Maestría en Ingeniería

Permanent URI for this collection

https://vitela.javerianacali.edu.co/handle/11522/858

Browse

Browsing Maestría en Ingeniería by Subject "Aprendizaje profundo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Detección de Noticias Falsas: comparación entre modelos de aprendizaje profundo basados en redes neuronales y modelos de lenguaje de gran escala
    (Pontificia Universidad Javeriana Cali, 2025) Oviedo Santacruz, Claudia Patricia; Gil González, Julián
    En la era digital actual, la propagación de noticias falsas en plataformas digitales representa un desafío creciente para la sociedad, debido a su potencial para desinformar y generar consecuencias sociales, políticas y económicas. Este trabajo compara el desempeño de dos enfoques de aprendizaje profundo en la detección automática de noticias falsas: un modelo basado en redes neuronales Long Short-Term Memory y un modelo de lenguaje de gran escala preentrenado como BERT. Se utilizaron conjuntos de datos abiertos y técnicas de preprocesamiento de texto, además de estrategias de sintonización de hiperparámetros, para optimizar el rendimiento de cada modelo. Los resultados muestran que el modelo Long Short-Term Memory, tras la optimización, alcanzó una precisión del 92%, superando al modelo de lenguaje de gran escala, que logró un 89%. Estos hallazgos evidencian que, en tareas específicas y bajo condiciones controladas, modelos más livianos y tradicionales pueden superar a modelos más complejos, reafirmando la importancia de una selección cuidadosa del modelo en función del problema a tratar y los recursos disponibles.
  • Thumbnail Image
    Item
    Uso de modelos de aprendizaje profundo para detectar defectos de soldadura en piezas metálicas
    (Pontificia Universidad Javeriana Cali, 2025) Zuluaga Bolívar, Julián; Gil González, Julián
    La inspección automatizada de defectos en soldaduras es un factor crítico para asegurar la calidad y seguridad en la industria. Este estudio propone el uso de modelos de aprendizaje profundo YOLO (You Only Look Once), entrenados mediante transferencia de aprendizaje, para la detección de defectos en soldaduras a partir de imágenes fotográficas. Empleando un conjunto de datos público, clasificado inicialmente en "soldadura mala", "soldadura buena" y "defecto", se realizaron tres fases experimentales. En la fase inicial, se compararon YOLOv8m y YOLO11m, revelando un buen desempeño para soldaduras aceptables, pero una precisión limitada (≈48%) en la identificación específica de defectos además de presentarse confusión con el fondo (defecto no identificado). La segunda fase se centró en la optimización de hiperparámetros de YOLO11m, logrando mejoras moderadas, pero persistiendo la baja precisión (≈49%) identificando la clase defecto. Para abordar esta limitación, la tercera fase fusionó las categorías "defecto" y "soldadura mala" en una única clase denominada "soldadura no conforme". Esta estrategia simplificó la clasificación y mejoró significativamente el rendimiento global del modelo, alcanzando una precisión de aproximadamente 75% en la detección de soldaduras no conformes. Los resultados demuestran el potencial de esta metodología para optimizar los procesos de control de calidad en la industria, reduciendo la dependencia de inspecciones manuales y mejorando la eficiencia.