Mostrar el registro sencillo del ítem
dc.rights.license | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_ES |
dc.contributor | Jesús Carlos Pedraza Ortega | es_ES |
dc.creator | Victor Manuel Martínez Suárez | es_ES |
dc.date | 2023-06-01 | |
dc.date.accessioned | 2023-05-30T18:14:34Z | |
dc.date.available | 2023-05-30T18:14:34Z | |
dc.date.issued | 2023-06-01 | |
dc.identifier.uri | https://ri-ng.uaq.mx/handle/123456789/8381 | |
dc.description | La perfilometría de proyección de franjas (FPP), entre las técnicas de reconstrucción de objetos 3D sin contacto, es de las más utilizadas debido a su fácil implementación y reducción de costos. Teniendo una desventaja ya que para recuperar eficientemente la fase absoluta es necesario obtener el patrón de referencia para realizar una mejor fase de desenvolvimiento, lo que complica dadas las ambigüedades que existen en la fase envuelto. Se utilizan tres métodos como lo son la fase de desenvolvimiento de restricciones espaciales, temporales y de restricciones-geométricas, siendo la última la más eficiente y rápida sin sacrificar la precisión de la medición. Comúnmente, esta técnica se denomina desenvolvimiento de fase estéreo, que puede eliminar la ambigüedad de fase sin proyectar ningún patrón adicional, maximizando así la eficiencia de la recuperación de fase absoluta. En base a los éxitos en la implementación del aprendizaje profundo para el análisis de fase, implementamos herramientas que hacen que la recuperación de fase, las restricciones geométricas y el desenvolvimiento de fase sean más orgánicamente eficientes en un marco integral. Con extensos conjuntos de datos de entrenamiento desarrollados con una base de datos sintética, la red neuronal puede aprender gradualmente a transferir un patrón de franjas de alta frecuencia a la fase absoluta físicamente significativa y más probable, en lugar de "paso a paso" como en los enfoques convencionales. Los resultados obtenidos demuestran que, en comparación con los métodos tradicionales, podemos desarrollar imágenes de fase de manera más eficiente y estable en un volumen de medición más grande con menos vistas de cámara. Tener un enfoque propuesto que nos llevará a una medición de forma 3D sin artefactos de movimiento, precisa y de alta velocidad para objetos complicados a partir de un solo patrón de franjas. | es_ES |
dc.format | Adobe PDF | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Ingeniería | es_ES |
dc.relation.requires | Si | es_ES |
dc.rights | En Embargo | es_ES |
dc.subject | Ingeniería y Tecnología | es_ES |
dc.subject | Ciencias Tecnológicas | es_ES |
dc.subject | Otras Especialidades Tecnológicas | es_ES |
dc.title | Reconstrucción de formas 3D mediante algoritmo de desplazamiento de fase estéreo usando proyección de franjas y una red neuronal convolucional | es_ES |
dc.type | Tesis de maestría | es_ES |
dc.creator.tid | ORCID | es_ES |
dc.contributor.tid | curp | es_ES |
dc.creator.identificador | https://orcid.org/0000-0002-8006-1641 | es_ES |
dc.contributor.identificador | PEOJ691222HSPDRS07 | 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 |