Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3735
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorAurora Femat Diazes_ES
dc.creatorCinthia Nohemi Espinoza Del Angeles_ES
dc.date2023-01-14-
dc.date.accessioned2022-07-27T18:02:54Z-
dc.date.available2022-07-27T18:02:54Z-
dc.date.issued2023-01-14-
dc.identifierACPes_ES
dc.identifierdescriptores estadísticoses_ES
dc.identifierescala de griseses_ES
dc.identifierespacios de colores_ES
dc.identifierimagen térmicaes_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3735-
dc.description"Introducción. Un sistema de detección basado en termografía infrarroja permite reconocer fallas en un dispositivo a partir de datos extraídos de una imagen. Procesar esta información sin seleccionar un espacio de color adecuado puede reducir la exactitud del clasificador. Este estudio presenta una metodología para comprender la importancia de la selección adecuada de un espacio de color al caracterizar las condiciones de funcionamiento de un servidor. Métodos. Una base de datos se emplea en este estudio. Los espacios de color y la escala de grises se utilizan para extraer descriptores estadísticos de imágenes térmicas. La caracterización de las condiciones se realizó mediante el análisis de componentes principales (ACP). La evaluación del modelo predictivo se hizo a partir del kNN y la matriz de confusión. El ANOVA a un nivel de confianza del 95% se usa para determinar diferencias significativas entre los espacios utilizados. La prueba de Tukey establece los espacios de color con diferencia entre las medias de exactitud. Por último, el ACP se compara con la regresión LASSO. Resultados. El espacio de color HSI caracteriza mejor las fallas analizadas con una precisión media del 73.17%. Seguido del espacio HSV con una precisión del 72.56%. Los espacios RGB y CMY tuvieron una precisión similar de 68.03% y 68.29%. Los peores rendimientos se obtuvieron con la escala de grises y el espacio CIE L*a*b, con un 64.36% y 59.44%, respectivamente. Los resultados de exactitud para los modelos de regresión LASSO fueron superiores al PCA. El promedio de exactitud del LASSO en escala de grises fue de 65.87%; RGB, 74.64%; CMY, 73.83%; HSV, 76.67%; HSI, 77.38%; y CIE L*a*b, 66.49%. Conclusiones. Este estudio demostró que los espacios de color pueden influir en el modelo de predicción de la condición de un dispositivo. Cuando se trabaja con imágenes donde el color tiene un papel fundamental, como en las imágenes termográficas, la selección adecuada de un espacio de color se vuelve relevante, ya que estos pueden aumentar considerablemente la exactitud de un algoritmo de clasificación.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectMATEMÁTICASes_ES
dc.subjectESTADÍSTICAes_ES
dc.titleDetección de Fallas en Servidores Utilizando Descriptores Estadísticos en Imágenes Termográficases_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorEIAC930728MTSSNN02es_ES
dc.contributor.identificadorFEDA700805MASMZR05es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ingeniería de Calidad y Productividades_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ingeniería de Calidad y Productividad

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006758.pdf15.77 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.