Detección y clasificación de discontinuidades en materiales metálicos mediante redes neuronales convolucionales: aplicaciones en sistemas mecánicos y procesos de manufactura.
La presente tesis desarrolla un modelo de detección y clasificación de discontinuidades en materiales metálicos utilizando redes neuronales convolucionales (CNN), como una alternativa técnica avanzada frente a los métodos tradicionales de inspección no destructiva (END). Mediante el uso de la arquit...
Сохранить в:
| Главный автор: | |
|---|---|
| Формат: | masterThesis |
| Язык: | spa |
| Опубликовано: |
2025
|
| Предметы: | |
| Online-ссылка: | https://bibdigital.epn.edu.ec/handle/15000/26729 |
| Метки: |
Добавить метку
Нет меток, Требуется 1-ая метка записи!
|
Добавить метку | Итог: | La presente tesis desarrolla un modelo de detección y clasificación de discontinuidades en materiales metálicos utilizando redes neuronales convolucionales (CNN), como una alternativa técnica avanzada frente a los métodos tradicionales de inspección no destructiva (END). Mediante el uso de la arquitectura Xception y técnicas de Deep learning, se implementó un sistema capaz de identificar defectos superficiales con alta precisión (>99%), procesando imágenes en tiempo real y reduciendo la dependencia del criterio humano. Se aplicaron estrategias de preprocesamiento, balanceo de clases y visualización mediante Grad-CAM, permitiendo interpretar las regiones críticas que influyen en la decisión del modelo. Los resultados evaluados mediante curvas de precisión, función de pérdida y matriz de confusión, demostraron la efectividad y generalización del enfoque propuesto, consolidándolo como una herramienta adecuada para su integración en procesos industriales de control de calidad y mantenimiento predictivo. |
|---|