Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/13520
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorJesús Carlos Pedraza Ortegaes_ES
dc.creatorMercy Yureymi García Echevarríaes_ES
dc.date.accessioned2026-11-17T16:22:59Z-
dc.date.available2026-11-17T16:22:59Z-
dc.date.issued2026-11-11-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/13520-
dc.descriptionLa reconstrucción tridimensional por Perfilometrıa por Transformada de Fourier, es una técnica óptica sin contacto es fundamental en el área de la metrología debido a su rapidez de adquisición el cual va a partir de un único patrón de franjas proyectadas, sin embargo, el flujo analítico se ve restringido por la atenuación de los detalles finos durante el filtrado espectral por otro lado los algoritmos de desenvolvimiento de fase sufre limitaciones ante las sombras, oclusiones o discontinuidades abruptas. Con el fin de mitigar dichas restricciones se desarrolló e implemento la FTP utilizando CNN para poder reducir el error en la reconstrucción tridimensional y elevar tanto la precisión como la eficiencia del proceso. De manera metodológica, se implementó el algoritmo tradicional FTP en MATLAB en donde se evaluaron distintas geometrías de filtrado en frecuencia junto con los algoritmos de desenvolvimiento de fase. También se generó una base de datos sintética en Blender la cual esta compuesta por objetos con franjas proyectadas y Ground Truth sin sesgos experimentales. Con estos datos se entrenaron tres arquitecturas de redes neuronales profundas (UHRNet, SFNet y Hformer) esto se hizo con ayuda de google colab con una tarjeta gráfica NVIDIA A100 mediante una función de perdida compuesta, esto formulo un mapeo directo de franja a profundidad sorteando la ambigüedad periódica modular de 2π. Los resultados cuantitativos en el conjunto frente al método tradicional reduciendo el error cuadrático medio hasta tres ordenes de magnitud. La red Hurten consolidó el desempeño más sobresaliente al alcanzar un IMMSE de 0.000224, un PSNR de 37.38 dB y una similitud estructural, preservando con alta fidelidad, cavidades y geometrías.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (101 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.subjectPerfilometrıa de Fourieres_ES
dc.subjectReconstrucción tridimensionales_ES
dc.subjectRedes Neuronales Convolucionaleses_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleReducción del error en la reconstrucción 3D mediante perfilometría de Fourier por redes neuronales convolucionaleses_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0001-6342-4869es_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.creator335693es_ES
dc.folioIGMAC-335693es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-335693.pdf4.56 MBAdobe PDFVisualizar/Abrir


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