Las cuentas por cobrar y su impacto en la gestión financiera respecto a la pérdida crediticia esperada en las empresas del sector construcción en Lima Centro, año 2023

• Autores: Montero Giron, Maria Guadalupe, Solorzano Tello, Marleny Elizabeth
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/673412
• Enlace del recurso: http://doi.org/10.19083/tesis/673412; http://hdl.handle.net/10757/673412
• Nivel de acceso: acceso abierto
• Materia: Visión computacional; Aprendizaje profundo; Identificación de fibras textiles; Clasificación multiclase; Computer vision; Deep learning; Identification of textile fibers; Multiclass classification; https://purl.org/pe-repo/ocde/ford#5.02.01; https://purl.org/pe-repo/ocde/ford#5.00.00

La crianza de camélidos en las regiones altoandinas de Perú es una actividad agropecuaria esencial. La alpaca, en particular, representa la principal fuente de ingresos para estas comunidades mayormente empobrecidas. En la actualidad, el comercio de productos textiles artesanales sustenta a cerca de 90,000 alpaqueros y 36,000 artesanos textiles. Sin embargo, la presencia de competencia desleal, que se ve fortalecida por las dificultades para garantizar la autenticidad de los productos textiles, genera desconfianza en los consumidores afectando negativamente a estos sectores económicos. Además, la identificación de fibras textiles, un proceso lento y costoso que garantiza la autenticidad del producto, requiere profesionales altamente cualificados. Esta situación dificulta a los productores textiles honestos garantizar estándares de valor y calidad de sus productos. Esta investigación desarrolla un modelo predictivo para facilitar la identificación de fibras en productos textiles utilizando imágenes microscópicas. Este modelo es un componente de un dispositivo llamado Fibroscopio, que permitirá capturar imágenes microscópicas y realizar predicciones en tiempo real sin necesidad de personal altamente cualificado. La investigación comienza con el diseño de un protocolo de captura de imágenes, seguido de la construcción de un conjunto de imágenes basado en dicho protocolo. Las muestras textiles son proporcionadas por instituciones especializadas del sector textil. Posteriormente, se selecciona el mejor modelo predictivo entre las arquitecturas CNN existentes. Este avance permitirá a los empresarios y artesanos textiles mejorar la confianza de los consumidores, democratizar la venta de productos textiles y aumentar los ingresos de uno de los sectores productivos con menores ingresos.