Aplicativo móvil para el reconocimiento de medicamentos usando visión artificial para apoyar el proceso de inventarios

Vista sencilla de ítem
dc.contributor.advisorBacca Cortes, Eval Bladimir
dc.contributor.advisorLoaiza-Correa, Humberto
dc.contributor.authorMontaño Cely, Edwar Stiven
dc.date.accessioned2026-08-14T17:42:56Z
dc.date.available2026-08-14T17:42:56Z
dc.date.issued2025
dc.description.abstractEl 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.spa
dc.description.degreelevelPregradospa
dc.description.degreenameINGENIERO(A) EN ELECTRÓNICAspa
dc.format.extent1 recurso en línea (ix, 72 páginas)
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://hdl.handle.net/10893/41402
dc.language.isospa
dc.publisherUniversidad del Vallespa
dc.publisher.branchSede Cali
dc.publisher.facultyFACULTAD DE INGENIERÍAspa
dc.publisher.placeColombiaspa
dc.publisher.programINGENIERIA EN ELECTRÓNICAspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.lembDesarrollo de aplicaciones móviles
dc.subject.lembVisión artificial
dc.subject.lembReconocimiento de medicamentos
dc.subject.lembProcesamiento de imágenes
dc.subject.lembDetección de objetos
dc.subject.lembInventarios de medicamentos
dc.subject.lembInteligencia Artificial
dc.titleAplicativo móvil para el reconocimiento de medicamentos usando visión artificial para apoyar el proceso de inventariosspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
person.identifier.orcid0000-0003-0113-4134
person.identifier.orcid0000-0001-7206-7333
relation.isDirectorOfPublicatione9446e89-4e8f-4ef2-b896-f241ce9af588
relation.isDirectorOfPublication663c0648-5dcc-4949-b040-be42c44a5ef8
relation.isDirectorOfPublication.latestForDiscoverye9446e89-4e8f-4ef2-b896-f241ce9af588
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
3744 M765.pdf
Tamaño:
64.16 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Autorizacion-1143981047.pdf
Tamaño:
213.25 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Ingeniería Electrónica