Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos

El objetivo de este trabajo es determinar la concentración del colorante azul de metileno en residuos de laboratorios de análisis químicos mediante una aplicación móvil utilizando algoritmos de inteligencia artificial y proponer un método de degradación del azul de metileno, todo lo anterior en pro...

Full description

Autores:
Castro Velásquez, Juan Camilo
Corrales Quintero, Willinton
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4964
Acceso en línea:
https://hdl.handle.net/20.500.12313/4964
Palabra clave:
Concentración del azul de metileno - Aplicación móvil de inteligencia artificial
Azul de metíleno - Método químico - Determinación
Categorías
Inteligencia artificial
Concentración
Aplicación móvil
Nano partículas
Magnetita (Fe3O4)
Categories
Artificial intelligence
Concentration
Mobile application
Nanoparticles
Magnetite
Magnetite (Fe3O4)
Rights
closedAccess
License
http://purl.org/coar/access_right/c_14cb
id UNIBAGUE2_ad6a3c3efa1d9dd366edd8275b2140b5
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4964
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
title Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
spellingShingle Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
Concentración del azul de metileno - Aplicación móvil de inteligencia artificial
Azul de metíleno - Método químico - Determinación
Categorías
Inteligencia artificial
Concentración
Aplicación móvil
Nano partículas
Magnetita (Fe3O4)
Categories
Artificial intelligence
Concentration
Mobile application
Nanoparticles
Magnetite
Magnetite (Fe3O4)
title_short Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
title_full Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
title_fullStr Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
title_full_unstemmed Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
title_sort Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos
dc.creator.fl_str_mv Castro Velásquez, Juan Camilo
Corrales Quintero, Willinton
dc.contributor.advisor.none.fl_str_mv Trujillo Hernández, Juan Sebastián
Salazar Camacho, Natalia Andrea [co-dirección ]
dc.contributor.author.none.fl_str_mv Castro Velásquez, Juan Camilo
Corrales Quintero, Willinton
dc.subject.armarc.none.fl_str_mv Concentración del azul de metileno - Aplicación móvil de inteligencia artificial
Azul de metíleno - Método químico - Determinación
topic Concentración del azul de metileno - Aplicación móvil de inteligencia artificial
Azul de metíleno - Método químico - Determinación
Categorías
Inteligencia artificial
Concentración
Aplicación móvil
Nano partículas
Magnetita (Fe3O4)
Categories
Artificial intelligence
Concentration
Mobile application
Nanoparticles
Magnetite
Magnetite (Fe3O4)
dc.subject.proposal.spa.fl_str_mv Categorías
Inteligencia artificial
Concentración
Aplicación móvil
Nano partículas
Magnetita (Fe3O4)
dc.subject.proposal.eng.fl_str_mv Categories
Artificial intelligence
Concentration
Mobile application
Nanoparticles
Magnetite
Magnetite (Fe3O4)
description El objetivo de este trabajo es determinar la concentración del colorante azul de metileno en residuos de laboratorios de análisis químicos mediante una aplicación móvil utilizando algoritmos de inteligencia artificial y proponer un método de degradación del azul de metileno, todo lo anterior en pro de contribuir a la disminución de la contaminación de las fuentes hídricas ocasionada por los residuos del colorante en los laboratorios químicos. La aplicación móvil se realizó en el lenguaje de programación Java haciendo uso de modelos basados en redes neuronales, para esto, se propusieron los modelos: SSD_mobilenet_v1 y SSD_mobilenet_v2. Ambos modelos se entrenaron en un entorno de desarrollo en lenguaje Python, para ello se definió una base de datos de 1200 imágenes, donde se distribuyó el equivalente de 400 imágenes por categorías de concentración, estas imágenes fueron tomadas según un protocolo establecido. Para validar que las categorías que la red neuronal detecta y clasifica correspondan asu respectivo intervalo de niveles de concentración se realizó un análisis de absorbancia de los siguientes niveles de concentración: 1 ppm, 5 ppm, 10 ppm, 15 ppm, 20 ppm y 25 ppm. Las anteriores concentraciones de azul de metileno se prepararon partiendo de una solución madre de 300 ppm; estos niveles se seleccionaron debido a que, presentaron un comportamiento lineal esperado en la curva de calibración al utilizar el instrumento espectrofotómetro. Respecto a la curva de calibración, esta se estableció a partir de una longitud de onda de 650 nm, puesto que a este valor se detecta la tonalidad del colorante azul de metileno. Para la degradación del colorante se propuso un método que emplea nanopartículas de magnetita (Fe3O4 ) preparadas a través del método químico de descomposición térmica. Adicional a esto, se caracterizaron las nanopartículas de magnetita (Fe3O4) mediante las técnicas: espectroscopia Mössbauer (MS), difracción de rayos X (DRX), magnetometría de muestra vibrante (VSM), microscopía electrónica de transmisión (TEM) y mediciones de espectroscopia infrarroja-transformada de Fourier (FTIR).
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-04-04T13:38:46Z
dc.date.available.none.fl_str_mv 2025-04-04T13:38:46Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.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 Castro Velásquez, J. C. & Corrales Quintero, W. (2022). Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4964
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4964
identifier_str_mv Castro Velásquez, J. C. & Corrales Quintero, W. (2022). Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4964
url https://hdl.handle.net/20.500.12313/4964
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Y. Li, C. Siedler, Y. Kinkel, M. Glatt, P. Kölsch, and J. Aurich, “Object detection in factory based on deep learning approach,” in Procedia CIRP, 2021, vol. 104, pp. 1029–1034. doi: 10.1016/j.procir.2021.11.173.
Z. Zhong-Qiu, Z. Peng, X. Shou-Tao, and W. Xindong, “Object detection with deep learning: a review,” IEEE, Apr. 2019.
L. Wenmei, L. Haiyan, and W. Yu, “Deep Learning-Based Classification Methods for Remote Sensing Images in Urban Built-Up Areas,” IEEE Access, vol. 7, pp. 36274–36284, 2019, doi: 10.1109/ACCESS.2019.2903127.
K. Jihyeok, A. Reinald, and L. Kyungjae, “Categorical Metadata Representation for Customized Text Classification,” 2022, doi: 10.1162/tacl_a_00263/1923047/tacl_a_00263.pdf.
Z. Zhengxia, S. Zhenwei, and G. Yuhong, “Object detection in 20 years: a survey,” IEEE, Mar. 2022.
G. Chandan, J. Ayush, and J. Harsh, “Real time object detection and tracking using deep learning and openCV,” in Proceedings of the International Conference on Inventive Research in Computing Applications, ICIRCA 2018, Dec. 2018, pp. 1305– 1308. doi: 10.1109/ICIRCA.2018.8597266.
Z. Lanyong, L. Chengyu, and S. Hongfang, “Object detection/tracking toward underwater photographs by remotely operated vehicles (ROVs),” Future Generation Computer Systems, vol. 126, pp. 163–168, Jan. 2022, doi: 10.1016/j.future.2021.07.011.
S. Parveen and J. Shah, “Third international conference on intelligent communication technologies and virtual mobile networks (ICICV),” in A Motion Detection System in Python and Opencv, 2021, pp. 1378–1382.
L. Corrales and L. Caycedo, “Principios físicoquímicos de los colorantes utilizados en microbiología,” Nova, vol. 18, no. 33, Feb. 2020, doi: 10.22490/24629448.3701.
Condalab, “Azul de Metileno para tincion de microorganismos,” Nov. 2019. [Online]. Available: www.condalab.com
G. Ramirez, “azul de metileno recuento de plaquetas _camara_neubauer,” 2018.
A. Niculescu, C. Chircov, and A. Grumezescu, “Magnetite nanoparticles: synthesis methods – a comparative review,” Methods, vol. 199, pp. 16–27, Mar. 2022, doi: 10.1016/j.ymeth.2021.04.018.
P. Cisneros, A. Mendoza, and J. Ramos, “Colorimetría mediante fotografía digital para la determinación de azul de metileno: fotodegradación catalizada con TiO2,” ACI Avances en Ciencias e Ingenierías, vol. 10, no. 1, Dec. 2018, doi: 10.18272/aci.v10i1.834.
A. Hakami, S. Wabaidur, and K. Moonis, “Extraction Procedures and Analytical Methods for the Determination of Methylene Blue, Rhodamine B and Crystal Violet - An Overview,” Curr Anal Chem, vol. 17, no. 5, pp. 708–728, Nov. 2020, doi: 10.2174/1573411017999201125203536.
Z. Xuan, H. Yunhua, F. Changling, W. Yuan, H. Feng, and L. Xiaoyi, “Determination of methylene blue and its metabolite residues in aquatic products by high-performance liquid chromatography–Tandem mass spectrometry,” Molecules, vol. 26, no. 16, Aug. 2021, doi: 10.3390/molecules26164975.
J. Creswell, “Mapping the Developing Landscape of Mixed Methods Research,” Semantic Scholar, 2010.
R. Hernandez, C. Fernandez, and P. Baptista, “Metodologia de la investigacion,” Mc Graw Hill, 2014.
J. Calvache, “Lab 1 curva de calibracion,” 2018.
O. Delgado, “Como evaluar la incentidumbre en la medicion .” https://sgc- lab.com/guia-para-estimar-la-incertidumbre-de-la-medicion-hecha-para-personas- normales/ (accessed Jul. 10, 2022).
Precisa, “Operating Instructions Precisa Balances Series XB,” 2018. [Online]. Available: http://www.precisa.com
Marca Sayer, “Esmalte acrilico azul verdoso,” Total market. https://www.totalmarket.com.mx/product/esmalte-acrilico-azul-verdoso/ (accessed Jun. 21, 2022).
Mapada, “Instruction Manual P1,” 2018.
ENAC, “Alcance de acreditacion,” Sep. 2016.
Tzutalin, “Labelimg,” Github. https://github.com/tzutalin/labelImg (accessed Jun. 21, 2022).
J. Huang, v. Rathod, and v. Birodkar, “Object detection/models,” Github. https://github.com/tensorflow/models/tree/master/research/object_detection (accessed Jun. 21, 2022).
E. Blanco, “Transfer Learning en modelos profundos,” Telefonica, Nov. 2019. https://empresas.blogthinkbig.com/transfer-learning-en-modelos-profundos/ (accessed Jun. 21, 2022).
J. Jordan, D. Posada, and D. Zuehlke, “Satellite detection in unresolved space imagery for space domain awareness using neural networks,” Sep. 2022.
W. Liu, A. Dragomir, and E. Dumitru, “SSD: Single shot multibox detector,” Mar. 2022.
H. Bandyopadhyay, “Image Classification Explained [+V7 Tutorial],” V7 LABS, Jun. 20, 2022.
J. Serrano and C. Torres, “Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina,” 2020.
H. Arya, A. Saeed, and S. Anuj, “A deep learning based solution for construction equipment detection: from development to deployment,” Apr. 2019. [Online]. Available: https://www.researchgate.net/publication/332553794
J. Huang, A. fath, and v. rathod, “Speed/accuracy trade-offs for modern convolutional object detectors,” Mar. 2022.
R. Balakrishnan, M. Rajesh, and B. Selvasundari, “Stetro-deep learning powered staircase cleaning and maintenance reconfigurable robot,” Sensors, vol. 21, no. 18, Sep. 2021, doi: 10.3390/s21186279.
M. Sandler and A. Howard, “MobileNetV2: The Next Generation of On-Device Computer Vision Networks,” Google AI blog, Feb. 2018. https://ai.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html (accessed Jun. 25, 2022).
L. Varona and L. Orero, “Parallelization of the training of neural networks in heterogeneous systems,” 2021.
L. Shengyu, W. Beizhan, and W. Hongji, “A real-time object detection algorithm for video,” Computers and Electrical Engineering, vol. 77, pp. 398–408, Jul. 2019, doi: 10.1016/j.compeleceng.2019.05.009.
pramod722445, “Object detection android apps,” GitHub. https://github.com/pramod722445/Custom_Object_Detection_App (accessed Jul. 03, 2022).
ishaanjav, “Methods to implement in the main activity,” 2021. https://gist.github.com/ishaanjav/4fe84d57d1ca4f887fbfe220dfa504c3 (accessed Aug. 31, 2022).
J. Sivianes, “Simulación de espectros y recuperación de los parámetros hiperfinos en espectroscopía Mössbauer,” Sevilla, 2021.
U. Fernandez, “Análisis de capas superficiales ultra delgadas usando la técnica de espectroscopia Mössbauer con incidencia rasante,” Universidad Nacional Mayor de San Marcos, 2021.
L. Martínez, “Facultad de Ciencias determinacion del tamaño de particulas mediante difraccion de rayos X (Determination of particle size by X-ray diffraction),” 2018.
F. Guachun and v. Raposo, “DIseño y calibracion de un magnetometro de muestra vibrante: caracterizacion de materiales magneticos,” Momento, no. 56, pp. 45–62, Jan. 2018, doi: 10.15446/mo.n56.69825.
H. Calderón, “Microscopía electrónica de transmisión para observar átomos: principios y desarrollo,” Mundo Nano. Revista Interdisciplinaria en Nanociencias y Nanotecnología, vol. 13, no. 25, pp. 133–156, Jul. 2020, doi: 10.22201/ceiich.24485691e.2020.25.69649.
R. Carlos, “sintesis y caracterización de nanopartículas deZnO2y su actividad antimicrobiana,” Universidad nacional de ingenieria Lima, Feb. 2013.
Thermo Fisher scientific Inc, “Introduction to Fourier Transform Infrared Spectroscopy Brochure,” 2022.
S. Pallarés, E. Trinidad, A. Martínez, and M. Jordán, “Morphological characterization of indoor airborne particles in seven primary schools,” Int J Environ Res Public Health, vol. 17, no. 9, May 2020, doi: 10.3390/ijerph17093183.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/closedAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_14cb
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv closedAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_14cb
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 91 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/bc4b3a21-be76-47d7-aa77-8d69aab5706c/download
https://repositorio.unibague.edu.co/bitstreams/737e8bf4-52b8-45d5-85c7-593209d56668/download
https://repositorio.unibague.edu.co/bitstreams/061c68fd-f9dd-4448-b061-9d03177273f1/download
https://repositorio.unibague.edu.co/bitstreams/b1e1af9e-2a9c-4f7b-b05b-f73bba9d2748/download
https://repositorio.unibague.edu.co/bitstreams/3b905c67-8d77-4615-93a5-3b0ebb122aad/download
https://repositorio.unibague.edu.co/bitstreams/f5a3d8fb-0134-44cb-b145-f93f3999df3e/download
https://repositorio.unibague.edu.co/bitstreams/97095265-6cf5-4c11-be40-5636dbd3bc67/download
bitstream.checksum.fl_str_mv eb45b45ca6a164f534075d49f0238959
60b3485383a6331bfbe06ccd9526562b
2fa3e590786b9c0f3ceba1b9656b7ac3
0b7ea03c054b3d3706f5a6d6c6fa625b
96511cabeecaf06d02513c32aa7e3508
ef149f3c6309b6afbc81450c458b0209
4143232fa905ba4067b5055458ab69c6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059971849977856
spelling Trujillo Hernández, Juan Sebastiánbb393328-a091-4130-bd5c-3f2f29859cf1-1Salazar Camacho, Natalia Andrea [co-dirección ]fb946e89-adf2-4828-9080-8b47fcf22a7f-1Castro Velásquez, Juan Camilo456467a6-47bf-4f1a-bcf7-8eeab608a42a-1Corrales Quintero, Willintonc63679fc-6c99-4484-b50e-50be83f6f3f1-12025-04-04T13:38:46Z2025-04-04T13:38:46Z2022El objetivo de este trabajo es determinar la concentración del colorante azul de metileno en residuos de laboratorios de análisis químicos mediante una aplicación móvil utilizando algoritmos de inteligencia artificial y proponer un método de degradación del azul de metileno, todo lo anterior en pro de contribuir a la disminución de la contaminación de las fuentes hídricas ocasionada por los residuos del colorante en los laboratorios químicos. La aplicación móvil se realizó en el lenguaje de programación Java haciendo uso de modelos basados en redes neuronales, para esto, se propusieron los modelos: SSD_mobilenet_v1 y SSD_mobilenet_v2. Ambos modelos se entrenaron en un entorno de desarrollo en lenguaje Python, para ello se definió una base de datos de 1200 imágenes, donde se distribuyó el equivalente de 400 imágenes por categorías de concentración, estas imágenes fueron tomadas según un protocolo establecido. Para validar que las categorías que la red neuronal detecta y clasifica correspondan asu respectivo intervalo de niveles de concentración se realizó un análisis de absorbancia de los siguientes niveles de concentración: 1 ppm, 5 ppm, 10 ppm, 15 ppm, 20 ppm y 25 ppm. Las anteriores concentraciones de azul de metileno se prepararon partiendo de una solución madre de 300 ppm; estos niveles se seleccionaron debido a que, presentaron un comportamiento lineal esperado en la curva de calibración al utilizar el instrumento espectrofotómetro. Respecto a la curva de calibración, esta se estableció a partir de una longitud de onda de 650 nm, puesto que a este valor se detecta la tonalidad del colorante azul de metileno. Para la degradación del colorante se propuso un método que emplea nanopartículas de magnetita (Fe3O4 ) preparadas a través del método químico de descomposición térmica. Adicional a esto, se caracterizaron las nanopartículas de magnetita (Fe3O4) mediante las técnicas: espectroscopia Mössbauer (MS), difracción de rayos X (DRX), magnetometría de muestra vibrante (VSM), microscopía electrónica de transmisión (TEM) y mediciones de espectroscopia infrarroja-transformada de Fourier (FTIR).The objective of this work is to determine the concentration of methylene blue dye in chemical analysis laboratory waste by means of a mobile application using artificial intelligence algorithms and to propose a method for the degradation of methylene blue, all of the above in order to contribute to the reduction of contamination of water sources caused by the waste of the dye in chemical laboratories. The mobile application was developed in Java programming language using models based on neural networks, for this, the following models were proposed: SSD_mobilenet_v1 and SSD_mobilenet_v2. Both models were trained in a development environment in Python language, for this purpose a database of 1200 images was defined, where the equivalent of 400 images were distributed by concentration categories, these images were taken according to an established protocol. To validate that the categories detected and classified by the neural network correspond to their respective range of concentration levels, an absorbance analysis was performed for the following concentration levels: 1 ppm, 5 ppm, 10 ppm, 15 ppm, 20 ppm and 25 ppm. The above concentrations of methylene blue were prepared starting from a stock solution of 300 ppm; these levels were selected because they presented an expected linear behavior in the calibration curve when using the spectrophotometer instrument. Regarding the calibration curve, this was established starting at a wavelength of 650 nm, since at this value the tonality of the methylene blue dye is detected. For the degradation of the dye, a method using magnetite nanoparticles (Fe3O4) prepared through the chemical method of thermal decomposition was proposed. In addition to this, magnetite nanoparticles (Fe3O4) were characterized using the techniques: Mössbauer spectroscopy (MS), X-ray diffraction (XRD), vibrating sample magnetometry (VSM), transmission electron microscopy (TEM) and Fourier transform infrared spectroscopy (FTIR) measurements.PregradoIngeniero ElectrónicoCapítulo 1.....1 1.1 Introducción.....1 1.2 Descripción del problema y justificación.....1 1.3 Estado del arte.....2 1.4 Objetivos.....4 1.4.1 General.....4 1.4.2 Específicos.....4 1.5 Pregunta de investigación.....5 1.6 Trazos metodológicos.....5 Capítulo 2: Soluciones de azul de metileno.....9 2.1 Metodología.....9 2.1.1 Preparación de las soluciones.....9 2.1.2 Validación de los niveles de concentración.....15 2.2 Resultados y análisis de resultados.....18 2.3 Conclusión.....20 Capítulo 3: Algoritmos de entrenamiento y modelos pre entrenados.....21 3.1 Metodología.....21 3.1.1 Creación de la base de datos.....21 3.1.1.2 Protocolo de adquisición de imágenes.....21 3.1.1.3 Organización de las carpetas por categorías.....22 3.1.1.4 Distribución de las carpetas de categorías en las carpetas de entrenamiento (train) y autoevaluación (test).....23 3.1.1.5 Clasificación de las imágenes ubicadas en las carpetas de entrenamiento (train) y autoevaluación (test).....24 3.1.1.6 Conversión de los archivos XML a CSV.....25 3.1.2 Entrenamiento supervisado.....26 3.1.2.1 Generación de archivos TFrecord.....26 3.1.2.2 Modelos pre entrenados.....29 3.1.2.3 Entrenamiento modelo SSD_mobilenet_v1.....30 3.1.2.4 Entrenamiento modelo SSD_mobilenet_v2.....35 3.1.2.5 Validación de los modelos entrenados y elección del modelo a implementar en la aplicación móvil.....38 3.2 Resultados de validación del modelo SSD_mobilenet_v1.....40 3.2.1 Resultados de validación del modelo SSD_mobilenet_v2.....41 3.2.2 Análisis de los resultados de validación.....43 3.3 Conclusión.....44 Capítulo 4: Desarrollo de la aplicación móvil.....45 4.1 Metodología.....45 4.1.1 Exportación del archivo tflite a partir del modelo entrenado.....45 4.1.2 importación del archivo tflite y creación de la actividad principal (clase) en el entorno de desarrollo Android Studio.....46 4.1.3 implementación de los métodos (creación de la actividad principal).....47 4.2 Resultados de la detección de categorías mediante la aplicación móvil.....50 4.3 Conclusión.....52 Capítulo 5: Preparación y caracterización de nanopartículas demagnetita.....53 5.1 Metodología.....53 5.1.1 Preparación de las nanopartículas de magnetita (Fe3O4).....53 5.1.2 Caracterización de las nanopartículas de magnetita (Fe3O4).....54 5.1.2.1 Espectroscopia Mössbauer (MS)[39,40].....54 ▪ Interacción monopolar eléctrica.....54 ▪ Interacción cuadrupolar eléctrica.....55 ▪ Interacción magnética.....57 ▪ Espectroscopia Mössbauer.....58 5.1.2.2 Difracción de rayos X (DRX)[41].....59 5.1.2.3 Magnetometría de muestra vibrante (VSM)[42].....60 5.1.2.4 Microscopia electrónica de transmisión (TEM)[43,44].....61 5.1.2.5 Espectroscopia infrarroja-transformada de Fourier (FTIR)[45].....61 5.2 Resultados y análisis.....63 5.2.1 Resultados espectroscopia Mössbauer (MS).....63 5.2.2 Resultados de Difracción de rayos X (DRX).....63 5.2.3 Resultados de la Magnetometría de muestra vibrante (VSM).....64 5.2.4 Resultados de Microscopia electrónica de transmisión (TEM).....65 5.2.5 Resultados de Espectroscopia infrarroja-transformada de Fourier (FTIR).....65 5.3 Conclusión.....66 6. Conclusiones.....67 7. Recomendaciones.....68 8. Referencias bibliográficas.....6991 páginasapplication/pdfCastro Velásquez, J. C. & Corrales Quintero, W. (2022). Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicos. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4964https://hdl.handle.net/20.500.12313/4964spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaY. Li, C. Siedler, Y. Kinkel, M. Glatt, P. Kölsch, and J. Aurich, “Object detection in factory based on deep learning approach,” in Procedia CIRP, 2021, vol. 104, pp. 1029–1034. doi: 10.1016/j.procir.2021.11.173.Z. Zhong-Qiu, Z. Peng, X. Shou-Tao, and W. Xindong, “Object detection with deep learning: a review,” IEEE, Apr. 2019.L. Wenmei, L. Haiyan, and W. Yu, “Deep Learning-Based Classification Methods for Remote Sensing Images in Urban Built-Up Areas,” IEEE Access, vol. 7, pp. 36274–36284, 2019, doi: 10.1109/ACCESS.2019.2903127.K. Jihyeok, A. Reinald, and L. Kyungjae, “Categorical Metadata Representation for Customized Text Classification,” 2022, doi: 10.1162/tacl_a_00263/1923047/tacl_a_00263.pdf.Z. Zhengxia, S. Zhenwei, and G. Yuhong, “Object detection in 20 years: a survey,” IEEE, Mar. 2022.G. Chandan, J. Ayush, and J. Harsh, “Real time object detection and tracking using deep learning and openCV,” in Proceedings of the International Conference on Inventive Research in Computing Applications, ICIRCA 2018, Dec. 2018, pp. 1305– 1308. doi: 10.1109/ICIRCA.2018.8597266.Z. Lanyong, L. Chengyu, and S. Hongfang, “Object detection/tracking toward underwater photographs by remotely operated vehicles (ROVs),” Future Generation Computer Systems, vol. 126, pp. 163–168, Jan. 2022, doi: 10.1016/j.future.2021.07.011.S. Parveen and J. Shah, “Third international conference on intelligent communication technologies and virtual mobile networks (ICICV),” in A Motion Detection System in Python and Opencv, 2021, pp. 1378–1382.L. Corrales and L. Caycedo, “Principios físicoquímicos de los colorantes utilizados en microbiología,” Nova, vol. 18, no. 33, Feb. 2020, doi: 10.22490/24629448.3701.Condalab, “Azul de Metileno para tincion de microorganismos,” Nov. 2019. [Online]. Available: www.condalab.comG. Ramirez, “azul de metileno recuento de plaquetas _camara_neubauer,” 2018.A. Niculescu, C. Chircov, and A. Grumezescu, “Magnetite nanoparticles: synthesis methods – a comparative review,” Methods, vol. 199, pp. 16–27, Mar. 2022, doi: 10.1016/j.ymeth.2021.04.018.P. Cisneros, A. Mendoza, and J. Ramos, “Colorimetría mediante fotografía digital para la determinación de azul de metileno: fotodegradación catalizada con TiO2,” ACI Avances en Ciencias e Ingenierías, vol. 10, no. 1, Dec. 2018, doi: 10.18272/aci.v10i1.834.A. Hakami, S. Wabaidur, and K. Moonis, “Extraction Procedures and Analytical Methods for the Determination of Methylene Blue, Rhodamine B and Crystal Violet - An Overview,” Curr Anal Chem, vol. 17, no. 5, pp. 708–728, Nov. 2020, doi: 10.2174/1573411017999201125203536.Z. Xuan, H. Yunhua, F. Changling, W. Yuan, H. Feng, and L. Xiaoyi, “Determination of methylene blue and its metabolite residues in aquatic products by high-performance liquid chromatography–Tandem mass spectrometry,” Molecules, vol. 26, no. 16, Aug. 2021, doi: 10.3390/molecules26164975.J. Creswell, “Mapping the Developing Landscape of Mixed Methods Research,” Semantic Scholar, 2010.R. Hernandez, C. Fernandez, and P. Baptista, “Metodologia de la investigacion,” Mc Graw Hill, 2014.J. Calvache, “Lab 1 curva de calibracion,” 2018.O. Delgado, “Como evaluar la incentidumbre en la medicion .” https://sgc- lab.com/guia-para-estimar-la-incertidumbre-de-la-medicion-hecha-para-personas- normales/ (accessed Jul. 10, 2022).Precisa, “Operating Instructions Precisa Balances Series XB,” 2018. [Online]. Available: http://www.precisa.comMarca Sayer, “Esmalte acrilico azul verdoso,” Total market. https://www.totalmarket.com.mx/product/esmalte-acrilico-azul-verdoso/ (accessed Jun. 21, 2022).Mapada, “Instruction Manual P1,” 2018.ENAC, “Alcance de acreditacion,” Sep. 2016.Tzutalin, “Labelimg,” Github. https://github.com/tzutalin/labelImg (accessed Jun. 21, 2022).J. Huang, v. Rathod, and v. Birodkar, “Object detection/models,” Github. https://github.com/tensorflow/models/tree/master/research/object_detection (accessed Jun. 21, 2022).E. Blanco, “Transfer Learning en modelos profundos,” Telefonica, Nov. 2019. https://empresas.blogthinkbig.com/transfer-learning-en-modelos-profundos/ (accessed Jun. 21, 2022).J. Jordan, D. Posada, and D. Zuehlke, “Satellite detection in unresolved space imagery for space domain awareness using neural networks,” Sep. 2022.W. Liu, A. Dragomir, and E. Dumitru, “SSD: Single shot multibox detector,” Mar. 2022.H. Bandyopadhyay, “Image Classification Explained [+V7 Tutorial],” V7 LABS, Jun. 20, 2022.J. Serrano and C. Torres, “Prototipo de aplicación móvil para la identificación de mazorcas de cacao enfermas haciendo uso de visión por computadora y aprendizaje de máquina,” 2020.H. Arya, A. Saeed, and S. Anuj, “A deep learning based solution for construction equipment detection: from development to deployment,” Apr. 2019. [Online]. Available: https://www.researchgate.net/publication/332553794J. Huang, A. fath, and v. rathod, “Speed/accuracy trade-offs for modern convolutional object detectors,” Mar. 2022.R. Balakrishnan, M. Rajesh, and B. Selvasundari, “Stetro-deep learning powered staircase cleaning and maintenance reconfigurable robot,” Sensors, vol. 21, no. 18, Sep. 2021, doi: 10.3390/s21186279.M. Sandler and A. Howard, “MobileNetV2: The Next Generation of On-Device Computer Vision Networks,” Google AI blog, Feb. 2018. https://ai.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html (accessed Jun. 25, 2022).L. Varona and L. Orero, “Parallelization of the training of neural networks in heterogeneous systems,” 2021.L. Shengyu, W. Beizhan, and W. Hongji, “A real-time object detection algorithm for video,” Computers and Electrical Engineering, vol. 77, pp. 398–408, Jul. 2019, doi: 10.1016/j.compeleceng.2019.05.009.pramod722445, “Object detection android apps,” GitHub. https://github.com/pramod722445/Custom_Object_Detection_App (accessed Jul. 03, 2022).ishaanjav, “Methods to implement in the main activity,” 2021. https://gist.github.com/ishaanjav/4fe84d57d1ca4f887fbfe220dfa504c3 (accessed Aug. 31, 2022).J. Sivianes, “Simulación de espectros y recuperación de los parámetros hiperfinos en espectroscopía Mössbauer,” Sevilla, 2021.U. Fernandez, “Análisis de capas superficiales ultra delgadas usando la técnica de espectroscopia Mössbauer con incidencia rasante,” Universidad Nacional Mayor de San Marcos, 2021.L. Martínez, “Facultad de Ciencias determinacion del tamaño de particulas mediante difraccion de rayos X (Determination of particle size by X-ray diffraction),” 2018.F. Guachun and v. Raposo, “DIseño y calibracion de un magnetometro de muestra vibrante: caracterizacion de materiales magneticos,” Momento, no. 56, pp. 45–62, Jan. 2018, doi: 10.15446/mo.n56.69825.H. Calderón, “Microscopía electrónica de transmisión para observar átomos: principios y desarrollo,” Mundo Nano. Revista Interdisciplinaria en Nanociencias y Nanotecnología, vol. 13, no. 25, pp. 133–156, Jul. 2020, doi: 10.22201/ceiich.24485691e.2020.25.69649.R. Carlos, “sintesis y caracterización de nanopartículas deZnO2y su actividad antimicrobiana,” Universidad nacional de ingenieria Lima, Feb. 2013.Thermo Fisher scientific Inc, “Introduction to Fourier Transform Infrared Spectroscopy Brochure,” 2022.S. Pallarés, E. Trinidad, A. Martínez, and M. Jordán, “Morphological characterization of indoor airborne particles in seven primary schools,” Int J Environ Res Public Health, vol. 17, no. 9, May 2020, doi: 10.3390/ijerph17093183.info:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Concentración del azul de metileno - Aplicación móvil de inteligencia artificialAzul de metíleno - Método químico - DeterminaciónCategoríasInteligencia artificialConcentraciónAplicación móvilNano partículasMagnetita (Fe3O4)CategoriesArtificial intelligenceConcentrationMobile applicationNanoparticlesMagnetiteMagnetite (Fe3O4)Propuesta de una aplicación móvil para la determinación de la concentración del azul de metileno mediante algoritmos de inteligencia artificial y su degradación a partir de un método químico en residuos acuosos de laboratorios de análisis químicosTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf3918545https://repositorio.unibague.edu.co/bitstreams/bc4b3a21-be76-47d7-aa77-8d69aab5706c/downloadeb45b45ca6a164f534075d49f0238959MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf459134https://repositorio.unibague.edu.co/bitstreams/737e8bf4-52b8-45d5-85c7-593209d56668/download60b3485383a6331bfbe06ccd9526562bMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/061c68fd-f9dd-4448-b061-9d03177273f1/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain103123https://repositorio.unibague.edu.co/bitstreams/b1e1af9e-2a9c-4f7b-b05b-f73bba9d2748/download0b7ea03c054b3d3706f5a6d6c6fa625bMD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3705https://repositorio.unibague.edu.co/bitstreams/3b905c67-8d77-4615-93a5-3b0ebb122aad/download96511cabeecaf06d02513c32aa7e3508MD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg9570https://repositorio.unibague.edu.co/bitstreams/f5a3d8fb-0134-44cb-b145-f93f3999df3e/downloadef149f3c6309b6afbc81450c458b0209MD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg23430https://repositorio.unibague.edu.co/bitstreams/97095265-6cf5-4c11-be40-5636dbd3bc67/download4143232fa905ba4067b5055458ab69c6MD51220.500.12313/4964oai:repositorio.unibague.edu.co:20.500.12313/49642025-08-13 01:08:24.168https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares