Detección de objetos en imágenes de herraje instalado en el tendido de fibra óptica del Proyecto Regional de Instalación de Banda Ancha - Puno 2020

• Autor: Mayta Aroquipa, Wilber Milton
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/16348
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/16348
• Nivel de acceso: acceso abierto
• Materia: Deep Learning; Yolo; Detección de objetos; Herraje; https://purl.org/pe-repo/ocde/ford#1.02.01

El campo de la visión computacional junto al deep learning de la inteligencia artificial, son áreas complementarias para el tratamiento de imágenes, y ello hizo posible desarrollar el presente trabajo de investigación, donde se tuvo por objetivo desarrollar algoritmos de detección de objetos en fotografías de herraje instalados en las estructuras del tramo Nuñoa – Macusani, con las últimas arquitecturas deep learning implementados hasta la actualidad. El primer paso fue la recopilación de fotografías para posteriormente etiquetar con el programa llabelling en el formato pascal Voc, luego se realizó la técnica de data Aumentation para tener la mayor cantidad de imágenes y de estos se separó en el 80% para entrenamiento y el 20% en test, posterior a ello se eligió la arquitectura Yolov4, y Yolov5. El alcance del estudio fue exploratorio, descriptivo; el diseño fue pre-experimental. Se desarrolló en Python en Google colab y con la técnica de transfer learning para YoloV4 se realizaron 6 pruebas diferentes donde se obtuvieron las mejores métricas luego de 14000 épocas de entrenamiento con batch size de 64 y el tiempo de entrenamiento de 16 horas aproximadamente, se logró obtener mAP de 89.45%, la precisión y recall que se obtuvo fue del 90%. Asimismo, para la arquitectura de YoloV5 se realizaron 7 pruebas diferentes donde se obtuvo las mejores métricas en 99 épocas de entrenamiento con batch size de 16 y el tiempo de entrenamiento de 4 horas aproximadamente logrando obtener mAP de 95.3% precisión de 95.3% y Recall de 94.5%. Finalmente se realizaron predicciones para validar el modelo obteniendo detecciones correctas de herraje instalado.