Visión Artificial para la toma de lectura de agua potable

 

Authors

Yánez Magno, Lizbeth Estefania

Format

BachelorThesis

Status

publishedVersion

Description

E01-B3-02
La presente investigación, “Visión artificial para la toma de lectura de agua potable”, se realizó en el Gobierno Autónomo Descentralizado Municipal de Putumayo del cantón Sucumbíos, cuyo objetivo fue desarrollar una solución tecnológica mediante visión artificial para la toma de lectura de agua potable; la cual se centró en el levantamiento de información para la automatización del registro de la lectura del consumo de agua de los medidores de la ciudad. Se trabajó bajo el enfoque cuali cuantitativo con la ayuda de la investigación bibliográfica, documental, exploratoria y de campo con las técnicas de recolección de datos como entrevistas y encuestas, para identificar las necesidades y reunir los requerimientos para el diseño de la propuesta utilizando la metodología ágil de Desarrollo Rápido de Aplicaciones (RAD), se obtuvo como resultado la automatización del proceso de registro de consumo de lectura con el desarrollo de la aplicación web en el lenguaje de programación PHP v7.4 con el framework Angular v12.0 y una base de datos relación en MySQL, además, se desarrolló un aplicativo móvil en TypeScript v4.0 con el framework Ionic v5.0 enlazada a la base de datos administrada en el aplicativo web, para el desarrollo del algoritmo de reconocimiento de imágenes se desarrolló en el lenguaje de programación Python v3.9 con el framework Django v4.0 utilizando el algoritmo de detección de objetos Faster R-CNN donde se aplica las siguientes fórmulas: Forward pass through the Region Proposal Network (RPN) generando las propuestas de región a partir de una imagen de entrada; Rol pooling layers (RoI) yrj=xi describe como se realiza el muestreo de una region de interés en la capa pooling; Back-propagation through Rol =∑ ∑ [ = ∗ (,)] describe como se calcula las derivas parciales en la fase de capa de pooling; Truncated SVD ( ≈ ∑ ) describe como se acelera la red utilizando una técnica de compresión; Multi-task loss (, , , ) = (, ) + [ ≥ 1]( , ) describe como se entrena la red para la clasificación de la regresión de la caja delimitadora.

Publication Year

2023

Language

Topic

visión, artificial, lectura, consumo, Faster R-CNN

Repository

Repositorio Universidad Politécnica Estatal del Carchi

Get full text

http://repositorio.upec.edu.ec/handle/123456789/1739

Rights

openAccess

License