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

20221

Ajustes

Asesorsearch.filters.applied.operator.equals: search.filters.advisor.Silva Sotillo, Walter AlejandroAutorsearch.filters.applied.operator.equals: search.filters.author.Campos Fernandez, Yusseli

Resultados de búsqueda

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    ÍtemTexto completo enlazado
    Propuesta de conteo automático de barras de construcción para una ferretería
    (Pontificia Universidad Católica del Perú, 2022-07-13) Campos Fernandez, Yusseli; Silva Sotillo, Walter Alejandro
    En las ferreterías es común contar barras de construcción de manera manual; sin embargo, es una actividad muy tediosa que consumen mucho tiempo y está propensa al error humano. Este es el caso de la empresa Negocios Señor de la Misericordia SAC, una ferretería que vende materiales de construcción al por mayor y menor. A la empresa le urge encontrar una forma de contar de manera automática las barras de construcción por las frecuentes quejas de los clientes sobre barras faltantes en los pedidos despachados y los altos costos de acciones correctivas. El error promedio en el conteo manual es del 7% y en promedio un trabajador demora 12 minutos contando 100 barras. En este sentido, se prone usar el modelo CNN-DC (Convolutional Neuronal Networking – Distance Clustering) para contar barras de construcción de manera automática en una foto de la sección circular de las barras. El modelo CNN-DC sigue los siguientes: el input del modelo es una foto de la sección circular de las barras de construcción, este es redimensionado y luego se le extraen patches (subimágenes que se obtiene al pasar una ventana deslizante por la imagen); posteriormente, se realiza el preprocesamiento de los patches (se convierte a escala de grises y se normaliza); después, los patches son puestos en un modelo CNN que clasifica a los patches en dos tipos: los que contienen a una barra centrada y los contienen al fondo de la imagen, barras incompletas o uniones entre estas; finalmente los patches que contienen una barra centrada se agrupan mediante un algoritmo de clustering, con esto se puede identificar los centros de las barras en la imagen original, el total de clústeres vendrían a ser el número total de barras. Los principales resultados obtenidos son: accuracy del modelo CNN-DC de 95% y el tiempo de predicción promedio fue de 33.3 segundos, en el modelo de clasificación de patches usando CNN se obtuvo un accuracy del 96.12%, precision de 91.02%, recall de 96.01% y f1-score de 94.98%; en general, el modelo tiene un alto desempeño y muestra los resultados en corto tiempo. Asimismo, con este accuracy se supera al rendimiento del conteo manual (93%). La alternativa resulta atractiva económicamente puesto que el VAN (S/4 382) es mayor a cero y el TIR (53.60%) es mayor al COK (11.85%).