Por favor, use este identificador para citar o enlazar este ítem:
https://ri-ng.uaq.mx/handle/123456789/12903| Título: | Reducción del ruido en el proceso de desdoblamiento de fase espacial mediante redes neuronales |
| Autor(es): | Karla Lizeth Villafuerte Ruiz |
| Palabras clave: | Desdoblamiento de fase espacial Redes neuronales convolucionales Proyección de franjas PSNR SSIM IMMSE |
| Área: | INGENIERÍA Y TECNOLOGÍA |
| Fecha de publicación : | 5-may-2026 |
| Editorial : | Universidad Autonoma de Querétaro |
| Páginas: | 1 recurso en línea (178 páginas) |
| Folio RI: | IGMAC-328949 |
| Facultad: | Facultad de Ingeniería |
| Programa académico: | Maestría en Ciencias en Inteligencia Artificial |
| Resumen: | En 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. |
| URI: | https://ri-ng.uaq.mx/handle/123456789/12903 |
| Aparece en: | Maestría en Ciencias en Inteligencia Artificial |
Archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| IGMAC-328949.pdf | Maestría en Ciencias en Inteligencia Artificial | 3.22 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.