1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias en Inteligencia Artificial
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12903
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJesús Carlos Pedrazaes_ES
dc.creatorKarla Lizeth Villafuerte Ruizes_ES
dc.date.accessioned2026-05-06T18:59:16Z-
dc.date.available2026-05-06T18:59:16Z-
dc.date.issued2026-05-05-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12903-
dc.descriptionEn esta tesis se presenta una evaluación integral del desdoblamiento de fase espacial mediante la comparación entre métodos tradicionales y modelos basados en aprendizaje profundo. Se trabajó con datos sintéticos y reales obtenidos a través de la perfilometría por proyección de franjas (FPP), con el objetivo de reducir el ruido presente en los mapas de fase y disminuir el error en la reconstrucción tridimensional. Los métodos tradicionales, aunque ampliamente utilizados, mostraron limitaciones significativas en escenarios con discontinuidades, ruido estructurado y variaciones de iluminación, produciendo artefactos y pérdidas de información. En contraste, las arquitecturas basadas en redes neuronales convolucionales (CNN), particularmente U-Net y sus variantes, demostraron un desempeño superior tanto cuantitativa como cualitativamente. Los modelos alcanzaron mejoras notables en métricas como PSNR, SSIM e IMMSE, además de generar reconstrucciones visualmente más coherentes y robustas ante condiciones experimentales no ideales. Los resultados obtenidos confirman que el uso de aprendizaje profundo mejora de manera sustancial la calidad del desdoblamiento de fase espacial y representa una alternativa efectiva frente a los métodos clásicos. Finalmente, se identificaron limitaciones relacionadas con la disponibilidad de datos reales, la brecha entre entornos sintéticos y experimentales y los requerimientos computacionales, proponiendo líneas de trabajo futuro orientadas a ampliar los datos.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (178 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectDesdoblamiento de fase espaciales_ES
dc.subjectRedes neuronales convolucionaleses_ES
dc.subjectProyección de franjases_ES
dc.subjectPSNRes_ES
dc.subjectSSIMes_ES
dc.subjectIMMSEes_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleReducción del ruido en el proceso de desdoblamiento de fase espacial mediante redes neuronaleses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0004-9978-0795es_ES
dc.contributor.identificador0000-0001-5125-8907es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator328949es_ES
dc.folioIGMAC-328949es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-328949.pdfMaestría en Ciencias en Inteligencia Artificial3.22 MBAdobe PDFVisualizar/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.