Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales
El estudio de la dureza de los materiales es fundamental para determinar su calidad, posibles fallos, usos y minimizar las pérdidas generadas durante el proceso de producción. Para ello deben cumplirse algunos criterios y asegurar una alta calidad. Por lo tanto, en este trabajo se presenta un nuevo...
- Autores:
-
Buitrago Diaz, Juan Camilo
- 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:20.500.12313/4850
- Acceso en línea:
- https://hdl.handle.net/20.500.12313/4850
- Palabra clave:
- Redes neuronales convolucionales
Huella de identación
Condicines de Acero D2 - Clasificación
Redes neuronales convolucionales
Transfer learning
Dureza vickers
Recubrimiento
Acero D2
Convolutional neural networks
Transfer learning
Vickers hardness
Coating
D2 Steel
- Rights
- openAccess
- License
- http://purl.org/coar/access_right/c_abf2
| id |
UNIBAGUE2_ccf81bfc4db17feb03a61a16e75111ba |
|---|---|
| oai_identifier_str |
oai:repositorio.unibague.edu.co:20.500.12313/4850 |
| network_acronym_str |
UNIBAGUE2 |
| network_name_str |
Repositorio Universidad de Ibagué |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| title |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| spellingShingle |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales Redes neuronales convolucionales Huella de identación Condicines de Acero D2 - Clasificación Redes neuronales convolucionales Transfer learning Dureza vickers Recubrimiento Acero D2 Convolutional neural networks Transfer learning Vickers hardness Coating D2 Steel |
| title_short |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| title_full |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| title_fullStr |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| title_full_unstemmed |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| title_sort |
Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales |
| dc.creator.fl_str_mv |
Buitrago Diaz, Juan Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Piamba Jiménez, Jeferson Fernando Mambuscay Lozano, Claudia Lorena |
| dc.contributor.author.none.fl_str_mv |
Buitrago Diaz, Juan Camilo |
| dc.subject.armarc.none.fl_str_mv |
Redes neuronales convolucionales Huella de identación Condicines de Acero D2 - Clasificación |
| topic |
Redes neuronales convolucionales Huella de identación Condicines de Acero D2 - Clasificación Redes neuronales convolucionales Transfer learning Dureza vickers Recubrimiento Acero D2 Convolutional neural networks Transfer learning Vickers hardness Coating D2 Steel |
| dc.subject.proposal.spa.fl_str_mv |
Redes neuronales convolucionales Transfer learning Dureza vickers Recubrimiento Acero D2 |
| dc.subject.proposal.eng.fl_str_mv |
Convolutional neural networks Transfer learning Vickers hardness Coating D2 Steel |
| description |
El estudio de la dureza de los materiales es fundamental para determinar su calidad, posibles fallos, usos y minimizar las pérdidas generadas durante el proceso de producción. Para ello deben cumplirse algunos criterios y asegurar una alta calidad. Por lo tanto, en este trabajo se presenta un nuevo método para la clasificación de aceros D2 mediante dos arquitecturas de redes neuronales convolucionales (CNN). La primera corresponde a un clasificador de imágenes que fue usado para identificar 3 diferentes condiciones a las que se encontraban los aceros, las cuales fueron tipo comercial, tratado térmicamente y con recubrimiento de TiNbN. La segunda, mediante la implementación de una arquitectura propia permitió detectar las esquinas de la huella de indentación, medir las diagonales y calcular el valor de dureza Vickers, obteniendo una exactitud de 92 % en la detección de las esquinas y un error relativo porcentual de 3.91 % en el resultado de la dureza al compararlo con el obtenido manualmente. Para esta implementación se utilizó una arquitectura CNN YOLO v3 conectada a una red densa Darknet-53 empleada usualmente para transfer learning para obtener una exactitud del 94 %. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2025-03-17T20:04:44Z |
| dc.date.available.none.fl_str_mv |
2025-03-17T20:04:44Z |
| 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 |
Buitrago Días, J.C.(2022).Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4850 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12313/4850 |
| identifier_str_mv |
Buitrago Días, J.C.(2022).Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4850 |
| url |
https://hdl.handle.net/20.500.12313/4850 |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
N. Khatavkar, S. Swetlana, and A. K. Singh, “Accelerated prediction of Vickers hardness of Co- and Ni-based superalloys from microstructure and composition using advanced image processing techniques and machine learning,” Acta Mater., vol. 196, pp. 295–303, Sep. 2020, doi: 10.1016/j.actamat.2020.06.042. “Standard Test Methods for Vickers Hardness and Knoop Hardness of Metallic Materials.” https://www.astm.org/e0092-17.html (accessed Jun. 01, 2022). A. A. Sikander and H. Ali, “Image Classification using CNN for Traffic Signs in Pakistan,” Feb. 2021. D. E. Castillo Gutiérrez, I. I. Angarita Moncaleano, and R. Rodríguez Baracaldo, “Caracterización microestructural y mecánica de aceros de fase dual (ferrita- martensita), obtenidos mediante procesos térmicos y termomecánicos,” Ingeniare. Rev. Chil. Ing., vol. 26, no. 3, 2018, doi: 10.4067/S0718-33052018000300430. W. Arenas and O. Martínez, “Optimización de la rugosidad y la dureza del acero 12l- 14 empleando la metodología de superficie de respuesta,” Ing. Ind., no. 037, Nov. 2019, doi: 10.26439/ing.ind2019.n037.4546. S. Swetlana, N. Khatavkar, and A. K. Singh, “Development of Vickers hardness prediction models via microstructural analysis and machine learning,” J. Mater. Sci., vol. 55, no. 33, pp. 15845–15856, Nov. 2020, doi: 10.1007/s10853-020-05153-w. hdwehle, “Machine Learning, Deep Learning and AI: What’s the Difference ?,” ReseachGate, pp. 2–4, 2017. Е. Агеев, E. Ageev, С. Хардиков, and S. Khardikov, “Processing of Graphic Information in the Study of the Microhardness ofthe Sintered Sample of Chromium- containing Waste,” in GraphiCon’2019 Proceedings. Volume 2, Nov. 2019, pp. 252– 255. doi: 10.30987/graphicon-2019-2-252-255. M. Koch and U. Ebersbach, “Experimental study of chromium pvd coatings on brass substrates for the watch industry,” Surf. Eng., vol. 13, no. 2, Jan. 1997, doi: 10.1179/sur.1997.13.2.157. R. A. Salinas Perilla, “D iseño de un prototipo de laboratorio de dureza dedicado a la calibrac ión de durómetros, por métodos Rockwell, Brinell, Vickers y S hore: r eporte de las actividades realizadas en la pasantía de investigació,” Universidad D istrital F rancisco José de C aldas, Bogotá, 2021. Y. Tanaka, Y. Seino, and K. Hattori, “Automated Vickers hardness measurement using convolutional neural networks,” Int. J. Adv. Manuf. Technol., vol. 109, no. 5–6, Jul. 2020, doi: 10.1007/s00170-020-05746-4. O. I. Abiodun, A. Jantan, A. E. Omolara, K. V. Dada, N. A. Mohamed, and H. Arshad, “State-of-the-art in artificial neural network applications: A survey,” Heliyon, vol. 4, no. 11, p. e00938, Nov. 2018, doi: 10.1016/j.heliyon.2018.e00938. G. Satat, M. Tancik, O. Gupta, B. Heshmat, and R. Raskar, “Object classification through scattering media with deep learning on time resolved measurement,” Opt. Express, vol. 25, no. 15, Jul. 2017, doi: 10.1364/OE.25.017466. J. E. Salazar Guerrero, “Implementación de un prototipo de sistema autónomo de visión artificial para la detección de objetos en video utilizando técnicas de aprendizaje profundo,” Universidad De Las Fuerzas Armadas (ESPE), Sangolquí, 2019. M. D. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks,” 2014, pp. 818–833. doi: 10.1007/978-3-319-10590-1_53. S. M. Dominguez-Nicolas and P. Wiederhold, “Indentation Image Analysis for Vickers Hardness Testing,” in 2018 15th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE), Sep. 2018, pp. 1–6. doi: 10.1109/ICEEE.2018.8533881. Buehler, “Pruebas de dureza Vickers,” 2021. https://www.buehler.com/es/blog/pruebas-de-dureza-vickers/ E. S. Barrientos Mogollon and S. A. Mamani Mamani, “Modelos de aprendizaje supervisado como apoyo a la toma de decisiones en las organizaciones basados en datos de redes sociales: Una revisión sistemática de la literatura.,” UNIVERSIDAD PERUANA UNIÓN, Lima, 2019. M. J. Moya Gutiérrez, “Aprendizaje no supervisado en el perfilamiento de clientes para profit scoring Caso de estudio de una Fintech Latinoamericana,” Universidad de los Andes, Bogotá, 2020. Á. A. Moreno, “Clasificación de imágenes usando redes neuronales convolucionales en Python,” Escuela Técnica Superior de Ingeniería Universidad de Sevilla, Sevilla, 2019. A. V. Solsona, “Facial Expression Detection using Convolutional Neural Networks,” Universidad politécnica de catalunya, Catalunya, 2018. D. Peralta, A. Herrera Poyatos, and F. Herrera, “Un Estudio sobre el Preprocesamiento para Redes Neuronales Profundas y Aplicaci ́on sobre Reconocimiento de D ́ıgitos Manuscritos,” Researchgate, 2016. J. C. R. Whittington and R. Bogacz, “Theories of Error Back-Propagation in the Brain,” Trends Cogn. Sci., vol. 23, no. 3, pp. 235–250, Mar. 2019, doi: 10.1016/j.tics.2018.12.005. J. C. R. Whittington and R. Bogacz, “Theories of Error Back-Propagation in the Brain,” Trends Cogn. Sci., vol. 23, no. 3, pp. 235–250, Mar. 2019, doi: 10.1016/j.tics.2018.12.005. A. S. González, “Estudio comparativo de modelos de clasificación automática de señales de tráfico,” Universidad Publica de Navarra, Navarra, 2020. C. A. Cortés, “HERRAMIENTAS MODERNAS EN REDES NEURONALES: LA LIBRER ́IA KERAS,” Universidad Autónoma de Madrid, Madrid, 2017. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” arXiv, 2016. P. Adarsh, P. Rathi, and M. Kumar, “YOLO v3-Tiny: Object Detection and Recognition using one stage improved model,” in 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), Mar. 2020, pp. 687–694. doi: 10.1109/ICACCS48705.2020.9074315. D. Wang et al., “Daedalus: Breaking Non-Maximum Suppression in Object Detection via Adversarial Examples,” Feb. 2019. R. R. D. Saúl, “Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning,” Universidad De Valladolid, Valladolid, 2021. A. Kathuria, “What’s new in YOLO v3?,” Towards Data Science, 2018. J. Hui, “Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3,” Medium, 2018. Sánchez Pozo J. J., “Detección y Segmentación en Placas de Rayos X de Pinturas utilizando IA,” Universidad de Sevilla, Sevilla, 2022. K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Dec. 2015. J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” arXiv, 2018. K. Weiss, T. M. Khoshgoftaar, and D. Wang, “A survey of transfer learning,” J. Big Data, vol. 3, no. 1, p. 9, Dec. 2016, doi: 10.1186/s40537-016-0043-6. M. Hussain, J. J. Bird, and D. R. Faria, “A Study on CNN Transfer Learning for Image Classification,” 2019, pp. 191–202. doi: 10.1007/978-3-319-97982-3_16. L. Tan, T. Huangfu, L. Wu, and W. Chen, “Comparison of RetinaNet, SSD, and YOLO v3 for real-time pill identification,” BMC Med. Inform. Decis. Mak., vol. 21, no. 1, p. 324, Dec. 2021, doi: 10.1186/s12911-021-01691-8. L. Velasco, “Optimizadores en redes neuronales profundas: un enfoque práctico,” medium.com, Apr. 26, 2020. “GitHub - tzutalin/labelImg: LabelImg is a graphical image annotation tool and label object bounding boxes in images.” https://github.com/tzutalin/labelImg (accessed May 13, 2022). “Algoritmo de optimizador común (Adam SGD) - programador clic.” https://programmerclick.com/article/1375926681/ (accessed Jun. 06, 2022). A. D. Moore, “Python GUI Programming with Tkinter : Develop responsive and powerful GUI applications with Tkinter.,” p. 442, 2018. |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| 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 |
openAccess |
| rights_invalid_str_mv |
http://purl.org/coar/access_right/c_abf2 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 |
72 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/91e208dd-b515-4e19-9f52-692cb53f4010/download https://repositorio.unibague.edu.co/bitstreams/94230da3-709c-4c04-a963-89775e370561/download https://repositorio.unibague.edu.co/bitstreams/87c01306-eb82-4d1d-8c06-261128af0a26/download https://repositorio.unibague.edu.co/bitstreams/73bd4b9a-a09d-4c57-8da5-2f8052ca3b74/download https://repositorio.unibague.edu.co/bitstreams/cf022aaf-bfda-42ef-a02c-7f6f5945bd28/download https://repositorio.unibague.edu.co/bitstreams/d5cd1878-45e0-4954-b796-dbbfde6e6d4c/download https://repositorio.unibague.edu.co/bitstreams/6e54ef02-a85a-4fbd-a17f-88302c1bc86d/download |
| bitstream.checksum.fl_str_mv |
0d29830e9dcb78442a581a75f4665a39 5ffae65e06588a4ceb6711456eb597c9 2fa3e590786b9c0f3ceba1b9656b7ac3 874b436ea2d5c27a222cb501e02c2075 88926e08ca7a76699c931ef5d90e19dd f4fd8627203a204fb7654355155786ac e9e29b481cf2dea4ee545a05bc1542a4 |
| 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_ |
1851059972132044800 |
| spelling |
Piamba Jiménez, Jeferson Fernando396dcfdd-4c95-48f4-9b84-44f27948e17c-1Mambuscay Lozano, Claudia Lorena9fe189a9-1c36-483d-b437-5feb3e425554-1Buitrago Diaz, Juan Camilo8d262595-b769-4db0-861f-058be86f73e9-12025-03-17T20:04:44Z2025-03-17T20:04:44Z2022El estudio de la dureza de los materiales es fundamental para determinar su calidad, posibles fallos, usos y minimizar las pérdidas generadas durante el proceso de producción. Para ello deben cumplirse algunos criterios y asegurar una alta calidad. Por lo tanto, en este trabajo se presenta un nuevo método para la clasificación de aceros D2 mediante dos arquitecturas de redes neuronales convolucionales (CNN). La primera corresponde a un clasificador de imágenes que fue usado para identificar 3 diferentes condiciones a las que se encontraban los aceros, las cuales fueron tipo comercial, tratado térmicamente y con recubrimiento de TiNbN. La segunda, mediante la implementación de una arquitectura propia permitió detectar las esquinas de la huella de indentación, medir las diagonales y calcular el valor de dureza Vickers, obteniendo una exactitud de 92 % en la detección de las esquinas y un error relativo porcentual de 3.91 % en el resultado de la dureza al compararlo con el obtenido manualmente. Para esta implementación se utilizó una arquitectura CNN YOLO v3 conectada a una red densa Darknet-53 empleada usualmente para transfer learning para obtener una exactitud del 94 %.The study of the hardness of materials is essential to determine their quality, possible failures, uses and minimize the losses generated during the production process. For this, certain criteria must be met and high quality ensured. Therefore, in this work a new method for the classification of D2 steels is presented using two convolutional neural network (CNN) architectures. The first corresponds to an image classifier that was used to identify 3 different conditions of the steels, which were commercial type, heat treated and TiNbN coated. The second, through the implementation of its own architecture, allowed detecting the corners of the indentation mark, measuring the diagonals and calculating the Vickers hardness value, obtaining an accuracy of 92% in the detection of the corners and a percentage relative error of 3.91% in the hardness result when compared to the one obtained manually. For this implementation, a CNN YOLO v3 architecture connected to a dense Darknet-53 network usually used for transfer learning was used to obtain an accuracy of 94%.PregradoIngeniero ElectrónicoResumen.....5 Lista de figuras..... 8 Lista de ecuaciones.....10 Lista de tablas.....12 Introducción.....1 1 Planteamiento del problema.....2 1.1 Justificación.....4 1.2 Estado del arte.....5 2. Objetivos.....7 2.1 Objetivo general.....7 2.2 Objetivos específicos.....7 3. Marco teórico.....8 3.1.1 Ensayo de dureza.....8 3.1.2 Ensayo de dureza Vickers.....8 3.2 Aprendizaje de máquina.....9 3.2.1 Redes neuronales.....10 3.2.2 Deep learning.....13 3.2.3 Redes neuronales convolucionales.....14 3.2.4 Red neuronal convolucional YOLO v3.....17 3.2.5 Transfer learning.....26 4. Metodología.....27 4.1.0 Implementación de arquitecturas.....27 4.1.1 Clasificador usando arquitectura propia.....29 4.1.2 Clasificador mediante transfer learning.....33 5. Resultados.....39 5.1.0 Clasificación de materiales.....39 5.1.1 Clasificador con arquitectura propia.....40 5.1.2 Clasificador usando transfer learning.....42 5.1.3 Interfaz gráfica.....46 5.2 Comparación de resultados de ambas arquitecturas.....48 6. Conclusiones y recomendaciones.....49 6.1 Conclusiones.....49 6.2 Recomendaciones.....50 7. Referencias bibliográficas.....5172 páginasapplication/pdfBuitrago Días, J.C.(2022).Clasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionales. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4850https://hdl.handle.net/20.500.12313/4850spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaN. Khatavkar, S. Swetlana, and A. K. Singh, “Accelerated prediction of Vickers hardness of Co- and Ni-based superalloys from microstructure and composition using advanced image processing techniques and machine learning,” Acta Mater., vol. 196, pp. 295–303, Sep. 2020, doi: 10.1016/j.actamat.2020.06.042.“Standard Test Methods for Vickers Hardness and Knoop Hardness of Metallic Materials.” https://www.astm.org/e0092-17.html (accessed Jun. 01, 2022).A. A. Sikander and H. Ali, “Image Classification using CNN for Traffic Signs in Pakistan,” Feb. 2021.D. E. Castillo Gutiérrez, I. I. Angarita Moncaleano, and R. Rodríguez Baracaldo, “Caracterización microestructural y mecánica de aceros de fase dual (ferrita- martensita), obtenidos mediante procesos térmicos y termomecánicos,” Ingeniare. Rev. Chil. Ing., vol. 26, no. 3, 2018, doi: 10.4067/S0718-33052018000300430.W. Arenas and O. Martínez, “Optimización de la rugosidad y la dureza del acero 12l- 14 empleando la metodología de superficie de respuesta,” Ing. Ind., no. 037, Nov. 2019, doi: 10.26439/ing.ind2019.n037.4546.S. Swetlana, N. Khatavkar, and A. K. Singh, “Development of Vickers hardness prediction models via microstructural analysis and machine learning,” J. Mater. Sci., vol. 55, no. 33, pp. 15845–15856, Nov. 2020, doi: 10.1007/s10853-020-05153-w.hdwehle, “Machine Learning, Deep Learning and AI: What’s the Difference ?,” ReseachGate, pp. 2–4, 2017.Е. Агеев, E. Ageev, С. Хардиков, and S. Khardikov, “Processing of Graphic Information in the Study of the Microhardness ofthe Sintered Sample of Chromium- containing Waste,” in GraphiCon’2019 Proceedings. Volume 2, Nov. 2019, pp. 252– 255. doi: 10.30987/graphicon-2019-2-252-255.M. Koch and U. Ebersbach, “Experimental study of chromium pvd coatings on brass substrates for the watch industry,” Surf. Eng., vol. 13, no. 2, Jan. 1997, doi: 10.1179/sur.1997.13.2.157.R. A. Salinas Perilla, “D iseño de un prototipo de laboratorio de dureza dedicado a la calibrac ión de durómetros, por métodos Rockwell, Brinell, Vickers y S hore: r eporte de las actividades realizadas en la pasantía de investigació,” Universidad D istrital F rancisco José de C aldas, Bogotá, 2021.Y. Tanaka, Y. Seino, and K. Hattori, “Automated Vickers hardness measurement using convolutional neural networks,” Int. J. Adv. Manuf. Technol., vol. 109, no. 5–6, Jul. 2020, doi: 10.1007/s00170-020-05746-4.O. I. Abiodun, A. Jantan, A. E. Omolara, K. V. Dada, N. A. Mohamed, and H. Arshad, “State-of-the-art in artificial neural network applications: A survey,” Heliyon, vol. 4, no. 11, p. e00938, Nov. 2018, doi: 10.1016/j.heliyon.2018.e00938.G. Satat, M. Tancik, O. Gupta, B. Heshmat, and R. Raskar, “Object classification through scattering media with deep learning on time resolved measurement,” Opt. Express, vol. 25, no. 15, Jul. 2017, doi: 10.1364/OE.25.017466.J. E. Salazar Guerrero, “Implementación de un prototipo de sistema autónomo de visión artificial para la detección de objetos en video utilizando técnicas de aprendizaje profundo,” Universidad De Las Fuerzas Armadas (ESPE), Sangolquí, 2019.M. D. Zeiler and R. Fergus, “Visualizing and Understanding Convolutional Networks,” 2014, pp. 818–833. doi: 10.1007/978-3-319-10590-1_53.S. M. Dominguez-Nicolas and P. Wiederhold, “Indentation Image Analysis for Vickers Hardness Testing,” in 2018 15th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE), Sep. 2018, pp. 1–6. doi: 10.1109/ICEEE.2018.8533881.Buehler, “Pruebas de dureza Vickers,” 2021. https://www.buehler.com/es/blog/pruebas-de-dureza-vickers/E. S. Barrientos Mogollon and S. A. Mamani Mamani, “Modelos de aprendizaje supervisado como apoyo a la toma de decisiones en las organizaciones basados en datos de redes sociales: Una revisión sistemática de la literatura.,” UNIVERSIDAD PERUANA UNIÓN, Lima, 2019.M. J. Moya Gutiérrez, “Aprendizaje no supervisado en el perfilamiento de clientes para profit scoring Caso de estudio de una Fintech Latinoamericana,” Universidad de los Andes, Bogotá, 2020.Á. A. Moreno, “Clasificación de imágenes usando redes neuronales convolucionales en Python,” Escuela Técnica Superior de Ingeniería Universidad de Sevilla, Sevilla, 2019.A. V. Solsona, “Facial Expression Detection using Convolutional Neural Networks,” Universidad politécnica de catalunya, Catalunya, 2018.D. Peralta, A. Herrera Poyatos, and F. Herrera, “Un Estudio sobre el Preprocesamiento para Redes Neuronales Profundas y Aplicaci ́on sobre Reconocimiento de D ́ıgitos Manuscritos,” Researchgate, 2016.J. C. R. Whittington and R. Bogacz, “Theories of Error Back-Propagation in the Brain,” Trends Cogn. Sci., vol. 23, no. 3, pp. 235–250, Mar. 2019, doi: 10.1016/j.tics.2018.12.005.J. C. R. Whittington and R. Bogacz, “Theories of Error Back-Propagation in the Brain,” Trends Cogn. Sci., vol. 23, no. 3, pp. 235–250, Mar. 2019, doi: 10.1016/j.tics.2018.12.005.A. S. González, “Estudio comparativo de modelos de clasificación automática de señales de tráfico,” Universidad Publica de Navarra, Navarra, 2020.C. A. Cortés, “HERRAMIENTAS MODERNAS EN REDES NEURONALES: LA LIBRER ́IA KERAS,” Universidad Autónoma de Madrid, Madrid, 2017.J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” arXiv, 2016.P. Adarsh, P. Rathi, and M. Kumar, “YOLO v3-Tiny: Object Detection and Recognition using one stage improved model,” in 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), Mar. 2020, pp. 687–694. doi: 10.1109/ICACCS48705.2020.9074315.D. Wang et al., “Daedalus: Breaking Non-Maximum Suppression in Object Detection via Adversarial Examples,” Feb. 2019.R. R. D. Saúl, “Estudio de la arquitectura YOLO para la detección de objetos mediante deep learning,” Universidad De Valladolid, Valladolid, 2021.A. Kathuria, “What’s new in YOLO v3?,” Towards Data Science, 2018.J. Hui, “Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3,” Medium, 2018.Sánchez Pozo J. J., “Detección y Segmentación en Placas de Rayos X de Pinturas utilizando IA,” Universidad de Sevilla, Sevilla, 2022.K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Dec. 2015.J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” arXiv, 2018.K. Weiss, T. M. Khoshgoftaar, and D. Wang, “A survey of transfer learning,” J. Big Data, vol. 3, no. 1, p. 9, Dec. 2016, doi: 10.1186/s40537-016-0043-6.M. Hussain, J. J. Bird, and D. R. Faria, “A Study on CNN Transfer Learning for Image Classification,” 2019, pp. 191–202. doi: 10.1007/978-3-319-97982-3_16.L. Tan, T. Huangfu, L. Wu, and W. Chen, “Comparison of RetinaNet, SSD, and YOLO v3 for real-time pill identification,” BMC Med. Inform. Decis. Mak., vol. 21, no. 1, p. 324, Dec. 2021, doi: 10.1186/s12911-021-01691-8.L. Velasco, “Optimizadores en redes neuronales profundas: un enfoque práctico,” medium.com, Apr. 26, 2020.“GitHub - tzutalin/labelImg: LabelImg is a graphical image annotation tool and label object bounding boxes in images.” https://github.com/tzutalin/labelImg (accessed May 13, 2022).“Algoritmo de optimizador común (Adam SGD) - programador clic.” https://programmerclick.com/article/1375926681/ (accessed Jun. 06, 2022).A. D. Moore, “Python GUI Programming with Tkinter : Develop responsive and powerful GUI applications with Tkinter.,” p. 442, 2018.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Redes neuronales convolucionalesHuella de identaciónCondicines de Acero D2 - ClasificaciónRedes neuronales convolucionalesTransfer learningDureza vickersRecubrimientoAcero D2Convolutional neural networksTransfer learningVickers hardnessCoatingD2 SteelClasificación de las condiciones de aceros D2 mediante huellas de indentación empleando redes neuronales convolucionalesTrabajo 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/pdf3054037https://repositorio.unibague.edu.co/bitstreams/91e208dd-b515-4e19-9f52-692cb53f4010/download0d29830e9dcb78442a581a75f4665a39MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf231579https://repositorio.unibague.edu.co/bitstreams/94230da3-709c-4c04-a963-89775e370561/download5ffae65e06588a4ceb6711456eb597c9MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/87c01306-eb82-4d1d-8c06-261128af0a26/download2fa3e590786b9c0f3ceba1b9656b7ac3MD53TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain104412https://repositorio.unibague.edu.co/bitstreams/73bd4b9a-a09d-4c57-8da5-2f8052ca3b74/download874b436ea2d5c27a222cb501e02c2075MD58Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3473https://repositorio.unibague.edu.co/bitstreams/cf022aaf-bfda-42ef-a02c-7f6f5945bd28/download88926e08ca7a76699c931ef5d90e19ddMD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8824https://repositorio.unibague.edu.co/bitstreams/d5cd1878-45e0-4954-b796-dbbfde6e6d4c/downloadf4fd8627203a204fb7654355155786acMD59Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg21524https://repositorio.unibague.edu.co/bitstreams/6e54ef02-a85a-4fbd-a17f-88302c1bc86d/downloade9e29b481cf2dea4ee545a05bc1542a4MD51120.500.12313/4850oai:repositorio.unibague.edu.co:20.500.12313/48502025-08-13 01:08:32.933https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8= |