Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/13520Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.rights.license | https://creativecommons.org/licenses/by-nc-nd/4.0 | es_ES |
| dc.contributor | Jesús Carlos Pedraza Ortega | es_ES |
| dc.creator | Mercy Yureymi García Echevarría | es_ES |
| dc.date.accessioned | 2026-11-17T16:22:59Z | - |
| dc.date.available | 2026-11-17T16:22:59Z | - |
| dc.date.issued | 2026-11-11 | - |
| dc.identifier.uri | https://ri-ng.uaq.mx/handle/123456789/13520 | - |
| dc.description | La 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.format | es_ES | |
| dc.format.extent | 1 recurso en línea (101 páginas) | es_ES |
| dc.format.medium | computadora | es_ES |
| dc.language.iso | spa | es_ES |
| dc.publisher | Universidad Autonoma de Querétaro | es_ES |
| dc.relation.requires | Si | es_ES |
| dc.rights | openAccess | es_ES |
| dc.subject | Perfilometrıa de Fourier | es_ES |
| dc.subject | Reconstrucción tridimensional | es_ES |
| dc.subject | Redes Neuronales Convolucionales | es_ES |
| dc.subject.classification | INGENIERÍA Y TECNOLOGÍA | es_ES |
| dc.title | Reducción del error en la reconstrucción 3D mediante perfilometría de Fourier por redes neuronales convolucionales | es_ES |
| dc.type | Tesis de maestría | es_ES |
| dc.creator.tid | ORCID | es_ES |
| dc.contributor.tid | ORCID | es_ES |
| dc.creator.identificador | 0009-0001-6342-4869 | es_ES |
| dc.contributor.identificador | 0000-0001-5125-8907 | es_ES |
| dc.contributor.role | Director | es_ES |
| dc.degree.name | Maestría en Ciencias en Inteligencia Artificial | es_ES |
| dc.degree.department | Facultad de Ingeniería | es_ES |
| dc.degree.level | Maestría | es_ES |
| dc.format.support | recurso en línea | es_ES |
| dc.matricula.creator | 335693 | es_ES |
| dc.folio | IGMAC-335693 | es_ES |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial | |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-335693.pdf | 4.56 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.