaciones Universidad, 2019. http://dx.doi.org/10.26754/c_agroing.2019.com.3325.
Full textAquino, Arturo, Juan Manuel Ponce, Borja Millán Prior, Diego Tejada-Guzmán, and José Manuel Andújar-Márquez. "Identificación y conteo de aceitunas en imágenes digitales tomadas en el olivar mediante morfología matemática y redes neuronales convolucionales." In XL Jornadas de Automática. Universidade da Coruña. Servizo de Publicacións, 2020. http://dx.doi.org/10.17979/spudc.9788497497169.818.
Full text"Aplicación de redes neuronales convolucionales a la monitorización del nivel de desgaste de herramientas en sistemas industriales de taladrado." In XV Congreso Iberoamericano de Ingeniería Mecánica. Universidad Nacional de Educación a Distancia (España), 2022. http://dx.doi.org/10.5944/bicim2022.217.
Full textPincay Lozada, Jorge, Luis Fernando Mulcue Nieto, and Jesús Alfonso López Sotelo. "Red neuronal convolucional para el diagnóstico de módulos fotovoltaicos." In Nuevas realidades para la educación en ingeniería: currículo, tecnología, medio ambiente y desarrollo. Asociación Colombiana de Facultades de Ingeniería - ACOFI, 2022. http://dx.doi.org/10.26507/paper.2563.
Full textNarváez, Guillermo Eduardo. "Red neuronal convolucional para la detección de aves exóticas en peligro de extinción." In Congreso Internacional de Ingeniería de Sistemas. Universidad de Lima, 2020. http://dx.doi.org/10.26439/ciis2019.5513.
Full textCaya Pérez, Jhan Carlos, and Pedro Freddy Huamaní Navarrete. "Apoyo Al Proceso De Diagnóstico De Neumonía Asociada Al Covid-19 Utilizando Modelos De Redes Neuronales Convolucionales, Con Keras Y Tensorflow." In The 19th LACCEI International Multi-Conference for Engineering, Education, and Technology: “Prospective and trends in technology and skills for sustainable social development” “Leveraging emerging technologies to construct the future”. Latin American and Caribbean Consortium of Engineering Institutions, 2021. http://dx.doi.org/10.18687/laccei2021.1.1.566.
Full text"Sistema de Monitorización de Estado para ejes ferroviarios basado en señales de vibración y procesamiento con Redes Neuronales Convolucionales y Temporales." In XV Congreso Iberoamericano de Ingeniería Mecánica. Universidad Nacional de Educación a Distancia (España), 2022. http://dx.doi.org/10.5944/bicim2022.099.
Full textMejía, Rodrigo, and Gianfranco Rosales. "Sistema de detección y clasificación de peces utilizando visión computacional." In Congreso Internacional de Ingeniería de Sistemas. Universidad de Lima, 2020. http://dx.doi.org/10.26439/ciis2019.5507.
Full text