Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas

La detección de errores en la pintura de piezas generalmente se hace empleando la visión humana la cual puede generar sesgos que afecten la calidad del producto final que comercializan diferentes tipos de empresa, este documento busca proponer un método de detección utilizando el machine learning y...

Full description

Autores:
Archila Atehortúa, Cristian
Posada Acosta, Simón
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de San Buenaventura
Repositorio:
Repositorio USB
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.usb.edu.co:10819/13003
Acceso en línea:
https://hdl.handle.net/10819/13003
Palabra clave:
000 - Ciencias de la computación, información y obras generales
Inteligencia Artificial
Nivel Industrial
Vida cotidiana
Inteligencia artificial
Machine learning
Clasificación de imágenes
Redes neuronales
Visión computacional
Artificial intelligence
Machine learning
Image classification
Neural networks
Computer vision
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id SANBUENAV2_45ea182b967966ba0f578d7f69fa69c7
oai_identifier_str oai:bibliotecadigital.usb.edu.co:10819/13003
network_acronym_str SANBUENAV2
network_name_str Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
title Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
spellingShingle Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
000 - Ciencias de la computación, información y obras generales
Inteligencia Artificial
Nivel Industrial
Vida cotidiana
Inteligencia artificial
Machine learning
Clasificación de imágenes
Redes neuronales
Visión computacional
Artificial intelligence
Machine learning
Image classification
Neural networks
Computer vision
title_short Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
title_full Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
title_fullStr Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
title_full_unstemmed Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
title_sort Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas
dc.creator.fl_str_mv Archila Atehortúa, Cristian
Posada Acosta, Simón
dc.contributor.advisor.none.fl_str_mv Hernández Marulanda, Andrés Felipe
Hernández Marulanda, Andrés Felipe
dc.contributor.author.none.fl_str_mv Archila Atehortúa, Cristian
Posada Acosta, Simón
dc.subject.ddc.none.fl_str_mv 000 - Ciencias de la computación, información y obras generales
topic 000 - Ciencias de la computación, información y obras generales
Inteligencia Artificial
Nivel Industrial
Vida cotidiana
Inteligencia artificial
Machine learning
Clasificación de imágenes
Redes neuronales
Visión computacional
Artificial intelligence
Machine learning
Image classification
Neural networks
Computer vision
dc.subject.other.none.fl_str_mv Inteligencia Artificial
Nivel Industrial
Vida cotidiana
dc.subject.proposal.spa.fl_str_mv Inteligencia artificial
Machine learning
Clasificación de imágenes
Redes neuronales
Visión computacional
dc.subject.proposal.eng.fl_str_mv Artificial intelligence
Machine learning
Image classification
Neural networks
Computer vision
description La detección de errores en la pintura de piezas generalmente se hace empleando la visión humana la cual puede generar sesgos que afecten la calidad del producto final que comercializan diferentes tipos de empresa, este documento busca proponer un método de detección utilizando el machine learning y la visión computación por medio del uso de redes neuronales convolucionales para detectar y clasificar estos errores de manera autónoma ayudando a las empresas a aumentar la competitividad y la calidad de sus productos en el mercado reduciendo los tiempos de inspección y el sesgo que se puede generar al realizar el proceso con la visión humana.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2024-02-13T22:40:39Z
dc.date.available.none.fl_str_mv 2024-02-13T22:40:39Z
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv C. Archila Atehortúa, S. Posada Acosta, “Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas.”, ​Trabajo de grado profesional​, ​Ingeniería Electrónica​, Universidad de San Buenaventura ​Medellín (Antioquia)​, ​2022​
dc.identifier.instname.spa.fl_str_mv instname:Universidad de San Buenaventura
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad de San Buenaventura
dc.identifier.repourl.spa.fl_str_mv repourl:https://bibliotecadigital.usb.edu.co/
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10819/13003
identifier_str_mv C. Archila Atehortúa, S. Posada Acosta, “Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas.”, ​Trabajo de grado profesional​, ​Ingeniería Electrónica​, Universidad de San Buenaventura ​Medellín (Antioquia)​, ​2022​
instname:Universidad de San Buenaventura
reponame:Repositorio Institucional Universidad de San Buenaventura
repourl:https://bibliotecadigital.usb.edu.co/
url https://hdl.handle.net/10819/13003
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv 44 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de San Buenaventura
dc.publisher.branch.spa.fl_str_mv Medellín
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.none.fl_str_mv Medellín
dc.publisher.program.spa.fl_str_mv Ingeniería Electrónica
institution Universidad de San Buenaventura
dc.source.bibliographicCitation.spa.fl_str_mv Y. Ben Salem y M. N. Abdelkrim, «Texture classification of fabric defects using machine learning», International Journal of Electrical and Computer Engineering, vol. 10, n.° 4, págs. 4390-4399, 2020, ISSN: 20888708. DOI: 10.11591/ijece.v10i4.pp4390-4399.
B. Ngendangenzwa, «Defect detection and classification on painted specular surfaces», 2017. dirección: https://umu.diva-portal.org/smash/get/diva2:1193907/FULLTEXT01.pdf.
L. Armesto, J. Tornero, A. Herraez y J. Asensio, «ICRA Communications Inspection System Basedon Artificial Vision for Paint Defects Detection on Cars Bodies», págs. 3-6, 2011.
R. McBride, «Human-Like Implemented A.I. and Human Problem-Solving A.I.», International Journal of Business, Humanities and Technology, vol. 9, n.° 3, págs. 1-10, 2019, 21621357. DOI: http://www.ijbhtnet.com/journal/index/600.
D. L. Poole y A. K. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd Edition, 1. 2017, ISBN: 9780521519007. DOI: 10.16309/j.cnki.issn.10071776.2003.03.004.
Szeliski, R. (2010). Computer vision: algorithms and applications. Springer Science & Business Media.
D. B. Fogel, Deep Blue, 2002. DOI: 10.1016/b978-155860783-5/50003-9.
P. Kamani, E. Noursadeghi, A. Afshar and F. Towhidkhah, «Automatic Paint Defect Detection and Classification of Car Body,» 2011 7th Iranian Conference on Machine Vision and Image Processing, 2011, pp. 1-6, doi: 10.1109/IranianMVIP.2011.6121575.
F. Chang, M. Dong, M. Liu, L. Wang and Y. Duan, «A Lightweight Appearance Quality Assessment System Based on Parallel Deep Learning for Painted Car Body,» in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 8, pp. 5298-5307, Aug. 2020, doi: 10.1109/TIM.2019.2962565.
F. Chang, M. Dong, M. Liu, L. Wang and Y. Duan, «A Lightweight Appearance Quality Assessment System Based on Parallel Deep Learning for Painted Car Body,» in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 8, pp. 5298-5307, Aug. 2020, doi: 10.1109/TIM.2019.2962565.
P. Harrington, «Machine learning in action (Vol. 5)», Greenwich, CT: Manning, 2012.
J. VanderPlas, Python data science handbook: Essential tools for working with data. .°’Reilly Media, Inc.”, 2016.
E. Alpaydin, Introduction to machine learning. MIT press, 2020.
S. J. Prince, Computer vision: models, learning, and inference. Cambridge University Press, 2012
S. Khan, No Title, 2019. dirección: https : / / medium . com / @safk8899 / computer - vision - in - autonomous-vehicles-21dffa873b23.
J. A. Yacim y D. G. B. Boshoff, «Impact of artificial neural networks training algorithms on accurate prediction of property values», Journal of Real Estate Research, vol. 40, n.° 3, págs. 375-418, 2018, ISSN: 08965803.
Y. Lecun, L. Bottou, Y. Bengio y P. Haffner, «Gradient-based learning applied to document recognition», Proceedings of the IEEE, vol. 86, n.° 11, págs. 2278-2324, 1998
J. larsen, «Introduction to Arti cial Neural Networks», n.° November, 1999.
K. Suzuki, Artificial neural networks: methodological advances and biomedical applications. BoD– Books on Demand, 2011
FJODOR VAN VEEN, NEURAL NETWORK ZOO PREQUEL: CELLS AND LAYERS, 2017. dirección: https://www.asimovinstitute.org/neural-network-zoo-prequel-cells-layers/.
F.-f. Li, R. krishna y D. Xu, Convolutional Neural Networks (CNNs / ConvNets), 2020. dirección: http : / / cs231n . stanford . edu / %20https : / / cs231n . github. io / convolutional - networks /%7B%5C#%7Doverview.
Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu y M. S. Lew, «Deep learning for visual understanding: A review», Neurocomputing, vol. 187, págs. 27-48, 2016, ISSN: 18728286. DOI: 10.1016/j.neucom. 2015.09.116.
S. Albawi, T. A. M. Mohammed y S. Alzawi, «A DATA-DRIVEN APPROACH TO PRECIPITATION PARAMETERIZATIONS USING CONVOLUTIONAL ENCODERDECODER NEURAL NETWORKS Pablo», Ieee, 2017. dirección: https : / / wiki . tum . de / display / lfdv / Layers+ of+ a+ Convolutional+Neural+Network.
Phung y Rhee, «A High-Accuracy Model Average Ensemble of Convolutional Neural Networks for Classification of Cloud Image Patches on Small Datasets», Applied Sciences, vol. 9, pág. 4500, oct. de 2019. DOI: 10.3390/app9214500.
D. Calvo, Red Neuronal Convolucional https://www.diegocalvo.es/red-neuronal- convolucional/.
A. Puertas Cabedo, «Super-Resolución inter-sensor para el realce espacial de imágenes Sentinel», 2018. dirección: http://repositori.uji.es/xmlui/handle/10234/180320.
A. Zúñiga-López, C. Avilés-Cruz, A. Ferreyra-Ramírez y E. Rodríguez-Martínez, «Algoritmo de clasicación basado en la función Softmax», dirección: http://cs.joensuu./sipu/datasets/.
Regresión Softmax — Interactive Chaos. dirección: https://interactivechaos.com/es/manual/tutorialde-machine-learning/regresion-softmax (visitado 28-04-2022).
Ö. G. Saracoglu y H. Altural, «Color Regeneration from Reflective Color Sensor Using an Artificial Intelligent Technique», Sensors, vol. 10, n.° 9, págs. 8363-8374, 2010, ISSN: 1424-8220. DOI: 10.3390/s100908363. dirección: https://www.mdpi.com/14248220/10/9/8363.
KeepCoding, Qué son los Datasets, 2022. dirección: https://keepcoding.io/blog/que-son datasets/.
S. Gong, C. Liu, Y. Ji, B. Zhong, Y. Li y H. Dong, Advanced Image and Video Processing Using MATLAB, ép. Modeling and Optimization in Science and Technologies. Cham: Springer International Publishing, 2019, vol. 12, ISBN: 978-3-319-77221-9. DOI: 10.1007/978-3-319-77223-3. dirección: 77223-3.
T. B. Moeslund, Introduction to Video and Image Processing, ép. Undergraduate Topics in Computer Science. London: Springer London, 2012, ISBN: 978-1-4471-2502-0. DOI: 10.1007/978-1-4471-2503-7. dirección: 2503-7.
D. P. Kingma y J. L. Ba, «Adam: A method for stochastic optimization», 3rd International Conferenceon Learning Representations, ICLR 2015 - Conference Track Proceedings, págs. 1-15, 2015. arXiv: 1412.6980
Qué es overfitting y underfitting y cómo solucionarlo — Aprende Machine Learning. dirección: https://www.aprendemachinelearning.com/que-es-overfitting-y-underfitting-ycomo-solucionarlo/ (visitado 13-04-2022)
R. G. Duque, Python para todos. 2010, pág. 160.
Educación sobre aprendizaje automático — TensorFlow. dirección: https : / /www. tensorflow.org/ resources / learn - ml? gclid=CjwKCAjw9qiTBhBbEiwAp- GE0dPDjBUjWW8r4p fZ3dsQKTaviFVpEIk2gtl0jdKjCrRb9ssttDRoC8jQQAvD_BwE (visitado 28-04-2022)
Keras, Keras. dirección: https://keras.io/about/.
D. Alexandro Múnera Ramírez e I. Joseph Fabricio Vergel Becerra, «Detección de defectos en fibras textiles utilizando algoritmos de Deep Learning», 2020. dirección: http://bibliotecadigital.udea.edu.co/handle/10495/15470.
V. Borsu, A. Yogeswaran y P. Payeur, «Automated surface deformations detection and markingon automotive body panels», 2010 IEEE International Conference on Automation Science and Engineering, CASE 2010, n.° September, págs. 551-556, 2010. DOI: 10.1109/COASE.2010.5584643.
dc.source.bibliographicCitation.a.fl_str_mv S. Bakas, M. Reyes, A. Jakab, S. Bauer, M. Rempfler, A. Crimi, R. T. Shinohara, C. Berger, S. M. Ha, M. Rozycki y col., «Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge», arXiv preprint arXiv:1811.02629, 2018.
dc.source.other.none.fl_str_mv Biblioteca USB Medellín (San Benito): TG-6685t
bitstream.url.fl_str_mv https://bibliotecadigital.usb.edu.co/bitstreams/adf880ff-a2e0-4d4f-9b87-a7d74ad97e3e/download
https://bibliotecadigital.usb.edu.co/bitstreams/5c5caf83-4a39-4a3b-bde6-2d830bd43f13/download
https://bibliotecadigital.usb.edu.co/bitstreams/8da717c2-5472-4eb9-b7a3-cbb6c4fe3968/download
https://bibliotecadigital.usb.edu.co/bitstreams/4da39d38-0d77-41cb-8fb5-de4ec7ef1d5b/download
bitstream.checksum.fl_str_mv b9802b0e334b1f7deb7fed6b860b884e
ce8fd7f912f132cbeb263b9ddc893467
5123263b1fd206b1f3094d2e8e83cd51
05a164c4eaad3f2ceba323aff0e0a74f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1837099254588375040
spelling Hernández Marulanda, Andrés Felipe07621dc8-99c7-404c-87ea-7b7fd9f645a2-1Hernández Marulanda, Andrés Felipevirtual::2421-1Archila Atehortúa, Cristianf0713f67-070a-4fbd-9ca4-ebee236d57ef-1Posada Acosta, Simónd8a73cee-4a91-4ea9-a0a2-9eac4184e10e-12024-02-13T22:40:39Z2024-02-13T22:40:39Z2022La detección de errores en la pintura de piezas generalmente se hace empleando la visión humana la cual puede generar sesgos que afecten la calidad del producto final que comercializan diferentes tipos de empresa, este documento busca proponer un método de detección utilizando el machine learning y la visión computación por medio del uso de redes neuronales convolucionales para detectar y clasificar estos errores de manera autónoma ayudando a las empresas a aumentar la competitividad y la calidad de sus productos en el mercado reduciendo los tiempos de inspección y el sesgo que se puede generar al realizar el proceso con la visión humana.The detection of errors in the painting of parts is usually done using human vision which can generate biases that affect the quality of the final product marketed by different types of companies, this paper seeks to propose a detection method using machine learning and computer vision through the use of convolutional neural networks to detect and classify these errors autonomously helping companies to increase the competitiveness and quality of their products in the market by reducing inspection times and the bias that can be generated by performing the process with human vision.PregradoIngeniero Electrónico44 páginasapplication/pdfC. Archila Atehortúa, S. Posada Acosta, “Uso de inteligencia artificial para identificar posibles errores en el pintado de piezas.”, ​Trabajo de grado profesional​, ​Ingeniería Electrónica​, Universidad de San Buenaventura ​Medellín (Antioquia)​, ​2022​instname:Universidad de San Buenaventurareponame:Repositorio Institucional Universidad de San Buenaventurarepourl:https://bibliotecadigital.usb.edu.co/https://hdl.handle.net/10819/13003spaUniversidad de San BuenaventuraMedellínFacultad de IngenieríaMedellínIngeniería Electrónicainfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Y. Ben Salem y M. N. Abdelkrim, «Texture classification of fabric defects using machine learning», International Journal of Electrical and Computer Engineering, vol. 10, n.° 4, págs. 4390-4399, 2020, ISSN: 20888708. DOI: 10.11591/ijece.v10i4.pp4390-4399.B. Ngendangenzwa, «Defect detection and classification on painted specular surfaces», 2017. dirección: https://umu.diva-portal.org/smash/get/diva2:1193907/FULLTEXT01.pdf.L. Armesto, J. Tornero, A. Herraez y J. Asensio, «ICRA Communications Inspection System Basedon Artificial Vision for Paint Defects Detection on Cars Bodies», págs. 3-6, 2011.R. McBride, «Human-Like Implemented A.I. and Human Problem-Solving A.I.», International Journal of Business, Humanities and Technology, vol. 9, n.° 3, págs. 1-10, 2019, 21621357. DOI: http://www.ijbhtnet.com/journal/index/600.D. L. Poole y A. K. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 2nd Edition, 1. 2017, ISBN: 9780521519007. DOI: 10.16309/j.cnki.issn.10071776.2003.03.004.Szeliski, R. (2010). Computer vision: algorithms and applications. Springer Science & Business Media.D. B. Fogel, Deep Blue, 2002. DOI: 10.1016/b978-155860783-5/50003-9.P. Kamani, E. Noursadeghi, A. Afshar and F. Towhidkhah, «Automatic Paint Defect Detection and Classification of Car Body,» 2011 7th Iranian Conference on Machine Vision and Image Processing, 2011, pp. 1-6, doi: 10.1109/IranianMVIP.2011.6121575.F. Chang, M. Dong, M. Liu, L. Wang and Y. Duan, «A Lightweight Appearance Quality Assessment System Based on Parallel Deep Learning for Painted Car Body,» in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 8, pp. 5298-5307, Aug. 2020, doi: 10.1109/TIM.2019.2962565.F. Chang, M. Dong, M. Liu, L. Wang and Y. Duan, «A Lightweight Appearance Quality Assessment System Based on Parallel Deep Learning for Painted Car Body,» in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 8, pp. 5298-5307, Aug. 2020, doi: 10.1109/TIM.2019.2962565.P. Harrington, «Machine learning in action (Vol. 5)», Greenwich, CT: Manning, 2012.J. VanderPlas, Python data science handbook: Essential tools for working with data. .°’Reilly Media, Inc.”, 2016.E. Alpaydin, Introduction to machine learning. MIT press, 2020.S. J. Prince, Computer vision: models, learning, and inference. Cambridge University Press, 2012S. Khan, No Title, 2019. dirección: https : / / medium . com / @safk8899 / computer - vision - in - autonomous-vehicles-21dffa873b23.J. A. Yacim y D. G. B. Boshoff, «Impact of artificial neural networks training algorithms on accurate prediction of property values», Journal of Real Estate Research, vol. 40, n.° 3, págs. 375-418, 2018, ISSN: 08965803.Y. Lecun, L. Bottou, Y. Bengio y P. Haffner, «Gradient-based learning applied to document recognition», Proceedings of the IEEE, vol. 86, n.° 11, págs. 2278-2324, 1998J. larsen, «Introduction to Arti cial Neural Networks», n.° November, 1999.K. Suzuki, Artificial neural networks: methodological advances and biomedical applications. BoD– Books on Demand, 2011FJODOR VAN VEEN, NEURAL NETWORK ZOO PREQUEL: CELLS AND LAYERS, 2017. dirección: https://www.asimovinstitute.org/neural-network-zoo-prequel-cells-layers/.F.-f. Li, R. krishna y D. Xu, Convolutional Neural Networks (CNNs / ConvNets), 2020. dirección: http : / / cs231n . stanford . edu / %20https : / / cs231n . github. io / convolutional - networks /%7B%5C#%7Doverview.Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu y M. S. Lew, «Deep learning for visual understanding: A review», Neurocomputing, vol. 187, págs. 27-48, 2016, ISSN: 18728286. DOI: 10.1016/j.neucom. 2015.09.116.S. Albawi, T. A. M. Mohammed y S. Alzawi, «A DATA-DRIVEN APPROACH TO PRECIPITATION PARAMETERIZATIONS USING CONVOLUTIONAL ENCODERDECODER NEURAL NETWORKS Pablo», Ieee, 2017. dirección: https : / / wiki . tum . de / display / lfdv / Layers+ of+ a+ Convolutional+Neural+Network.Phung y Rhee, «A High-Accuracy Model Average Ensemble of Convolutional Neural Networks for Classification of Cloud Image Patches on Small Datasets», Applied Sciences, vol. 9, pág. 4500, oct. de 2019. DOI: 10.3390/app9214500.D. Calvo, Red Neuronal Convolucional https://www.diegocalvo.es/red-neuronal- convolucional/.A. Puertas Cabedo, «Super-Resolución inter-sensor para el realce espacial de imágenes Sentinel», 2018. dirección: http://repositori.uji.es/xmlui/handle/10234/180320.A. Zúñiga-López, C. Avilés-Cruz, A. Ferreyra-Ramírez y E. Rodríguez-Martínez, «Algoritmo de clasicación basado en la función Softmax», dirección: http://cs.joensuu./sipu/datasets/.Regresión Softmax — Interactive Chaos. dirección: https://interactivechaos.com/es/manual/tutorialde-machine-learning/regresion-softmax (visitado 28-04-2022).Ö. G. Saracoglu y H. Altural, «Color Regeneration from Reflective Color Sensor Using an Artificial Intelligent Technique», Sensors, vol. 10, n.° 9, págs. 8363-8374, 2010, ISSN: 1424-8220. DOI: 10.3390/s100908363. dirección: https://www.mdpi.com/14248220/10/9/8363.KeepCoding, Qué son los Datasets, 2022. dirección: https://keepcoding.io/blog/que-son datasets/.S. Gong, C. Liu, Y. Ji, B. Zhong, Y. Li y H. Dong, Advanced Image and Video Processing Using MATLAB, ép. Modeling and Optimization in Science and Technologies. Cham: Springer International Publishing, 2019, vol. 12, ISBN: 978-3-319-77221-9. DOI: 10.1007/978-3-319-77223-3. dirección: 77223-3.T. B. Moeslund, Introduction to Video and Image Processing, ép. Undergraduate Topics in Computer Science. London: Springer London, 2012, ISBN: 978-1-4471-2502-0. DOI: 10.1007/978-1-4471-2503-7. dirección: 2503-7.D. P. Kingma y J. L. Ba, «Adam: A method for stochastic optimization», 3rd International Conferenceon Learning Representations, ICLR 2015 - Conference Track Proceedings, págs. 1-15, 2015. arXiv: 1412.6980Qué es overfitting y underfitting y cómo solucionarlo — Aprende Machine Learning. dirección: https://www.aprendemachinelearning.com/que-es-overfitting-y-underfitting-ycomo-solucionarlo/ (visitado 13-04-2022)R. G. Duque, Python para todos. 2010, pág. 160.Educación sobre aprendizaje automático — TensorFlow. dirección: https : / /www. tensorflow.org/ resources / learn - ml? gclid=CjwKCAjw9qiTBhBbEiwAp- GE0dPDjBUjWW8r4p fZ3dsQKTaviFVpEIk2gtl0jdKjCrRb9ssttDRoC8jQQAvD_BwE (visitado 28-04-2022)Keras, Keras. dirección: https://keras.io/about/.D. Alexandro Múnera Ramírez e I. Joseph Fabricio Vergel Becerra, «Detección de defectos en fibras textiles utilizando algoritmos de Deep Learning», 2020. dirección: http://bibliotecadigital.udea.edu.co/handle/10495/15470.V. Borsu, A. Yogeswaran y P. Payeur, «Automated surface deformations detection and markingon automotive body panels», 2010 IEEE International Conference on Automation Science and Engineering, CASE 2010, n.° September, págs. 551-556, 2010. DOI: 10.1109/COASE.2010.5584643.S. Bakas, M. Reyes, A. Jakab, S. Bauer, M. Rempfler, A. Crimi, R. T. Shinohara, C. Berger, S. M. Ha, M. Rozycki y col., «Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge», arXiv preprint arXiv:1811.02629, 2018.Biblioteca USB Medellín (San Benito): TG-6685t000 - Ciencias de la computación, información y obras generalesInteligencia ArtificialNivel IndustrialVida cotidianaInteligencia artificialMachine learningClasificación de imágenesRedes neuronalesVisión computacionalArtificial intelligenceMachine learningImage classificationNeural networksComputer visionUso de inteligencia artificial para identificar posibles errores en el pintado de piezasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionComunidad Científica y AcadémicaPublicationhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001347696virtual::2421-1https://scholar.google.com/citations?user=Taw6PyMAAAAJ&hl=esvirtual::2421-10000-0001-8098-2427virtual::2421-1f82bfbff-3228-4cbd-907f-5eb2ba6b12f2virtual::2421-1f82bfbff-3228-4cbd-907f-5eb2ba6b12f2virtual::2421-1ORIGINALInteligencia_Artificial_Detectar_Archila_2022.pdfInteligencia_Artificial_Detectar_Archila_2022.pdfapplication/pdf1651957https://bibliotecadigital.usb.edu.co/bitstreams/adf880ff-a2e0-4d4f-9b87-a7d74ad97e3e/downloadb9802b0e334b1f7deb7fed6b860b884eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82079https://bibliotecadigital.usb.edu.co/bitstreams/5c5caf83-4a39-4a3b-bde6-2d830bd43f13/downloadce8fd7f912f132cbeb263b9ddc893467MD52TEXTInteligencia_Artificial_Detectar_Archila_2022.pdf.txtInteligencia_Artificial_Detectar_Archila_2022.pdf.txtExtracted texttext/plain64959https://bibliotecadigital.usb.edu.co/bitstreams/8da717c2-5472-4eb9-b7a3-cbb6c4fe3968/download5123263b1fd206b1f3094d2e8e83cd51MD53THUMBNAILInteligencia_Artificial_Detectar_Archila_2022.pdf.jpgInteligencia_Artificial_Detectar_Archila_2022.pdf.jpgGenerated Thumbnailimage/jpeg6626https://bibliotecadigital.usb.edu.co/bitstreams/4da39d38-0d77-41cb-8fb5-de4ec7ef1d5b/download05a164c4eaad3f2ceba323aff0e0a74fMD5410819/13003oai:bibliotecadigital.usb.edu.co:10819/130032024-12-02 13:50:09.903https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.comPGNlbnRlcj4KPGgzPlJFUE9TSVRPUklPIElOU1RJVFVDSU9OQUwgVU5JVkVSU0lEQUQgREUgU0FOIEJVRU5BVkVOVFVSQSAtIENPTE9NQklBPC9oMz4KPHA+ClTDqXJtaW5vcyBkZSBsYSBsaWNlbmNpYSBnZW5lcmFsIHBhcmEgcHVibGljYWNpw7NuIGRlIG9icmFzIGVuIGVsIHJlcG9zaXRvcmlvIGluc3RpdHVjaW9uYWw8L3A+PC9jZW50ZXI+CjxQIEFMSUdOPWNlbnRlcj4KUG9yIG1lZGlvIGRlIGVzdGUgZm9ybWF0byBtYW5pZmllc3RvIG1pIHZvbHVudGFkIGRlIEFVVE9SSVpBUiBhIGxhIFVuaXZlcnNpZGFkIGRlIFNhbiBCdWVuYXZlbnR1cmEsIFNlZGUgQm9nb3TDoSB5IDxCUj5TZWNjaW9uYWxlcyBNZWRlbGzDrW4sIENhbGkgeSBDYXJ0YWdlbmEsIGxhIGRpZnVzacOzbiBlbiB0ZXh0byBjb21wbGV0byBkZSBtYW5lcmEgZ3JhdHVpdGEgeSBwb3IgdGllbXBvIGluZGVmaW5pZG8gZW4gZWw8QlI+IFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgVW5pdmVyc2lkYWQgZGUgU2FuIEJ1ZW5hdmVudHVyYSwgZWwgZG9jdW1lbnRvIGFjYWTDqW1pY28gLSBpbnZlc3RpZ2F0aXZvIG9iamV0byBkZSBsYSBwcmVzZW50ZSA8QlI+YXV0b3JpemFjacOzbiwgY29uIGZpbmVzIGVzdHJpY3RhbWVudGUgZWR1Y2F0aXZvcywgY2llbnTDrcKtZmljb3MgeSBjdWx0dXJhbGVzLCBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgPEJSPiAxOTgyLCBMZXkgNDQgZGUgMTk5MywgRGVjaXNpw7NuIEFuZGluYSAzNTEgZGUgMTk5MywgRGVjcmV0byA0NjAgZGUgMTk5NSB5IGRlbcOhcyBub3JtYXMgZ2VuZXJhbGVzIHNvYnJlIGRlcmVjaG9zPEJSPiBkZSBhdXRvci4gPEJSPiAKIApDb21vIGF1dG9yIG1hbmlmaWVzdG8gcXVlIGVsIHByZXNlbnRlIGRvY3VtZW50byBhY2Fkw6ltaWNvIC0gaW52ZXN0aWdhdGl2byBlcyBvcmlnaW5hbCB5IHNlIHJlYWxpesOzIHNpbiB2aW9sYXIgbyA8QlI+IHVzdXJwYXIgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MsIHBvciBsbyB0YW50bywgbGEgb2JyYSBlcyBkZSBtaSBleGNsdXNpdmEgYXV0b3LDrcKtYSB5IHBvc2VvIGxhIHRpdHVsYXJpZGFkIDxCUj4gc29icmUgbGEgbWlzbWEuIExhIFVuaXZlcnNpZGFkIGRlIFNhbiBCdWVuYXZlbnR1cmEgbm8gc2Vyw6EgcmVzcG9uc2FibGUgZGUgbmluZ3VuYSB1dGlsaXphY2nDs24gaW5kZWJpZGEgZGVsIGRvY3VtZW50byA8QlI+cG9yIHBhcnRlIGRlIHRlcmNlcm9zIHkgc2Vyw6EgZXhjbHVzaXZhbWVudGUgbWkgcmVzcG9uc2FiaWxpZGFkIGF0ZW5kZXIgcGVyc29uYWxtZW50ZSBjdWFscXVpZXIgcmVjbGFtYWNpw7NuIHF1ZSBwdWVkYTxCUj4gcHJlc2VudGFyc2UgYSBsYSBVbml2ZXJzaWRhZC4gPEJSPgogCkF1dG9yaXpvIGFsIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgZGUgbGEgVW5pdmVyc2lkYWQgZGUgU2FuIEJ1ZW5hdmVudHVyYSBjb252ZXJ0aXIgZWwgZG9jdW1lbnRvIGFsIGZvcm1hdG8gcXVlIDxCUj5yZXF1aWVyYSAoaW1wcmVzbywgZGlnaXRhbCwgZWxlY3Ryw7NuaWNvIG8gY3VhbHF1aWVyIG90cm8gY29ub2NpZG8gbyBwb3IgY29ub2NlcikgbyBjb24gZmluZXMgZGU8QlI+IHByZXNlcnZhY2nDs24gZGlnaXRhbC4gPEJSPgogCkVzdGEgYXV0b3JpemFjacOzbiBubyBpbXBsaWNhIHJlbnVuY2lhIGEgbGEgZmFjdWx0YWQgcXVlIHRlbmdvIGRlIHB1YmxpY2FyIHBvc3Rlcmlvcm1lbnRlIGxhIG9icmEsIGVuIGZvcm1hIHRvdGFsIG8gPEJSPnBhcmNpYWwsIHBvciBsbyBjdWFsIHBvZHLDqSwgZGFuZG8gYXZpc28gcG9yIGVzY3JpdG8gY29uIG5vIG1lbm9zIGRlIHVuIG1lcyBkZSBhbnRlbGFjacOzbiwgc29saWNpdGFyIHF1ZSBlbCA8QlI+ZG9jdW1lbnRvIGRlamUgZGUgZXN0YXIgZGlzcG9uaWJsZSBwYXJhIGVsIHDDumJsaWNvIGVuIGVsIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgZGUgbGEgVW5pdmVyc2lkYWQgZGUgU2FuIEJ1ZW5hdmVudHVyYSwgPEJSPiBhc8Otwq0gbWlzbW8sIGN1YW5kbyBzZSByZXF1aWVyYSBwb3IgcmF6b25lcyBsZWdhbGVzIHkvbyByZWdsYXMgZGVsIGVkaXRvciBkZSB1bmEgcmV2aXN0YS4gPEJSPjwvUD4K

Publicaciones similares