Clasificación de imágenes SEM a partir de técnicas de aprendizaje profundo

Vista sencilla de ítem
dc.contributor.authorQuintero López, Luis Alberto
dc.contributor.codirectorGonzález Navarro, Félix Fernando
dc.contributor.directorCaro Gutiérrez, Jesús
dc.coverage.placeofpublicationMexicali, Baja California.
dc.date.accessioned2025-03-18T02:23:53Z
dc.date.available2025-03-18T02:23:53Z
dc.date.created2025
dc.degree.deparmentUniversidad Autónoma de Baja California, Instituto de Ingeniería, Mexicali.
dc.degree.grantorTesis de Maestría / master Thesis.
dc.degree.nameMaestría y Doctorado en Ciencias e Ingeniería.
dc.description.abstractEn la actualidad, el desarrollo de nuevas tecnolog ́ıas está fuertemente relacionado al estudio de nanomateriales. La nanotecnología es un campo de investigación prometedor que implica la manipulación de nanomateriales y cuenta con una gran variedad de aplicaciones. Para estudiar estos nanomateriales, los investigadores utilizan microscopios electrónicos de barrido, los cuales permiten generar y almacenar imágenes. Los diferentes usuarios encargados de etiquetar estas imágenes tienden a hacerlo de acuerdo con criterios subjetivos, lo que genera una gran cantidad de datos difíciles de gestionar. Ante esta problemática, el presente trabajo tiene como objetivo desarrollar una arquitectura de aprendizaje profundo que permita clasificar autom ́aticamente las imágenes de nanomateriales, facilitando así su gestión. Para ello, se emplearon cuatro arquitecturas de aprendizaje profundo: CUSTOM, AlexNet, VGG16 y ResNet50. Se realizó una comparación entre ellas para determinar cu ́al ofrece un mejor desempeño en la tarea de clasificación, basándose en las métricas de exactitud, precisión, sensibilidad y puntaje-F1. Los resultados obtenidos muestran que los modelos CUSTOM y AlexNet presentaron un rendimiento inferior en la tarea de clasificación, con exactitudes promedio del 63.88% y 82.08%, respectivamente. En cambio, los modelos VGG16 y ResNet50 destacaron por obtener los mejores resultados, alcanzando exactitudes promedio del 95.41%. Aunque no se observó una diferencia significativa entre VGG16 y ResNet50, se recomienda optar por el modelo VGG16, debido a que posee un número de capas considerablemente menor que ResNet50, lo que se traduce en un menor consumo de recursos computacionales. Esta ventaja hace que VGG16 sea más rápido en términos de tiempo de entrenamiento y lo convierte en una opción más viable, especialmente en entornos con limitaciones de poder computacional.
dc.format.extent96 p. ; il. col.
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12930/12111
dc.language.isospa
dc.publisherUniversidad Autónoma de Baja California.
dc.relation.urlhttps://drive.google.com/file/d/17H7ms9BuAPp08FmRlJ26hgzIfkA7a3Uq/view?usp=sharing
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4
dc.subjectNanotecnología ||Tesis y disertaciones académicas||lemb||Nanotecnología||Manuales, etc||||Tesis y disertaciones académicas||lemb||Nanotecnología: aplicaciones industriales ||Tesis y disertaciones académicas.
dc.subject.lccT174.7 Q85 2025
dc.titleClasificación de imágenes SEM a partir de técnicas de aprendizaje profundo
dc.uabc.bibliographycNoteIncluye referencias bibliográficas.
dc.uabc.bilbiotecaMEXICALI
dc.uabc.identifier272351
dc.uabc.numInventarioMXL125414
dc.uabc.typeMaterialTESIS
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
MXL125414.pdf
Tamaño:
3.1 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Tesis de Maestría (Mexicali)