Redes neuronales para el reconocimiento de imágenes en la toma de inventarios físicos de bebidas carbonatadas

• Autor: Cárdenas Garro, Karen Elizabeth
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/9319
• Enlace del recurso: https://hdl.handle.net/20.500.14138/9319
• Nivel de acceso: acceso embargado
• Materia: Aprendizaje profundo (Aprendizaje automático); Redes neuronales (Computación); Reconocimiento óptico de formas (Informática); Bebidas gaseosas -- Control de inventarios; Inventarios; https://purl.org/pe-repo/ocde/ford#1.02.00

Este estudio presenta el diseño e implementación de un modelo de Deep Learning basado en la arquitectura YOLOv5s para el reconocimiento de imágenes de pallets en un almacén, con el objetivo de optimizar el proceso de toma de inventarios. Actualmente, el inventario de los pallets se realiza manualmente mediante inspección visual, lo que genera demoras y errores en el conteo, afectando la eficiencia y precisión del proceso. El propósito del modelo propuesto es automatizar la detección y cuantificación de pallets en distintas ubicaciones del almacén, utilizando imágenes tomadas tanto desde una perspectiva aérea como frontal, para proporcionar un conteo exacto y en tiempo real. La investigación se desarrolló en varias fases, comenzando con la recolección y etiquetado de un conjunto de imágenes digitales que capturan las ubicaciones del almacén, tanto en vista aérea como frontal, bajo diversas condiciones de iluminación y ocupación. Para entrenar el modelo, se emplearon técnicas de transferencia de aprendizaje sobre la arquitectura YOLOv5s, una versión optimizada de YOLO (You Only Look Once), ideal para tareas de detección en tiempo real debido a su alta precisión y rapidez. Los resultados obtenidos demuestran que el modelo YOLOv5s alcanza una alta precisión en la detección y conteo de pallets, con una tasa de precisión de 94%. El modelo es capaz de identificar y contar los pallets en ambas vistas (aérea y frontal), proporcionando una estimación confiable del inventario en tiempo real. Esto reduce significativamente el tiempo necesario para realizar el inventario manual, mejorando la eficiencia operativa y reduciendo el margen de error humano. La contribución de esta investigación radica en la aplicación de tecnologías avanzadas de Deep Learning para resolver problemas logísticos en la gestión de inventarios, demostrando cómo el uso de redes neuronales puede optimizar procesos en entornos industriales. Este modelo no solo mejora la eficiencia del proceso actual, sino que también establece un precedente en la automatización del control de inventarios en almacenes, con un potencial de replicabilidad en otros sectores de la industria logística