https://ri-ng.uaq.mx/handle/123456789/8465 2026-04-04T14:15:59Z https://ri-ng.uaq.mx/handle/123456789/12814 Desarrollo de un Modelo de Aprendizaje Automático para la Identificación de Esclerodermia Lineal y Localizada Irving Abraham Barba Pérez La esclerodermia es una enfermedad rara autoinmune con baja incidencia de padecimiento, afectando mayormente a mujeres respecto a hombres, en edades tempranas de la niñez, no hay forma de prevenirla y el diagnóstico y tratamiento carece de eficacia y estudio en el área médica a nivel mundial. El objetivo de esta investigación es el desarrollo de un modelo de aprendizaje automático para la identificación y clasificación de esclerodermia lineal y localizada, como una herramienta de apoyo médico en el diagnóstico de esta enfermedad, evaluando el tamaño, forma y color de las lesiones, donde, se implementaron técnicas de morfología matemática, un descriptor de curvatura, y análisis con entropías de color con modelo HSV que, con el modelo de clasificación automática, máquina de vectores de soporte (SVM), sea capaz de discernir entre las dos clases. Se construyó una base de datos de imágenes de lesiones de esclerodermia lineal junto a una base de datos aumentada y una base de datos de esclerodermia localizada-morfea con el objetivo de caracterizar y cuantificar la información extraída de las imágenes. Los resultados de desempeño del modelo SVM arrojan una precision del 95.94% para la clase lineal y de 94.36% para la clase morfea, así como un recall del 89.53% y 97.89% respectivamente, demostrando la posibilidad de identificación y discernimiento entre las dos clases de esclerodermia. 2029-03-05T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/11410 Desarrollo de un algoritmo evolutivo con una codificación simbólica para estimar el desplazamiento de objetos Andrea Elizabeth Góngora Tun Una tecnología eficiente es la visión por computadora porque permite de forma no intrusiva inferir y medir variables para la toma de decisión, sin la necesidad de una instrumentación in situ sobre los escenarios. Este trabajo presenta el desarrollo de algoritmos eficientes para la medición y desplazamiento de los objetos que se monitoren en las ciudades mediante cámaras. Este trabajo se focaliza para presentar un método eficiente en exteriores con condiciones cambiantes para el seguimiento de la dinámica de los vehículos en avenidas. Este método utiliza una propuesta basada en un algoritmo evolutivo y una codificación robusta en condiciones complicadas de cambios de luz. Las aplicaciones derivadas de esta tecnología incluyen la inferencia de la actividad en escenas, el seguimiento de vehículos, análisis de peatones y grupos entre otros, permitiendo el desarrollo de infraestructura inteligente para la medición de variables urbanas que ayuden a la toma de decisiones eficiente. 2025-01-14T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/11393 Desarrollo de un algoritmo de fusión de datos para la detección de objetos utilizando datos históricos de conducción Héctor Adrián Martínez Vázquez En el campo de la automatización vehicular, la fusión de datos proveniente de cámaras de espectro visible y sensores que ofrecen datos como distancia y velocidad, se ha convertido en un área de enfoque clave. La combinación de estos dos tipos de sensores ofrece una visión más completa del entorno del vehículo, lo que resulta en una conducción más segura y eficiente. El objetivo principal de este estudio es la detección de objetos y la estimación de sus propiedades mediante la integración de datos provenientes de una c ´amara y un radar, por lo que se propone un algoritmo de fusión de datos de bajo nivel para lograr este objetivo. Dada la ausencia de sensores físicos, se propone un modelo de calibración manual para obtener los parámetros intrínsecos y extrínsecos de la cámara para realizar la proyección de la nube de puntos en un plano en común. Además, se emplea un algoritmo de agrupación para refinar las detecciones del radar con el objetivo de calcular de manera precisa las propiedades de los objetos detectados. Las métricas utilizadas para evaluar el modelo incluyen RMSE (Error Cuadrático Medio), MAE (Error Absoluto Medio) y Bias (sesgo), proporcionando una evaluación exhaustiva de la precisión y rendimiento del sistema propuesto. 2030-01-28T00:00:00Z https://ri-ng.uaq.mx/handle/123456789/11376 Desarrollo de un algoritmo basado en machine learning para la identificación de plagas en hojas de frijol Diana Carmen Rodríguez Lira La agricultura en México desempeña un papel crucial tanto a nivel económico como alimentario y social, contribuyendo significativamente a la economía global y la seguridad alimentaria. México, con su diversidad de climas y suelos, es un productor importante de una amplia variedad de cultivos, abasteciendo tanto al mercado interno como el global. Sin embargo, el mantenimiento de cultivos saludables es esencial para evitar da ˜nos por enfermedades y plagas, que pueden afectar la calidad y rendimiento de los productos. Las técnicas tradicionales de manejo agrícola son ineficientes y consumen muchos recursos, por lo que se buscan soluciones innovadoras. El aprendizaje automático surge como una opción viable para detectar plagas y enfermedades en cultivos, aunque enfrenta desafíos en el procesamiento de imágenes debido a factores como sombras y cambios de iluminación. Este trabajo se enfoca en desarrollar un algoritmo basado en técnicas de procesamiento de imágenes y redes neuronales artificiales para identificar da ˜nos en las hojas del frijol que pueden ser causados por alguna plaga del orden Coleoptera: Coccinellidae y/o Chrysomelidae. Los resultados muestran una precisión de 0.792 para la clase ” sana” y 0.658 para la clase” infectada”. A pesar de que el algoritmo demuestra un desempeño ˜no satisfactorio, se identifican áreas de mejora como el manejo del desequilibrio de clases y la prevención del sobre ajuste. 2025-01-22T00:00:00Z