Our purpose is to manage, preserve, and disseminate all the intellectual, scientific, and historical production of our university community.
Communities in DSpace
Select a community to browse its collections.
Recent Submissions
Modelos de predicción del tiempo de vida útil y clasificación de madurez en aguacates Hass mediante Deep Learning
(Pontificia Universidad Javeriana Cali, 2026) Enriquez Estrada, Sebastián; Escobar Llanos, Samuel; Torres Valencia, Cristian Alejandro; Martínez Arias, Juan Carlos
Este proyecto desarrolló un sistema inteligente que combina visión por computador y aprendizaje profundo para clasificar la madurez del aguacate Hass y predecir su vida útil en días. La iniciativa surgió como respuesta al alto nivel de desperdicio de esta fruta en los procesos de distribución y comercialización en la región. El diseño contempló dos modelos, uno de clasificación en cuatro etapas de madurez y otro de regresión para estimar los días hasta el deterioro completo, ambos entrenados con una base de datos pública de imágenes de aguacates en distintos estados de maduración. Se integró una interfaz que permite cargar fotografías y visualizar tanto la clase de madurez como la predicción de vida útil. El sistema permitió el análisis del estado de madurez de aguacates, promoviendo su consumo en tiempos adecuados y reduciendo así la posibilidad de desperdicio, brindando una herramienta práctica para distribuidores, comerciantes y consumidores mediante decisiones objetivas basadas en métricas validadas. Los resultados obtenidos incluyen dos modelos de aprendizaje profundo con métricas de desempeño validadas, un análisis de efectividad y precisión, y un prototipo funcional de interfaz que integra ambos sistemas, contribuyendo así a la aplicación de tecnologías de inteligencia artificial en el sector agrícola colombiano.
Comparación del rendimiento de modelos de aprendizaje profundo para distinguir entre imágenes de noticias reales y falsas generadas por IA en redes sociales
(Pontificia Universidad Javeriana Cali, 2026) Ramírez Gutiérrez, Mateo; Palta, Felipe
Este trabajo realizó una comparación experimental de seis detectores basados en aprendizaje profundo para distinguir imágenes noticiables reales de imágenes sintéticas generadas por IA, con énfasis en su capacidad de generalización a generadores contemporáneos. Los modelos (UniversalFakeDetect, D3, DistilDIRE y tres detectores disponibles en Hugging Face) se integraron y adaptaron mediante aprendizaje por transferencia usando el split de entrenamiento de MiRAGeNews, utilizando únicamente la modalidad visual. La comparación se llevó a cabo sobre un conjunto de validación personalizado y balanceado (n=100; 50 reales y 50 sintéticas), y se cuantificó con métricas de clasificación (exactitud, precisión, recall, F1 y ROC-AUC), considerando “fake'' como clase positiva, para caracterizar tanto la separabilidad como el perfil de error (falsos positivos vs falsos negativos) relevante en escenarios de verificación periodística. Debido al tamaño limitado y a la selección manual del conjunto externo, estos resultados deben considerarse indicativos de una evidencia inicial pero no equivalen a una validación amplia en escenarios reales de redes sociales. Además, aunque el problema está motivado por el contexto colombiano, la evidencia experimental no se basa en un conjunto de datos específicamente colombiano y por tanto las implicaciones para dicho contexto deben interpretarse con cautela. Los resultados muestran que UniversalFakeDetect y D3 alcanzaron el mejor desempeño (exactitud 0,91/0,90; ROC-AUC 0,974/0,973), mientras que DistilDIRE presentó un comportamiento cercano al azar (exactitud 0,54; ROC-AUC 0,568) y los modelos de Hugging Face obtuvieron rendimiento intermedio (exactitud 0,68--0,73). En conjunto, estos hallazgos aportan evidencia inicial que puede orientar la selección y calibración de detectores para mitigar la desinformación visual, pero no deben interpretarse como una validación concluyente ni como prueba de impacto directo en contextos específicos. Se reconoce que la evaluación externa presenta limitaciones relevantes: tamaño reducido del conjunto de validación, selección manual de ejemplos y posible sesgo de dominio en las imágenes reales (p. ej., diferencias en fuentes, formatos o contexto). Estudios futuros con muestras más amplias y representativas, evaluación en datos procedentes de redes sociales y análisis del rendimiento por subdominios geográficos son necesarios para establecer recomendaciones operativas.
Prototipo de una plataforma de monitoreo geoespacial colaborativo para la detección y notificación de amenazas zoosanitarias urbanas en animales domésticos en la ciudad de Cali
(Pontificia Universidad Javeriana Cali, 2026) Ortiz Montenegro, Néstor Mauricio; Franco Valencia, Laura Camila; Martínez Arias, Juan Carlos
En una ciudad como Cali, donde alrededor del 18% de los hogares tienen al menos una mascota, se presenta una creciente exposición de los animales domésticos a riesgos sanitarios invisibles. Este proyecto desarrolla un prototipo de plataforma tecnológica para monitorear, geolocalizar y reportar en tiempo real las llamadas Amenazas Zoosanitarias Urbanas (AZU) en zonas urbanas de Cali. Gracias a la participación de la ciudadanía y a la integración de fuentes heterogéneas (sensores simulados, reportes ciudadanos y datos oficiales), esta herramienta permite detectar y categorizar amenazas desde su aparición, difundir alertas a la comunidad interesada y potenciar la toma de decisiones orientadas al bienestar animal. Al combinar sistemas de información geográfica, bases de datos espaciales y un diseño centrado en el usuario, el prototipo busca no solo cumplir con criterios técnicos rigurosos, tales como precisión, latencia y confiabilidad, sino también con indicadores sociales clave, como usabilidad y aceptación por parte de los tutores. En última instancia, la solución se posiciona como un componente relevante para la salud pública y el cuidado de las mascotas en la ciudad, aportando un modelo replicable para entornos urbanos en Latinoamérica.
Prototipo de una aplicación para el desarrollo de hábitos saludables apoyado en gamificación
(Pontificia Universidad Javeriana Cali, 2026) Ovalles Cerón, Juan Pablo; Martínez Arias, Juan Carlos
En el proyecto se desarrolló un prototipo de aplicación móvil orientado a fomentar la creación y sostenimiento de hábitos saludables en adultos jóvenes, en respuesta a la dificultad que presentan las personas para mantener la constancia y la motivación a largo plazo en actividades relacionadas con el bienestar físico y mental. La aplicación integró estrategias de gamificación y mecánicas de responsabilidad compartida entre usuarios, con el fin de transformar la formación de hábitos en una experiencia más atractiva, satisfactoria y participativa. Con esta propuesta se buscó ofrecer una herramienta innovadora que promueva el compromiso sostenido con el autocuidado, contribuyendo a facilitar la adherencia a prácticas saludables y, en consecuencia, a mejorar la calidad de vida de sus usuarios.
Clasificación del cáncer de páncreas a través de información clínica mediante técnicas de aprendizaje automático
(Pontificia Universidad Javeriana Cali, 2026) Ospina Cobo, Juan Pablo; Vargas Cardona, Hernán Darío
El cáncer de páncreas es una de las enfermedades más letales a nivel mundial debido a la dificultad de su detección temprana, causada por la ausencia de síntomas específicos, la falta de biomarcadores precisos y su compleja ubicación anatómica. Por tanto, los algoritmos de aprendizaje automático se presentan como una herramienta útil para el análisis de datos clínicos y la identificación de patrones relevantes en la información médica de los pacientes. Por ende, el presente proyecto propone el uso de algoritmos de aprendizaje automático como herramienta para analizar información clínica obtenida de exámenes urinarios, con el fin de identificar patrones que permitan estimar la presencia de la enfermedad. Se busca así explorar un conjunto de técnicas aplicadas a un grupo de características para evaluar su relevancia, y a su vez, desarrollar una interfaz para el ingreso de información, para así, contribuir a la detección del cáncer. La metodología incluye el preprocesamiento de datos, el análisis exploratorio del conjunto de datos y la clasificación mediante aprendizaje automático. Además, se evaluará el rendimiento de los modelos utilizando exactitud, sensibilidad, precisión, especificidad, f1-score y AUC-ROC.