Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/8381
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJesús Carlos Pedraza Ortegaes_ES
dc.creatorVictor Manuel Martínez Suárezes_ES
dc.date2023-06-01-
dc.date.accessioned2023-05-30T18:14:34Z-
dc.date.available2023-05-30T18:14:34Z-
dc.date.issued2023-06-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/8381-
dc.descriptionLa perfilometría de proyección de franjas (FPP), entre las técnicas de reconstrucción de objetos 3D sin contacto, es de las más utilizadas debido a su fácil implementación y reducción de costos. Teniendo una desventaja ya que para recuperar eficientemente la fase absoluta es necesario obtener el patrón de referencia para realizar una mejor fase de desenvolvimiento, lo que complica dadas las ambigüedades que existen en la fase envuelto. Se utilizan tres métodos como lo son la fase de desenvolvimiento de restricciones espaciales, temporales y de restricciones-geométricas, siendo la última la más eficiente y rápida sin sacrificar la precisión de la medición. Comúnmente, esta técnica se denomina desenvolvimiento de fase estéreo, que puede eliminar la ambigüedad de fase sin proyectar ningún patrón adicional, maximizando así la eficiencia de la recuperación de fase absoluta. En base a los éxitos en la implementación del aprendizaje profundo para el análisis de fase, implementamos herramientas que hacen que la recuperación de fase, las restricciones geométricas y el desenvolvimiento de fase sean más orgánicamente eficientes en un marco integral. Con extensos conjuntos de datos de entrenamiento desarrollados con una base de datos sintética, la red neuronal puede aprender gradualmente a transferir un patrón de franjas de alta frecuencia a la fase absoluta físicamente significativa y más probable, en lugar de "paso a paso" como en los enfoques convencionales. Los resultados obtenidos demuestran que, en comparación con los métodos tradicionales, podemos desarrollar imágenes de fase de manera más eficiente y estable en un volumen de medición más grande con menos vistas de cámara. Tener un enfoque propuesto que nos llevará a una medición de forma 3D sin artefactos de movimiento, precisa y de alta velocidad para objetos complicados a partir de un solo patrón de franjas.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherIngenieríaes_ES
dc.relation.requiresSies_ES
dc.rightsEn Embargoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Tecnológicases_ES
dc.subjectOtras Especialidades Tecnológicases_ES
dc.titleReconstrucción de formas 3D mediante algoritmo de desplazamiento de fase estéreo usando proyección de franjas y una red neuronal convolucionales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorhttps://orcid.org/0000-0002-8006-1641es_ES
dc.contributor.identificadorPEOJ691222HSPDRS07es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI007487.pdf13.92 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.