INTELIGENCIA ARTIFICIAL 2

INTEGRANTES:
• Ninoska Cuenca
• Leonel Mariscal
• Mercedes Solorzano
• Lorena Mora

1. Desarrollo de un clasificador visual de especies de aves mediante redes neuronales

convolucionales
URL: https://riuma.uma.es/xmlui/handle/10630/19174
Se ha desarrollado un clasificador visual de especies de aves mediante redes neuronales
convolucionales, en lenguaje Python haciendo uso de la libreríaa Keras. Se dispone de un conjunto
de datos de 5771 imágenes repartidas entre 67 clases distintas. Este conjunto de imágenes fue
cedido por Antonio Miguel Pérez Ortigosa, a quien pertenece, para el desarrollo del presente
trabajo. Las clases contempladas son especies de aves, diferenciando entre machos, hembras y
juveniles en su etapa de comienzo de vuelo, allí donde sean diferenciables (p. e. dimofismo sexual).
La arquitectura de red usada es InceptionV3, la tercera versión de una sucesión de modelos de red
diseñados por Google. Con el objetivo de agilizar aún más el aprendizaje y conseguir una mejor
precisión, se hizo uso de un optimizador RMSProp y de una tasa de aprendizaje variable forzada
cuando el entrenamiento se quede estancado. El conjunto de datos inicial incluiría imágenes con
múltiples aves en pantalla o pocas imágenes por clase, por lo que se tuvo que proceder a una
limpieza de datos. El conjunto de datos sufría de otro handicap, las imágenes no tenían la misma
luminosidad unas que otras, incluso dentro de la misma clase. Se llevó a cabo la corrección de
luminosidad de las imágenes mediante la normalización del histograma del canal L en el espacio de
color CIELAB, pasándolas tras la normalización al espacio de color RGB otra vez. Se ha implementado
validación cruzada estratificada, con 10 folds, cumpliendo el objetivo de ser imparcial a la hora de
generar un resultado. La precisión media del entrenamiento se queda en un 86.74 %. Se desarrolló
conjuntamente un interfaz gráfico de usuario con conexión a Wikipedia para extraer información de
la especie clasificada.

2. DESARROLLO DE UN SISTEMA BIOMÉTRICO ORIENTADO AL RECONOCIMIENTO DE

PERSONAS A PARTIR DE LOS PLIEGUES PALMARES UTILIZANDO PROCESAMIENTO DIGITAL DE
IMÁGENES Y REDES NEURONALES CONVOLUVIONALES
URL: http://www.repositorioacademico.usmp.edu.pe/handle/usmp/5478
Se desarrolló un sistema biométrico cuyo objetivo que fuese capaz de identificar a un universo de
80 personas por medio de sus pliegues o líneas palmares, utilizando procesamiento digital de
imágenes y redes neuronales convolucionales. Este sistema biométrico ha sido orientado a ser una
alternativa viable a los sistemas biométricos dactilares que son muy populares hoy en día, pero que
presentan fallas frente a la deformación y distorsión de los patrones dactilares. Para ello se empleó
una metodología que consistía en el diseño de un recinto de adquisición de imágenes hecho de
melamina al cual se le acopló una estructura posicionadora de manos; que alberga una cámara
digital y un arreglo de Light Emitting Diodes (LEDs) de luz blanca. Las imágenes Red Green Blue (RGB)
adquiridas con la cámara fueron preprocesadas en cuatro pasos, los cuales fueron: aplicación de
máscara, delimitación de la región de interés (ROI), reescalamiento y normalización. Las imágenes
RGB preprocesadas fueron luego ingresadas a una red neuronal convolucional diseñada en lenguaje
Python por los propios autores. Finalmente, se diseñó una interfaz gráfica en Python que permitió
visualizar la predicción hecha por la red neuronal convolucional y que facilitó el registro de los
usuarios.
3. PRECISIÓN DIAGNÓSTICA MEJORADA PARA LA IMAGEN DE PERFUSIÓN MIOCÁRDICA
MEDIANTE REDES NEURONALES ARTIFICIALES EN DIFERENTES VARIABLES DE ENTRADA INCLUIDOS
DATOS CLÍNICOS Y DE CUANTIFICACIÓN.

URL: https://www.sciencedirect.com/science/article/pii/S2253654X18300465
La precisión diagnóstica de la imagen de perfusión miocárdica (IPM) no es óptima para predecir el
resultado de la angiografía. El objetivo del presente estudio es investigar la aplicación de la red
neuronal artificial (ARN) para integrar los datos clínicos con el resultado y la cuantificación del IPM.

4. MODELO PARA EL CÁLCULO DEL ESFUERZO A LA TRACCIÓN DE LAS RAÍCES DE VETIVER

EMPLEANDO REDES NEURONALES ARTIFICIALES.

URL:https://go.gale.com/ps/anonymous?id=GALE%7CA616787367&sid=googleScholar&v=2.1&it
=r&linkaccess=abs&issn=02540770&p=AONE&sw=w
La necesidad de un desarrollo sostenible requiere soluciones amigables con el ambiente; este hecho
lleva a los ingenieros de todas las áreas de investigación a buscar y emplear metodologías que
integren nuevos materiales de construcción. Una de estas áreas de estudio es la estabilidad de
taludes y pendientes en rocas y suelos. Donde los materiales tradicionales como el concreto han
sido sustituidos por biomateriales, los cuales son poco conocidos en términos de comportamiento
mecánico y modelado estructural. El presente trabajo entrena un modelo de Red Neural Artificial
(RNA) para modelar la resistencia a la tracción de las raíces de las plantas de Vetiver, considerando
el diámetro de la raíz, su edad y el tipo de suelo. Se entrenaron un total de 40 modelos RNA utilizando
100 ensayos de laboratorio, seleccionando el mejor modelo de acuerdo con su error medio
cuadrático y su capacidad de generalización. El modelo muestra un mejor ajuste que los modelos de
tipo potenciales propuestos en la literatura; también explica la variabilidad de los datos para
diámetros de raíz menores de un milímetro. Se encontró que las resistencias para estos diámetros
son inversamente proporcionales a la edad de la planta.

5. REDES NEURONALES ARTIFICIALES PARA EL CONTROL DE ACCESO BASADO EN

RECONOCIMIENTO FACIAL
URL: http://www.revistapuce.edu.ec/index.php/revpuce/article/view/140
se presenta el desarrollo de un sistema basado en redes neuronales artificiales para el
reconocimiento rápido de rostros y su utilización en el control de acceso. El reconocimiento facial es
un tema de gran interés por su impacto y posibles aplicaciones en temas de carácter laboral, control
de ingreso a espacios, seguridad ciudadana, activación y funcionamiento de equipos, entre otros. El
control de acceso es una de las medidas que puede contribuir a garantizar la seguridad del personal
dentro de una organización o en entornos domésticos, por lo cual es importante el uso de
herramientas tecnológicas que ayuden al apropiado reconocimiento facial y automatizar los
procesos de control de acceso. La inteligencia artificial ha demostrado su utilidad y aplicación en
diversas áreas del quehacer cotidiano y particularmente las redes neuronales artificiales por su
capacidad de aprendizaje y generalización es una técnica novedosa y con potencialidades para su
uso en el reconocimiento facial. En el sistema desarrollado se utilizan las redes neuronales artificiales
para el reconocimiento facial de forma rápida a través de la extracción de características tomadas
de la imagen del rostro. La implementación del sistema incluye el desarrollo usando herramientas
de hardware libre para la automatización del sistema de control de acceso. El sistema desarrollado
fue implantado en una empresa en la ciudad de Ibarra, Ecuador, obteniéndose resultados favorables
y que permiten el registro y control de acceso a los empleados y visitantes.
ACTUALIZAR UNA LÍNEA DE TIEMPO, DESTACANDO LOS HITOS MÁS IMPORTANTES DE LA LÍNEA DE TIEMPO, INCLUYENDO UNA BREVE DESCRIPCIÓN Y REFERENCIA DE LOS
HITOS INCLUIDOS (UNO POR CADA HITO).

1960
1951 Concepcion de
Implementacio Redes Neuronales
n del primer sin Perceptron
Perceptron Bernard Widrow y
Tedd Hoff
Marvin Minsky conciben crear 1974 1989
implementa en neuronal rojo con Paul Werbos Alexander Weibel
hardware el ayuda de una propone utilizar la y Hinton
primer neura adaptable Backpropagation resuelven la falta
"ADALINE" la cual para la de memoria en las 2007
Perceptron 2011 2014
empleaba inteligencia redes neuronales, Formación
para memistrores artificial de con el algoritmo codiciosa en capas Nacimiento del Traductor en
demostrar su (Resistencias con manera profunda de retardo de de redes cerebro de tiempo real
utilidad. memoria) en su tesis de PhD tiempo. profundas Google

1955 1970 1985 2002 2010 2012

Nace el concepto Seppo Linnainmaa Distribución de Que describe de Aprendizaje Redes
de IA implementa por los pesos de las forma eficiente, profundp sin Neuronales
Jhon McCarthy primera vez la entradas es maximizando las supervición a gran profundas para el
formula el Backpropagation calculada a partir dificultades de escala utilizando modelado
concepto de IA de la probabilidad que las unidades procesadores acustico en
como "El arte de de que la salida generen los datos reconocimeinto
crear de la neurona ses de entrnamiento de voz
computadores y 1 o 0, lo que
software capaz de convierte al
tener sistema en un
comportamiento sistema
inteligente" estocástico.