Big Data

Permanent URI for this collectionhttps://dspace.unia.es/handle/10334/8161

Browse

Browsing Big Data by Subject "Análisis de imágenes"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Open AccessTrabajo académico
    Análisis de redes neuronales convolucionales para Eye-Tracking
    (Universidad Internacional de Andalucía, 2023) Miranda Torres, Antonio Jesús; Miranda Torres, Antonio Jesús
    Trabajo Fin de Máster en Big Data. Tutores: D. Diego Marín Santos; D. Manuel E. Gegúndez Arias. El Eye-tracking o detección de la mirada ha sido históricamente un problema ampliamente analizado por métodos de Inteligencia Artificial debido a sus numerosas integraciones posibles en los sistemas cotidianos. Sin embargo, las tecnologías que han mostrado resultados suficientemente buenos para ser aplicadas en el mundo real son costosas y requieren de equipamiento adicional. En este trabajo se analizan los resultados sobre dos arquitecturas entrenadas del estado del arte de Deep Learning como son VGG-16 y ResNet-50, comparando sus resultados con respecto a una nueva arquitectura propuesta más sencilla, que obtiene resultados tan buenos como la mejor de las anteriores, consiguiendo una precisión del 99,86% sobre un dataset formado por 14.400 imágenes pertenecientes a cuatro categorías (ojo cerrado, mirando hacia adelante, mirando hacia la izquierda y mirando hacia la derecha), que se ha dividido en 80 %, 10% y 10% para entrenamiento, validación y prueba. En base a los resultados obtenidos en la experimentación, se propone la extensión del problema a cualquier entorno de imágenes similares, con el fin de generar una tecnología que sea capaz de clasificar imágenes en tiempo real. No obstante, los resultados alcanzados para este segundo objetivo no son tan prometedores, y son indicadores de que sería necesario entrenar los modelos sobre un conjunto de imágenes tomadas por un dispositivo de las mismas características que la salida final para lograr resultados óptimos en una aplicación como la propuesta.
  • Thumbnail Image
    Open AccessTrabajo académico
    Predicción de pérdida de potencia en paneles fotovoltaicos mediante el análisis de imágenes
    (Universidad Internacional de Andalucía, 2023) Rodríguez Álvarez, José Alberto; Rodríguez Álvarez, José Alberto
    Trabajo Fin de Máster en Big Data. Tutores: D.Diego Marín Santos; D. Manuel E. Gegúndez Arias. La inspección de paneles fotovoltaicos en busca de desperfectos que comprometan el rendimiento de los mismos es una tarea que, generalmente, se realiza de manera visual por los operarios encargados del mantenimiento de las instalaciones. Esta técnica supone una gran carga de trabajo en instalaciones grandes y requiere de una especialización para detectar correctamente los problemas. El objetivo de este proyecto es el análisis de imágenes de paneles fotovoltaicos mediante un sistema basado en técnicas de Big Data y Deep Learning para predecir las posibles pérdidas energéticas ocasionadas por la acumulación de suciedad en la superficie del panel analizado. Para abordar el proyecto, se ha diseñado una red neuronal convolucional que nos permita resolver el problema de regresión planteado. Además, como comparación, vamos a usar la red VGG16 para adaptarla a nuestro problema. La experimentación se ha llevado a cabo en un conjunto de 45754 imágenes de paneles fotovoltaicos en la que, cada imagen, tiene la información de la pérdida de potencia debido a la acumulación de suciedad. El entrenamiento, validación y evaluación de la red se realizó sobre el 80%, 10% y 10% del total de imágenes, respectivamente. El error absoluto medio obtenido en la red neuronal convolucional diseñada ha sido 3.729, mientras que el error absoluto medio obtenido en la red VGG16 ha sido 3.754, resultados bastante similares entre ambos modelos. Por lo tanto, teniendo en cuenta los resultados obtenidos, se podría afirmar que tanto la red CNN propuesta como la red VGG16 podrían utilizarse en la tarea del análisis de paneles fotovoltaicos para detectar aquellos paneles en los que la acumulación de suciedad pueda provocar una pérdida en el rendimiento.