Tesis y Trabajos de Investigación PUCP

URI permanente para esta comunidadhttp://54.81.141.168/handle/123456789/6

El Repositorio Digital de Tesis y Trabajos de Investigación PUCP aporta al Repositorio Institucional con todos sus registros, organizados por grado: Doctorado, Maestría, Licenciatura y Bachillerato. Se actualiza permanentemente con las nuevas tesis y trabajos de investigación sustentados y autorizados, así como también con los que que fueron sustentados años atrás.
Ingresa a su web: Repositorio Digital de Tesis y Trabajos de Investigación PUCP

Explorar

Filtros

20242

Ajustes

Asesorsearch.filters.applied.operator.equals: search.filters.advisor.Flores Espinoza, Donato Andres

Resultados de búsqueda

Mostrando 1 - 2 de 2
  • No hay miniatura disponible
    ÍtemTexto completo enlazado
    Reconstrucción tridimensional térmicas de una mina subterránea mediante procesamiento de imágenes
    (Pontificia Universidad Católica del Perú, 2024-10-02) Rios Lévano, José Elias; Flores Espinoza, Donato Andres
    La minería subterránea es una de las principales fuentes de desarrollo económicos en el Perú. Por lo tanto, al abordar el tema de minería en el Perú se debe priorizar la seguridad. Es por ello que a pesar de que existan diferentes reglas o protocolos al ingresar, también existen muchos accidentes. La causa principal es el desprendimiento de rocas sueltas. Estas rocas, suelen aparecer después de procesos de perforación o voladura. La detección de estas rocas sueltas suele ser realizada por operadores los cuales llaman al proceso de detección “el ojo experto”, los cuales deben indicarle a otro operador para que con una barretilla hagan caer esas rocas por seguridad (técnica del desatado de rocas). En esta investigación se busca reconstruir la mina de manera tridimensional para que un operador como un geomecánico pueda analizar las rocas y detecte si la zona diseñada tridimensional necesita ese desatado de rocas. Para reconstruir la mina, se usarán imágenes térmicas, las cuales ayudarán al geomecánico a detectar de manera precisa si la roca pertenece al grupo de rocas suelta. El proceso de desarrollo de esta investigación, consta de varias etapas: en la primera etapa se adquieren las imágenes de la mina, tanto térmicas como ópticas; luego, las imágenes pasan a la etapa donde se preprocesa y procesa las imágenes; en esta etapa se busca unir ambas informaciones, tanto térmica como óptica en una sola y mejorar la calidad de la imagen. Para optimizar la data procesada, se ordenará en carpetas correspondientes a cada proceso para que estas puedan ser importadas al programa Agisoft Metashape y este realice el proceso de fotogrametría. Por último, se colocarán puntos de control que se indicaran en las imágenes, las cuales son puntos geolocalizados. Estos puntos representan la posición exacta de la zona a examinar. Teniendo la representación tridimensional térmica, el geomecánico será capaz de detectar en la estructura de la mina, si existen rocas sueltas o no y gracias a los puntos geolocalizados, sabrá en que posición se debe hacer el proceso de desatado de mina.
  • No hay miniatura disponible
    ÍtemTexto completo enlazado
    Localización y clasificación de árboles y edificaciones en imágenes aéreas empleando aprendizaje profundo
    (Pontificia Universidad Católica del Perú, 2024-07-01) Enriquez Rodriguez, Pamela; Flores Espinoza, Donato Andres
    La presente tesis muestra el diseño de un detector de árboles y edificaciones en imágenes aéreas elaborado en base a algoritmos de aprendizaje profundo, cuyas redes troncales para la extracción de características son redes neuronales convolucionales. Este trabajo es parte de la tarea de automatización de un sistema de inspección de fajas de servidumbre que recibe imágenes capturadas por drones. Inicialmente, el trabajo se ha centrado en el etiquetado de árboles y edificaciones en imágenes aéreas para la elaboración del dataset; para ello, se ha utilizado la herramienta Image Labeler de Matlab. Posteriormente, se dividió dicho conjunto de datos en data de entrenamiento (80%), validación (10%) y evaluación (10%); además de emplear la función imageDataAugmenter para incrementar la cantidad de imágenes disponible. Seguidamente, se procedió con el entrenamiento de la red bajo ciertos valores de hiperparámetros y; finalmente, se evaluó la eficacia del detector bajo ciertas métricas como precisión, sensibilidad y precisión promedio media. Los resultados obtenidos muestran que el detector diseñado e implementado en Pytorch delimita correctamente la ubicación de los árboles y edificaciones en imágenes aéreas; además de etiquetarlos con su clase correspondiente. Esto se evidencia en los valores de precisión promedio del 70% para la clase árboles y del 63% para la clase edificaciones, logrando una precisión promedio media del 67%.