Tesis doctorales DIEC - IEKS Doktoretza tesiak

Permanent URI for this collection

http://hdl.handle.net/2454/29504

Browse

Browsing Tesis doctorales DIEC - IEKS Doktoretza tesiak by Subject "Aprendizaje automático"

Now showing 1 - 2 of 2
  • Thumbnail Image
    PublicationOpen Access
    Desarrollo y validación de novedosos sistemas para el análisis de fibras textiles basados en inteligencia artificial: aportes tecnológicos para la evaluación de fibras textiles
    (2024) Quispe Bonilla, Max David; Serrano Arriezu, Luis Javier; Trigo Vilaseca, Jesús Daniel; Ingeniería Eléctrica, Electrónica y de Comunicación; Ingeniaritza Elektriko eta Elektronikoaren eta Komunikazio Ingeniaritzaren
    Las fibras de origen animal presentan características que determinan su calidad, precio y confortabilidad, siendo el diámetro y el tipo de medulación especialmente importantes. Considerándose las fibras meduladas un problema para la industria textil, ya que aumenta la sensación de picazón en la piel y la heterogeneidad de los tejidos, conllevando a una disminución de la calidad de la fibra, por lo que, disponer de instrumentos prácticos para identificarlas es muy esencial. Por otro lado, algunas fibras dependiendo de la especie de la que provienen, son considerablemente más económicas que otras. De ahí la existencia de productos falsificados, lo cual perjudica tanto a los productores legítimos como a los consumidores. La espectroscopía de infrarrojo por transformada de Fourier (FTIR) puede extraer una forma de onda característica de las fibras que posteriormente se puede utilizar para su clasificación. Sin embargo, la inspección visual de tales formas de onda es imprecisa. Paralelamente, la Inteligencia Artificial (IA) es un campo emergente que podría ser útil en esta área de estudio, ofreciendo nuevas posibilidades y avances significativos. Por ello, el primer objetivo de esta tesis fue desarrollar y validar un novedoso sistema automático (denominado S-Fiber Med) para la evaluación de la medulación y el diámetro de las fibras animales basado en inteligencia artificial, y el segundo objetivo, fue desarrollar y validar dos modelos de aprendizaje automático (machine learning), denominados, Redes Neuronales Profundas (DNN, del inglés Deep Neural Network ) y Máquina de Vectores de Soporte (SVM, del inglés Support Vector Machine), para clasificar espectros de fibras por especie. Para el primer objetivo, se evaluó la medulación de 88 muestras de fibras de alpaca, llama y mohair (41, 43 y 4 muestras, respectivamente). Además, se consideraron 269 muestras de alpacas para la media de diámetro de fibra (MDF) y los resultados se compararon con los métodos Portable Fiber Tester (PFT) y Optical Fibre Diameter Analyser (OFDA) (72 y 197 muestras, respectivamente). Para el segundo objetivo, se adquirió espectros de fibras utilizando un espectrómetro FTIR en modo de Reflectancia Total Atenuada (FTIR-ATR). Se evaluaron muestras de camélidos (alpaca: n = 51, llama: n = 50, vicuña: n = 50) y cabra (mohair: n = 35 y cachemira: n = 20), de las cuales se obtuvieron 1,236 espectros FTIR-ATR. Los resultados de nuestro primer objetivo indican que no hubo una diferencia significativa entre el porcentaje de medulación obtenido con el microscopio de proyección y el S-Fiber Med. El análisis de correlación de Pearson y Concordancia muestran una relación fuerte, alta y significativa (valor p < 0.001). Las MDF de las muestras de fibras de alpaca y llama obtenidos con los dos métodos son muy similares, ya que no se encontró una diferencia significativa para la Prueba t (valor p > 0.172), y tienen una relación fuerte, alta y significativa entre ellos, dado el alto valor de correlación de Pearson (r ≥ 0.96 con valor p < 0.001), alto coeficiente de Concordancia y factor de corrección de sesgo. Se encontraron resultados similares al comparar el PFT y el OFDA100 con el S-Fiber Med. Mientras que en los resultados de nuestro segundo objetivo se observaron algunas diferencias visuales entre los espectros de las diferentes especies. Al evaluar los modelos DNN y SVM se obtuvieron precisiones de 96.75% y 95.12%, respectivamente. Además, se obtuvo una precisión del 97.8% al evaluar los espectros FTIR-ATR de fibras de Camélidos Sudamericanos (CSA) con DNN, y 97.2% al evaluarlos con SVM. Se logró una precisión del 100% al evaluar los espectros FTIR-ATR de fibras de vicuña con ambos modelos. No se encontraron diferencias significativas (valor de p = 0.368) al comparar el número de aciertos frente al número total de fibras de alpaca, llama, vicuña, mohair y cachemira utilizando DNN. Según los resultados, parece ser que las DNN son más precisas que las SVM. En conclusión, se obtuvo un novedoso sistema que proporciona medidas de la medulación y la MDF de forma rápida (40 segundos/muestra), precisa, exacta y automática. Y por otro lado, las técnicas de espectrometría FTIR-ATR combinadas con modelos de aprendizaje automático son una alternativa confiable para la identificación de CSA y cabras a través del espectro de sus fibras.
  • Thumbnail Image
    PublicationOpen Access
    Gaze estimation based on machine learning
    (2024) Larumbe Bergera, Andoni; Villanueva Larre, Arantxa; Ingeniería Eléctrica, Electrónica y de Comunicación; Ingeniaritza Elektrikoa, Elektronikoaren eta Telekomunikazio Ingeniaritzaren; Universidad Pública de Navarra / Nafarroako Unibertsitate Publikoa
    Esta tesis, desarrollada en el marco del grupo GI4E, se centra en el desarrollo de un algoritmo de estimación de la mirada para sistemas de videooculografía (Video-oculography, VOG) que hacen uso de componentes genéricos. En primer lugar, se resaltan las limitaciones de la tecnología de seguimiento ocular existente, así como los métodos comúnmente utilizados para la estimación de la mirada en sistemas que emplean este tipo de componentes. La contribución central de la tesis es el desarrollo de un algoritmo de estimación de la mirada dividido en dos grandes bloques: un primer bloque para la detección de puntos de referencia faciales y un segundo bloque que, a partir de un vector de características generado usando esos puntos de referencia, estima el punto de la mirada (Point of Gaze, PoG, en inglés). Debido a los grandes avances en el campo del aprendizaje automático (machine learning), se ha decidido emplear este tipo de técnicas para ambos bloques. Se realiza una revisión de los métodos del estado del arte que hacen uso de técnicas de aprendizaje automático y deep learning para la detección de puntos de referencia faciales. También se exploran y resumen los algoritmos del estado del arte aplicados a la estimación de la mirada. Para el primer bloque de detección de puntos de referencia faciales, se implementan dos modelos, uno basado en métodos de regresión en cascada y un otro basado en redes neuronales. Ambos modelos son comparados sobre diversas bases de datos, analizando las virtudes y defectos de cada uno de ellos. Además, se realiza una comparación del método propuesto con el estado del arte en la que se demuestra la superioridad de nuestro método. En cuanto al segundo bloque, en primer lugar se presenta un método para la generación de un vector de características que incluya informaci ón relevante para poder realizar la estimación de la mirada. Además, se proponen varios modelos basados en redes neuronales y se investiga el uso de datos sintéticos para su entrenamiento. Por último, se plantea un método para adaptar y calibrar los modelos entrenados con usuarios sintéticos, a datos de sujetos reales. La tesis concluye con un resumen de sus contribuciones y principales hallazgos. La integración de técnicas de aprendizaje automático, algoritmos avanzados y datos sintéticos presenta perspectivas prometedoras para futuras investigaciones en este campo.