Deep Learning para la detección de defectos de fabricación industrial en sensores de aparcamiento
En el presente Trabajo de Fin de Máster se presentan una serie de arquitecturas de redes neuronales con el objetivo de dar solución al problema de detectar defectos de fabricación en piezas industriales, tales como sensores de aparcamiento. De esta manera, a lo largo del trabajo se introducirá el es...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/73959 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/73959 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) USS6 Redes neuronales convolucionales (CNN) Arquitectura Imagen Detección Defecto. Convolutional neural networks (CNN) Architecture Image Detection Anomaly Informática (Informática) 1203.17 Informática |
| Sumario: | En el presente Trabajo de Fin de Máster se presentan una serie de arquitecturas de redes neuronales con el objetivo de dar solución al problema de detectar defectos de fabricación en piezas industriales, tales como sensores de aparcamiento. De esta manera, a lo largo del trabajo se introducirá el estado del arte de la visión artificial actual acompañándolo con las correspondientes explicaciones teóricas acerca de los algoritmos usados dentro del contexto del Deep Learning. A continuación, se hará hincapié en el recorrido que se ha seguido durante el ciclo de vida entero del proyecto para, posteriormente, exponer los resultados obtenidos como consecuencia de probar los algoritmos introducidos sobre el conjunto de datos inicial, el cual se habrá presentado con anterioridad, y terminar así extrayendo unas conclusiones finales de estos. |
|---|