Detección de fallas en termogramas utilizando aprendizaje profundo
En el presente Trabajo de Integración Curricular se realizó la detección de fallas en termogramas utilizando Aprendizaje Profundo, este campo de la Inteligencia Artificial basa su funcionamiento en redes neuronales artificiales las cuales tratan de simular el comportamiento del cerebro humano, por l...
Saved in:
| 主要作者: | |
|---|---|
| 格式: | bachelorThesis |
| 語言: | spa |
| 出版: |
2023
|
| 主題: | |
| 在線閱讀: | https://dspace.espoch.edu.ec/handle/123456789/18855 |
| 標簽: |
添加標簽
沒有標簽, 成為第一個標記此記錄!
|
添加標簽 | 總結: | En el presente Trabajo de Integración Curricular se realizó la detección de fallas en termogramas utilizando Aprendizaje Profundo, este campo de la Inteligencia Artificial basa su funcionamiento en redes neuronales artificiales las cuales tratan de simular el comportamiento del cerebro humano, por lo que se utilizó información de artículos científicos, libros, tesis, revistas e información de páginas web y librerías de Inteligencia Artificial. Para desarrollar el algoritmo se necesitó una base de datos que contenga termogramas con fallo y termogramas sin fallo, dicha base fue obtenida de un estudio previo de termografía realizado en la Carrera de Mantenimiento Industrial de la ESPOCH. Para la programación del algoritmo se utilizó el software libre denominado Python. Inicialmente se realizó un preprocesamiento de las imágenes y clasificación de los termogramas para entrenamiento, validación y prueba; Debido a que la base de datos fue relativamente pequeña se utilizó una herramienta denominada ImageDataGenerator que sirve para aumentar la cantidad de imágenes, realizando ciertas modificaciones en los termogramas originales. Se generó 4 modelos de redes neuronales para observar cuál de ellos presentaba mejores resultados y posteriormente ser seleccionado como el mejor algoritmo de clasificación, en este caso el modelo 4 fue el que mejor resultados presentó, obteniendo una precisión de 97,29% y una exactitud de 97,94%, además se obtuvo resultados de otras métricas como el F1-score dando un resultado de 97,95%. Finalmente se realizaron predicciones con los termogramas de prueba y el algoritmo los clasificó de manera correcta corroborando así que es un modelo exitoso para detectar fallas en termogramas; por lo cual se recomienda realizar más temas de investigación relacionados a termografía con inteligencia artificial dentro del mantenimiento industrial. |
|---|