Browsing by Subject "Computer vision"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Detección de problemas cardíacos en imágenes digitales mediante modelos de aprendizaje automático y visión por computadora
    (Pontificia Universidad Javeriana Cali, 2025) Tierradentro Muñoz, John Andrés; Sánchez Caviedes, Narly Beatriz; Torres Beltrán, Luisa Fernanda; Gil González, Julián
    Este proyecto abordó el desarrollo de una herramienta computacional capaz de mejorar la precisión y eficiencia en el diagnóstico de patologías cardíacas. Este tema fue de gran relevancia, ya que las enfermedades cardiovasculares son responsables de un tercio de las muertes a nivel global, y el diagnóstico oportuno y preciso resulta fundamental para prevenir complicaciones graves como infartos y accidentes cerebrovasculares. Actualmente, el análisis de imágenes médicas, como ecocardiogramas y resonancias magnéticas, depende principalmente de la experiencia de los especialistas, lo que introduce riesgos de subjetividad, errores humanos y diagnósticos inconsistentes. Además, el creciente volumen de datos médicos genera una sobrecarga para los profesionales de la salud, dificultando la dedicación suficiente a cada caso. El objetivo general del proyecto fue desarrollar un sistema automatizado que detectara obstrucciones cardíacas en imágenes digitales, utilizando técnicas de aprendizaje automático y visión por computadora, con el fin de mejorar la precisión del diagnóstico y reducir el tiempo de análisis. Entre los objetivos específicos se incluyeron la identificación de las características relevantes de las imágenes médicas para el análisis, la selección e implementación de los modelos de aprendizaje más adecuados y la creación de una interfaz gráfica que permitiera a los especialistas interactuar de forma sencilla con la herramienta. Se esperaba que este sistema no solo facilitara la detección precisa de problemas cardíacos, sino que también disminuyera la carga de trabajo de los médicos y redujera el margen de error humano. Como resultados esperados, se contempló el desarrollo de un modelo computacional que ofreciera altos niveles de precisión en la detección de patologías cardíacas, validado con un conjunto de datos de imágenes médicas. Asimismo, la implementación de una interfaz accesible promovió su uso práctico. Las posibles aplicaciones del sistema incluyeron su integración en hospitales y centros médicos para apoyar el diagnóstico de enfermedades cardiovasculares y su uso como herramienta educativa en la formación de nuevos especialistas. Este proyecto buscó contribuir al avance de la medicina digital y ofrecer una solución tecnológica que fortaleciera la atención en salud cardiovascular.
  • Thumbnail Image
    Item
    Estimación de la tasa de recuperación de la vegetación tras incendios forestales mediante imágenes satelitales y machine learning
    (Pontificia Universidad Javeriana Cali, 2025) Cartagena Martínez, Milton; Sáenz Hernández, Germán Darío; Solano Correa, Yady Tatiana; Patiño Velasco, Mario Milver
    El presente proyecto tuvo como objetivo estimar la tasa de recuperación vegetal en áreas afectadas por incendios forestales en las regiones de Caquetá y Tolima, las cuales presentan condiciones climáticas diversas influenciadas por el fenómeno de El Niño Oscilación del Sur (ENOS). Se desarrolló un modelo que utiliza imágenes satelitales de Sentinel-2, FACSAT-2 y de sensores Aerotransportados, empleando técnicas de entrenamiento supervisado y redes neuronales con el objetivo de detectar áreas afectadas por incendios y llevar a cabo análisis temporales, por lo tanto, se incorporaron variables climáticas relevantes en la recuperación vegetal, tales como la temperatura y la precipitación. Una vez detectada la zona de interés se aplicó una versión optimizada del algoritmo Gradient Boosting con histogramas (HGB) que permiten mejorar la eficiencia en la estimación de la recuperación vegetal en las zonas seleccionadas debido a su capacidad para manejar grandes volúmenes de datos, los resultados fueron visualizados en un tablero de dashboard de power BI para conocer los tiempos estimados de la tasa de recuperación en las dos zonas de estudio planteadas en este proyecto.
  • 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.