Ingeniería Electrónica y de Telecomunicaciones

Permanent URI for this community

https://hdl.handle.net/20.500.12590/18068

Browse

Browsing Ingeniería Electrónica y de Telecomunicaciones by browse.metadata.advisor "Mayhua Lopez, Efrain Tito"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Detección temprana de mala hierba con redes neuronales convolucionales
    (Universidad Católica San Pablo, 2024) Aragon Cusirramos, Jesus Frank; Mayhua Lopez, Efrain Tito
    En la actualidad, la agricultura tiene un problema directo: la mala hierba, roba los nutrientes del suelo absorbiéndolos, en consecuencia, el cultivo no crece ni produce de forma homogénea y provoca el uso de herbicidas que maltratan el mismo suelo. Una solución a este problema es detectarla tempranamente. En los diversos caminos para detectar la mala hierba encontramos múltiples métodos: una de ellos es la detección por medio de imágenes. Por ello en el presente trabajo se presenta un algoritmo de Red Neuronal Convolucional (CNN) que detecta la presencia de mala hierba a partir de imágenes. Para entrenar la CNN se hace uso de una base de datos de imágenes de mala hierba en estado primario de crecimiento. Los resultados conjugados nos otorgan una precisión de 91,36 %. Hace falta mayores ajustes a la red para mejorar las prestaciones del modelo.
  • Thumbnail Image
    Item
    Reconocimiento de comportamiento de conducción distraída utilizando aprendizaje por currículo en una red profunda preentrenada VGG16
    (Universidad Católica San Pablo, 2024) Loyola Ayque, Marcelina; Mayhua Lopez, Efrain Tito
    La conducción distraída representa un grave problema de seguridad vial en la actualidad. Los accidentes de tránsito en relación a las distracciones del conductor al momento de manejar un vehículo muestran ´índices alarmantes de accidentes y muertes, esto motiva a la búsqueda e investigación de nuevas estrategias para abordar este problema. En particular, la capacidad de reconocer patrones de conducción distraída de forma temprana y confiable mediante técnicas de inteligencia artificial. Bajo esta premisa, el presente trabajo explora una novedosa solución basada en redes neuronales convolucionales y aprendizaje profundo por currículum. Tras una exhaustiva revisión bibliográfica y un análisis comparativo con otras aproximaciones, se implementó una arquitectura VGG16 preentrenada que luego se optimizó con una base de datos ’State Farm Distracted Driver Detección’. Los resultados alcanzados superan ampliamente otros métodos, con precisiones superiores al 90% en la detección de patrones distractivos mediante el tratamiento de imágenes. Estos hallazgos confirman el enorme potencial de las técnicas de aprendizaje profundo por currículum para el reconocimiento temprano de conductas de riesgo al volante. Como trabajo futuro se plantea aumentar los datos de entrenamiento, evaluar el modelo en plataformas embebidas para vehículos autónomos, e investigar arquitecturas más avanzadas.