Examinando por Materia "Detección de objetos"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Aplicativo móvil para el reconocimiento de medicamentos usando visión artificial para apoyar el proceso de inventarios
    (Universidad del Valle, 2025) Montaño Cely, Edwar Stiven; Bacca Cortes, Eval Bladimir; Loaiza-Correa, Humberto
    El desarrollo de una aplicación móvil para el reconocimiento de medicamentos surge como una respuesta a la necesidad de mejorar la gestión de inventarios en farmacias aumentando la precisión en la distribución y almacenamiento de medicamentos. El proyecto se enfoca inicialmente en diez medicamentos seleccionados por su alto volumen de ventas y relevancia en el tratamiento de condiciones comunes en Colombia. Para implementar esta solución, se utilizó un modelo YOLO versión 8, adaptado para ejecutarse en TensorFlow lite, lo cual permite su uso en una amplia gama de dispositivos móviles. La recopilación y preparación de datos involucraron procedimientos meticulosos en entornos controlados y comerciales para garantizar la robustez del sistema ante variaciones reales de iluminación y empaque. El sistema de clasificación emplea la arquitectura YOLOv8, destacándose por su precisión y velocidad en la detección y clasificación de objetos, lo cual es esencial para la funcionalidad de la aplicación en tiempo real. Además, se integraron herramientas como PyTorch, Ultralytics, Roboflow y Comet para facilitar el flujo de desarrollo y la gestión de modelos. El entrenamiento del modelo se realizó ajustando cuidadosamente los hiperparámetros para equilibrar precisión y eficiencia computacional, y se exportó el modelo a TensorFlow Lite para asegurar su compatibilidad y rendimiento en dispositivos móviles. El diseño de la aplicación móvil se centró en integrar todas las etapas del flujo MLOps, desde la adquisición de datos hasta el despliegue y monitoreo de modelos. En pruebas, el modelo alcanzó una precisión del 94 % y una sensibilidad de 97.2 % mostrando capacidad robusta para identificar medicamentos. La evaluación de desempeño en plataformas de GPU y CPU arrojó resultados de velocidades de inferencia de 8 y 71 milisegundos por imagen respectivamente. Aunque en CPU la velocidad de inferencia se redujo, la precisión y sensibilidad se mantuvieron, lo que sugiere que el modelo es adaptable y funcional en dispositivos con recursos computacionales limitados, lo que amplía considerablemente su aplicabilidad.
  • Miniatura
    PublicaciónAcceso abierto
    Desarrollo de una herramienta para identificar la presencia de baches en vías asfálticas, utilizando técnicas de percepción remota e inteligencia artificial
    (Universidad del Valle, 2025) Caicedo Guarama, María del Pilar; Hernández, Francisco Luis
    Los baches constituyen una de las patologías más comunes y estudiadas del pavimento a nivel mundial, afectando la seguridad, los costos de transporte y la calidad de vida en países como Estados Unidos, Reino Unido, India y Japón (Koch & Brilakis, 2011; HemaMalini et al., 2021; Chitale et al., 2020). La aparición de estas fallas, asociadas a procesos de infiltración de agua, fatiga del pavimento y tráfico pesado, ha impulsado el desarrollo de sistemas automatizados de inspección basados en visión por computador y aprendizaje profundo. En este contexto global, Colombia no es la excepción, presentando un deterioro vial significativo y afectaciones recurrentes para los usuarios (Gil, 2023; INVIAS, 2022). Por lo anterior, teniendo en cuenta el crecimiento de las tecnologías y el aumento de investigaciones relacionadas con la inteligencia artificial, machine Learning y Deep Learning enfocadas a la detección de objetos; se propone el desarrollo de una aplicación web llamada GeoBach para el reconocimiento de baches en vías asfálticas por medio del uso de modelos de redes neuronales convolucionales (CNN). El objetivo de esta aplicación web es facilitar el proceso de inspección visual para la detección de baches en pavimentos asfálticos a través de la toma de fotografías con VANT; así mismo permite llevar un registro de estos con coordenadas donde fueron capturadas las imágenes, con el conteo de baches, medidas en metros y con la capacidad de descargar la información por medio de un archivo de tipo CSV. Para el desarrollo de este trabajo, se hizo uso de React que permitió desarrollar el frontend de la aplicación de la mano con el principio DRY (Don’t Repeat Yourself); el backend se construyó con Python y FastAPI, facilitando la gestión de solicitudes por parte del usuario. La aplicación resultante llamada GeoBach se encuentra conectada con un modelo de detección de YOLOV7 Tiny resultante de un proceso de doble entrenamiento, el primer modelo se entrenó con un dataset más robusto en comparación con el segundo que fue utilizado con el propósito de ajustar el modelo a características más específicas; finalmente como resultado se obtuvo un mAP @0.5 del 70.7%, una recuperación (recall) de 69.7% y una precisión del 70.17%.