DSpace Comunidad :

Desarrollo de un sistema detector del estado de madurez de peras por visión artificial en tiempo real.

2026-04-02T00:00:00Z

Título : Desarrollo de un sistema detector del estado de madurez de peras por visión artificial en tiempo real. Autor : Parra Cruz, Kevin Raúl Resumen : En esta investigación se evalúa un sistema de visión artificial en tiempo real diseñado para clasificar el estado de la madurez de la pera. El estudio evalúa la calidad de las distintas redes neuronales profundas en un entorno automatizado de inspección industrial. Para ello, en el experimento se utilizó un prototipo de cinta para una velocidad constante de 0.05 m/s dónde al pasar las peras dentro de la misma se capturó la imagen tiempo real con una cámara ubicada encima de la cinta transportadora donde interactuaron de forma independiente los tres modelos de detección de objetos: YOLOV5, YOLOV11 y RTDETR. Bajo un enfoque experimental y cuantitativo, la metodología analizó una muestra de 108 observaciones distribuidas en tres categorías: verdes, amarilla y podrida. El tratamiento estadístico que se ha ejecutado mediante la prueba no paramétrica de Kruskal-Wallis determinó diferencias significativas entre las distintas arquitecturas realizadas (p <0.001). Los datos obtenidos posicionan al modelo RTDETR como la solución más precisa al registrar el índice de error más bajo de 0.242. No obstante, YOLOv5 reflejó el rendimiento más bajo dentro de los modelos evaluados, obteniendo un error máximo de 0.795, lo que plasma una notable diferencia frente a las demás arquitecturas. En cambio, RT-DETR obtuvo los mejores resultados en la identificación de los estados de madurez de la pera, debido a su estructura de algoritmo basada en Transformes la cual permite una mejor detección. Este descubrimiento sugiere que la integración de modelos basados en mecanismos de atención mejora sustancialmente la confiabilidad de la supervisión industrial frente a las arquitecturas convolucionales tradicionales en trabajos de visión artificial en tiempo real. Descripción : This research evaluates a real-time machine vision system designed to classify the ripeness of pears. The study assesses the performance of different deep neural networks in an automated industrial inspection environment. For this purpose, a prototype conveyor belt operating at a constant speed of 0.05 m/s was used. As the pears moved along the belt, a camera positioned above it captured images in real time. Three object detection models—YOLOv5, YOLOv11, and RT-DETR—were evaluated independently. Using an experimental and quantitative approach, the methodology analyzed a sample of 108 observations distributed across three categories: green, yellow, and rotten. Statistical analysis was performed using the non-parametric Kruskal–Wallis test, which determined significant differences among the evaluated architectures (p < 0.001). The results obtained position the RT-DETR model as the most accurate solution, registering the lowest error rate of 0.242. However, YOLOv5 exhibited the lowest performance among the evaluated models, with a maximum error rate of 0.795, showing a significant difference compared to the other architectures. In contrast, RT-DETR achieved the best results in identifying pear ripeness stages due to its transformer-based architecture, which allows improved detection performance. This finding suggests that the integration of attention-based models substantially improves the reliability of industrial monitoring systems compared to traditional convolutional architectures in real-time computer vision applications.

Diseño de una solución tecnológica basada en femtoceldas para mejorar la cobertura móvil de espacios interiores en la Universidad Nacional de Chimborazo campus Édison Riera.

2026-01-21T00:00:00Z

Título : Diseño de una solución tecnológica basada en femtoceldas para mejorar la cobertura móvil de espacios interiores en la Universidad Nacional de Chimborazo campus Édison Riera. Autor : Bolaños Gaspar, Conny Lisbeth Resumen : En esta investigación se diseña una solución tecnológica fundamentada en femtoceldas para optimizar la cobertura de telefonía móvil en los espacios cerrados del bloque B de la facultad de ingeniería en la Universidad Nacional de Chimborazo. La problemática que se aborda es la baja calidad de la señal que se tiene dentro del área de estudio debido a los materiales de construcción y la lejanía de las antenas principales. Para resolver esta problemática se analizó la cobertura mediante simulaciones primero obteniendo la señal móvil desde macrocelda y luego integrando femtoceldas para así poder contribuir a una conectividad más eficiente en este entorno. El estudio se orientó de manera cuantitativa con un enfoque descriptivo y un diseño experimental. En este contexto, se llevaron a cabo múltiples mediciones de la intensidad de la señal dentro del área de análisis mediante simulaciones realizadas en Matlab. Los datos recopilados fueron analizados con herramientas como Excel y SPSS con el objetivo de comparar la cobertura actual con la cobertura estimada a través de femtoceldas. Los resultados indicaron una mejora notable en la intensidad de la señal que pasó de un promedio de –94.35 dBm con la macrocelda a –68.26 dBm con las femtocelda. El análisis estadístico confirmó que las variaciones entre los dos escenarios son significativas, lo que sostiene que las femtoceldas ayudan a mejorar la cobertura en interiores. Los resultados respaldan la idea de que la incorporación de femtoceldas es una solución para mejorar la cobertura móvil en espacios cerrados elevando la calidad del servicio sin grandes inversiones en infraestructura. Dicha tecnología también puede ser implementada en otros entornos educativos o institucionales que enfrenten situaciones similares. Descripción : This research designs a technological solution based on femtocells to improve mobile phone coverage in the enclosed spaces of Block B at Faculty of Engineering at National University of Chimborazo. The problem addressed is the low signal quality within the study area due to the construction materials and the distance from the main antennas. To solve this problem, coverage was analyzed through simulations, first obtaining the mobile signal from a macrocell and then integrating femtocells to contribute to more efficient connectivity in this environment. The study was quantitatively oriented with a descriptive approach and experimental design. In this context, multiple measurements of signal intensity were conducted within the analysis area using simulations performed in Matlab. The collected data were analyzed with tools such as Excel and SPSS to compare the current coverage with the coverage estimated using femtocells. The results showed a notable improvement in signal strength, which decreased from an average of -94.35 dBm with the macrocell to -68.26 dBm with the femtocell. Statistical analysis confirmed that the variations between the two scenarios are significant, supporting the idea that femtocells help improve indoor coverage. The findings lend credence to the notion that femtocell integration can enhance mobile coverage in confined areas and improve service quality without requiring large infrastructure investments. This technology can also be implemented in other educational or institutional environments facing similar situations.

Diseño de un modelo de predicción de temperatura en la provincia de Chimborazo basado en técnicas de Machine Learning

2026-01-21T00:00:00Z

Título : Diseño de un modelo de predicción de temperatura en la provincia de Chimborazo basado en técnicas de Machine Learning Autor : Coronel Mendoza, Joan Mauricio Resumen : En el presente proyecto se diseñaron modelos ML para la predicción de temperatura utilizando datos de estaciones meteorológicas ubicadas en la provincia de Chimborazo. Para llegar al objetivo se utilizó información histórica del período 2013-2024 que contenía variables climáticas significativas como temperatura, radiación solar, velocidad del viento y presión atmosférica. Se realizó un procedimiento de depuración de datos, suprimiendo registros que contenían valores inválidos en las variables esenciales. Además, se emplearon métodos de interpolación temporal para calcular los datos ausentes y, cuando los valores interpolados no eran coherentes, se utilizaron medias históricas por hora para preservar la coherencia de la serie temporal. En la ingeniería de características se generaron nuevas variables para mejorar la capacidad predictiva de los modelos. Entre ellas se incluyeron variables de rezago considerando valores previos de temperatura a 1 y 24 horas, y variables cíclicas, transformando las variables de hora y mes mediante funciones seno y coseno para representar su naturaleza repetitiva. Finalmente, se entrenaron y evaluaron tres modelos de regresión: Random Forest Regressor, Prophet y XGBoost. El desempeño de cada modelo se evaluó utilizando métricas como el MAE (Error Absoluto Medio) y el R² (Coeficiente de determinación). Descripción : In this project, ML models were designed for temperature prediction using data from meteorological stations located in the province of Chimborazo. To achieve this objective, historical data from the 2013–2024 period were used, which included significant climatic variables such as temperature, solar radiation, wind speed, and atmospheric pressure. A data-cleaning procedure was performed, removing records with invalid values in the essential variables. In addition, temporal interpolation methods were used to estimate missing data; when interpolated values were inconsistent, hourly historical averages were applied to preserve the time series' coherence. During the feature engineering stage, new variables were created to improve the models' predictive capacity. Among them were lag variables, using previous temperature values at 1 and 24 hours, and cyclic variables, transforming the hour and month using sine and cosine functions to capture their periodicity. Finally, three regression models were trained and evaluated: Random Forest Regressor, Prophet, and XGBoost. The performance of each model was assessed using metrics such as MAE (Mean Absolute Error) and R² (Coefficient of Determination).

Implementación de un sistema para optimizar el posicionamiento de un vehículo mediante Machine Learning y filtrado de posiciones geolocalizadas.

2026-01-19T00:00:00Z

Título : Implementación de un sistema para optimizar el posicionamiento de un vehículo mediante Machine Learning y filtrado de posiciones geolocalizadas. Autor : Remache Yucailla, Francis Winder Resumen : El siguiente trabajo de investigación se enfoca en implementar un sistema de posicionamiento que integre IMU/GPS (Unidad de medida Inercial/Sistema de Posicionamiento Global) con ayuda de fusión de sensores y ML (Maching Learning). Este sistema recopila datos del GPS e IMU, los cuales son tecnologías de bajo costo. La fusión de sensores es implementada usando el algoritmo de EKF (Filtro extendido de Kalman), este algoritmo es evaluado usando datos reales recopilados por la unidad de medida Inercial (MPU6050) y el receptor GPS NEO-6M, estos datos previamente estimados por el Filtro pasan a ser procesados por los modelos Random Forest y LSTM para suavizar y optimizar mejor las estimaciones. Los resultados obtenidos de este sistema muestran tener una mejor estimación de posición de un vehículo. Descripción : The following research work focuses on implementing a positioning system that integrates IMU/GPS (Inertial Measurement Unit/Global Positioning System) using sensor fusion and ML (Machine Learning). This system collects data from GPS and IMU, which are low-cost technologies. Sensor fusion is implemented using the EKF (Extended Kalman Filter). This algorithm is evaluated using real data collected by the Inertial Measurement Unit (MPU6050) and the NEO 6M GPS receiver. These data, previously estimated by the Filter, are processed by the Random Forest and LSTM models to smooth and better optimize the estimates. The results from this system show better vehicle position estimation.