dc.contributorSemillero THE PSIQUE
dc.creatorForero Fuarez, Luis Carlos
dc.creatorRomero Rojas, Carlos Manuel
dc.creatorLlanos Eraso, Oswaldo Esteban
dc.creatorUlloa Lopez, William Ernesto
dc.creatorManrique Avila, Kevin Smith
dc.creatorAhumada Gonzalez, Juan Sebastian
dc.creatorGomez Sandoval, William Fernando
dc.creatorDucuara Alape, Jhon Jairo
dc.creatorDucuara Pedraza, Jeison
dc.creatorGarnica Prieto, Juan David
dc.creatorTrespalacios Tejada, Jorge David
dc.creatorGonzales, Leonargo
dc.creatorHueso Chia, Edwin
dc.creatorAlarcon Flores, Franki Orlando
dc.creatorHermoso Ochoa, Karol Vanesa
dc.creatorHerrera Parra, Jeankosky Yacniel
dc.creatorPerez Tobar, Kevin Nicolas
dc.creatorLaverde Muñoz, Jose Reynel
dc.creatorQuirola Avila, Cesar Hugo
dc.date.accessioned2023-08-18T21:43:58Z
dc.date.accessioned2023-09-06T19:32:04Z
dc.date.available2023-08-18T21:43:58Z
dc.date.available2023-09-06T19:32:04Z
dc.date.created2023-08-18T21:43:58Z
dc.date.issued2023
dc.identifierhttps://hdl.handle.net/20.500.14329/608
dc.identifierEscuela Tecnológica Instituto Técnico Central
dc.identifierhttps://repositorio.itc.edu.co
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8702376
dc.description.abstractEl semillero tiene como uno de sus objetivos, la enseñanza y la aplicación de técnicas y herramientas de inteligencia artificial en áreas de la ingeniería electromecánica y afines. Para ello se seguirá un proceso que requerirá en sus primeras etapas la recopilación de la información, su limpieza, transformación y análisis, persiguiendo mediante el aprendizaje continuo de los estudiantes y su desarrollo en posteriores etapas, la implementación de modelos y/o arquitecturas que permitan desarrollar un modelo de IA basado en técnicas de visión por computadora y aprendizaje automático para reconocer las placas de los vehículos que ingresan a la ETITC en tiempo real y/o aplicaciones en general, como procesos de regresión, clasificación, segmentación, etc. Considerando que a futuro se planteará el trabajar con imágenes, se sabe que este campo presenta gran auge en distintos campos, pues como lo menciona LeCun et al. 2015, el uso de redes convolucionales ha ampliado la capacidad para extraer características relevantes de las imágenes, lo que es fundamental para el reconocimiento de placas de vehículos. Adicionalmente, se han desarrollado métodos como el introducido por Redmon J et al. (2016), el cual es conocido actualmente como YOLO "You Only Look Once" que mediante redes convolucionales facilita el reconocimiento de objetos. Adicionalmente se tiene el ejemplo de Krizhevsky, A (2012), quien mediante el modelo AlexNet, presentó gran eficacia en tareas de reconocimiento de imágenes.
dc.languagespa
dc.publisherEscuela Tecnológica Instituto Técnico Central
dc.publisherBogotá
dc.relationGrus, J. (2015). Data Science from Scratch: First Principles with Python.
dc.relationKanungo, T., Jaisimha, M. Y., Palmer, J., & Haralick, R. M. (1993). A quantitative methodology for analyzing the performance of detection algorithms. 1993 IEEE 4th International Conference on Computer Vision, 247–252. https://doi.org/10.1109/ICCV.1993.378211
dc.relation. Markowska-Kaczmar, U., & Koldowski, M. (2015). Spiking neural network vs multilayer perceptron: who is the winner in the racing car computer game. Soft Computing, 19(12), 3465–3478. https://doi.org/10.1007/S00500- 014-1515-2/FIGURES/17
dc.relationMartinez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernandez-Orallo, J., Kull, M., Lachiche, N., Ramirez-Quintana, M. J., & Flach, P. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048–3061. https://doi.org/10.1109/TKDE.2019.2962680
dc.relationRestrepo, D. S., Pérez, L. E., López, D. M., Vargas-Cañas, R., & Osorio-Valencia, J. S. (2022). Multi-Dimensional Dataset of Open Data and Satellite Images for Characterization of Food Security and Nutrition. Frontiers in Nutrition, 8, 796082. https://doi.org/10.3389/FNUT.2021.796082/BIBTEX
dc.relationRosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/H0042519
dc.relationSotirov, S., Atanassov, K., & Krawczak, M. (2010). Generalized net model for parallel optimization of multilayer perceptron with momentum backpropagation algorithm. 2010 IEEE International Conference on Intelligent Systems, IS 2010 - Proceedings, 281–285. https://doi.org/10.1109/IS.2010.5548361
dc.relationSotirov, S., Atanassov, K., & Krawczak, M. (2010). Generalized net model for parallel optimization of multilayer perceptron with momentum backpropagation algorithm. 2010 IEEE International Conference on Intelligent Systems, IS 2010 - Proceedings, 281–285. https://doi.org/10.1109/IS.2010.5548361
dc.relationLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
dc.relationRedmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR) (pp. 779-788)
dc.relationKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
dc.relationAggarwal, K., Mijwil, M. M., Sonia, Al-Mistarehi, A. H., Alomari, S., Gök, M., Zein Alaabdin, A. M., & Abdulrhman, S. H. (2022). Has the Future Started? The Current Growth of Artificial Intelligence, Machine Learning, and Deep Learning. Iraqi Journal for Computer Science and Mathematics, 3(1), 115–123. https://doi.org/10.52866/IJCSM.2022.01.01.013
dc.relationAl-Shemarry, M. S., & Li, Y. (2020). Developing Learning-Based Preprocessing Methods for Detecting Complicated Vehicle Licence Plates. IEEE Access, 8, 170951–170966. https://doi.org/10.1109/ACCESS.2020.3024625
dc.rightshttps://creativecommons.org/licenses/by-nc/4.0/
dc.rightsAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rightsinfo:eu-repo/semantics/closedAccess
dc.rightshttp://purl.org/coar/access_right/c_14cb
dc.titleProcesamiento de imágenes
dc.typeInforme de investigación


Este ítem pertenece a la siguiente institución