Browsing by Subject "Computer vision"
Now showing 1 - 6 of 6
Results Per Page
Sort Options
Item 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, FelipeEste 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.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, JuliánEste 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.Item Entrenamiento y validación de la confiabilidad del Community Fish Detector para la identificación taxonómica de peces en el PNN Utría, Pacífico colombiano.(Pontificia Universidad Javeriana Cali, 2026) Pérez Ramírez, José Antonio; López Victoria, Mateo; Benítez Restrepo, Hernán DaríoEl monitoreo de las comunidades de peces en ecosistemas marinos ha dependido históricamente de censos visuales en persona, los cuales enfrentan limitaciones significativas en términos de escalabilidad y objetividad. Con el avance de las tecnologías de video submarino, el volumen de datos generados ha creado un gran reto en la capacidad y velocidad del procesamiento de la información generada. El presente trabajo describe el desarrollo y la validación de un flujo de trabajo automatizado para la detección y clasificación de especies de peces utilizando la herramienta Community Fish Detector (CFD). La metodología integra la filmación in situ mediante sistemas GoPro a resolución 4K, la extracción sistemática de fotogramas para reducir la redundancia temporal y la anotación manual de precisión mediante el software VGG Image Annotator (VIA). A partir de un proceso de curaduría de datos, se consolidó un dataset definitivo de 560 imágenes y 1,770 individuos. Se empleó la arquitectura de aprendizaje profundo RF DETR Nano, entrenada mediante aprendizaje por transferencia (Transfer Learning) a lo largo de un ciclo controlado de 50 épocas. Los resultados demuestran que el modelo localmente especializado superó la línea base inicial, incrementando la precisión general de un crítico 0.56% a un óptimo 87.70%, y consolidando una Precisión Media Promedio (mAP50) del 88.00%. Asimismo, la inclusión de mapas de flujo óptico y sustracción de fondo redujo los errores por desenfoque cinético, estabilizando la identificación taxonómica de especies clave como Thalassoma lucasanum, Stegastes acapulcoensis y Cephalopholis panamensis. Este sistema proporciona una herramienta computacional robusta y automatizada de alta fidelidad para el monitoreo de la biodiversidad en el Pacífico Tropical Oriental, con gran potencial para escalar otras soluciones tales como estimaciones de tamaños poblaciones, cálculos de biomasa y evaluación de interacciones ecológicas.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 MilverEl 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.Item 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 CarlosEste 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.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, JuliánLa 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.