https://ri-ng.uaq.mx/handle/123456789/8133 2026-08-25T02:36:55Z https://ri-ng.uaq.mx/handle/123456789/13015 Sistema de visión artificial para la detección de imperfecciones en extrusión de filamento para impresoras 3D Rubén Eduardo Aguilera Pérez El aseguramiento de la calidad dimensional y superficial en los filamentos de impresión 3D es un factor crítico para garantizar la fiabilidad de las piezas manufacturadas. El presente trabajo de investigación detalla el diseño, desarrollo e implementación de un prototipo de inspección visual y metrología óptica en tiempo real, orientado a operar directamente en la línea de extrusión bajo un entorno de laboratorio. El sistema propuesto prescinde de los tradicionales micrómetros de contacto láser, optando por una arquitectura basada en un sensor 4K y un arreglo catóptrico de tres espejos que permite analizar el perímetro completo del material de forma simultánea. La metodología abordó la creación de un algoritmo de visión artificial clásico para la medición dimensional, logrando detectar desviaciones geométricas con una resolución de hasta 0.0058 milímetros por píxel. Para la detección de defectos superficiales e internos, como microburbujas y contaminantes, se construyó un conjunto de datos propio y se realizó un experimento comparativo entre tres arquitecturas de aprendizaje profundo (MobileNetV2, ResNet50 y EfficientNetB0). Los resultados demostraron que el modelo EfficientNetB0, con un tamaño de lote de 4, superó a las alternativas al alcanzar una precisión de clasificación del 99.33 % bajo condiciones de estrés, manteniendo una latencia de inferencia inferior a 80 milisegundos operando exclusivamente en CPU. Finalmente, la integración del sistema mediante una Interfaz Hombre-Máquina con procesamiento concurrente demostró la viabilidad de clasificar defectos y validar la geometría del filamento conforme a los estrictos límites de la norma internacional ISO 5425:2023, ofreciendo una solución de inspección industrial altamente eficiente, de bajo costo y de arquitectura abierta. 2026-06-03T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12595 Desarrollo y optimización geométrica de hemiprótesis de cadera con el método de elementos finitos e inteligencia artificial Melissa Yamileth Pérez Cruz La pérdida o modificación de masa ósea en el fémur constituye una de las principales causas del aflojamiento prematuro de los implantes de cadera, debido al fenómeno de protección contra el esfuerzo. En este trabajo se presenta una metodología de optimización inversa para el diseño de hemiprótesis de cadera adaptadas a pacientes mexicanos, con el objetivo de reducir dicho fenómeno bajo condiciones de caminata y trote. Se generaron cuatro modelos de vástagos mediante herramientas CAD y se evaluó su desempeño mecánico a fatiga conforme a la norma ISO 7206 utilizando el Método de Elementos Finitos (MEF). Posteriormente, se construyó una base de datos paramétrica con la cual se entrenaron modelos de inteligencia artificial para predecir y optimizar los valores de esfuerzo en las zonas proximal, medial y distal del fémur. Los resultados muestran que el diseño óptimo de la hemiprótesis de cadera logra reducir el fenómeno de protección contra el esfuerzo en la zona proximal en un 10 % y 13 % para las condiciones de carga de caminar y trotar, respectivamente, en comparación con el modelo base sin optimizar. Estos hallazgos demuestran que la integración del MEF y la inteligencia artificial constituye una estrategia efectiva para mejorar la transferencia de cargas al fémur 2026-01-06T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12594 Desarrollo de sistema de inteligencia artificial aplicado a bases de datos para diagnosticar síndrome de intestino irritable Israel Cinta Ramírez El desarrollo de la Inteligencia Artificial (IA) y el Aprendizaje Máquina (AM) ofrece hoy en día la posibilidad de analizar grandes volúmenes de datos y obtener información valiosa que, de otro modo, sería inalcanzable. El uso de estas metodologías se ha extendido a múltiples campos, especialmente en la medicina, donde han demostrado ser altamente fiables al analizar datos de pacientes y proporcionar diagnósticos más exactos y precisos. El presente trabajo busca reducir las limitaciones asociadas con los métodos tradicionales de diagnóstico del Síndrome de Intestino Irritable (SII), una enfermedad que afecta a una gran parte de la población mundial y cuyo diagnóstico suele requerir tiempo, recursos y no siempre resulta suficientemente preciso. El objetivo fue desarrollar una herramienta basada en IA para el diagnóstico del SII. Para ello, se utilizó una base de datos pública con información sobre las abundancias bacterianas de 39 personas (30 con SII y 9 sanas), de la cual se obtuvieron seis indicadores estadísticos de cada filo bacteriano y cinco índices de diversidad por paciente. Con estos datos se entrenaron cuatro métodos de AM: Redes Neuronales Artificiales Multicapa (ANNMLP), Máquinas de Soporte Vectorial (SVM), Bosque Aleatorio (RF) y K Vecinos más Cercanos (KNN). Los modelos se evaluaron mediante matrices de confusión, obteniendo métricas de exactitud, precisión, sensibilidad y puntaje F1. Aunque el desempeño de los métodos varió, todos mostraron resultados satisfactorios; por ello, la herramienta desarrollada permite trabajar con los cuatro algoritmos, ofreciendo adaptabilidad si el usuario desea emplear diferentes bases de datos. En general, todos los métodos alcanzaron una exactitud del 92%; sin embargo, los mejores resultados se obtuvieron con las ANN-MLP y las SVM, que lograron una precisión del 100%, superando al método de diagnóstico más utilizado actualmente, el criterio de Roma IV, cuya precisión es del 82.4%. 2026-01-05T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/12493 Sistema para la detección y clasificación de alteraciones de la bóveda plantar mediante el uso de aprendizaje automático Rafael Eduardo Velasco Cerros El pie humano es una estructura compleja que actúa como soporte y distribuidor de cargas durante actividades estáticas y dinámicas. En su parte inferior se encuentra la bóveda plantar, encargada de adaptarse al terreno y cuya morfología permite clasificar el pie como plano, cavo o normal. Cuando dicha estructura presenta deformaciones, puede limitar la movilidad cotidiana y ocasionar afecciones en otras partes del sistema musculoesquelético. Según datos de la Secretaría de Salud, alrededor del 20% de la población Mexicana presenta alguna alteración en la bóveda plantar, afectando así su calidad de vida. Por ello, resulta necesario desarrollar herramientas que permitan clasificar automáticamente el tipo de pie. En el presente trabajo se desarrollaron metodologías basadas en visión artificial y aprendizaje automático. Se diseñó un procedimiento para la captura de imágenes RGB plantares mediante un equipo construido específicamente para este propósito. Posteriormente, se aplicaron técnicas de procesamiento de imágenes para extraer únicamente las bóvedas plantares, conformando una base de datos final con un n=180 imágenes binarizadas, las cuales muestran exclusivamente la zona de contacto entre el pie y el piso, lo que permite su evaluación morfológica. Se validaron tres conjuntos de datos diferentes: el primero con las imágenes RGB convertidas a escala de grises; el segundo con once características morfológicas extraídas de las imágenes binarizadas; y el tercero con las mismas características, pero reducidas a dos dimensiones mediante análisis discriminante lineal. Estos conjuntos fueron entrenados y validados con dos algoritmos de clasificación: máquinas de vectores de soporte y k vecinos más cercanos, mediante la técnica de validación cruzada, empleando un 80% de los datos para entrenamiento y 20% para validación. Los resultados se presentan mediante matrices de confusión e indicadores de desempeño, alcanzando una precisión del 97.92% para el mejor modelo. El sistema propuesto puede representar una herramienta de apoyo objetiva, rápida y de bajo costo, con aplicaciones potenciales en ámbitos clínicos y deportivos.