Tesis Carlos M

SISTEMA DE INTELIGENCIA ARTIFICIAL
PARA DETECCIÓN DE OBJETOS EN

ESTANTE CON UNA RED NEURONAL
CONVOLUCIONAL
21821053 CARLOS MARTINEZ
PREVIO A LA OBTENCIÓN DEL TÍTULO DE

INGENIERO EN MECATRÓNICA
ASESOR: ING. RICARDO MALDONADO

01 Introducción
02 Planteamiento del Problema
03 Marco Teórico
04 Metodología AGENDA
05 Análisis y resultados
06 Conclusiones
07 Recomendaciones
CAPÍTULO
I
3
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
INTRODUCCIÓN
El aprendizaje profundo ha revolucionado la clasificación, segmentación y detección de imágenes. Las redes
neuronales convolucionales destacan por su alta precisión en comparación con métodos tradicionales como RFID y
códigos de barras, siendo vitales en sistemas de inventario. Además, en la automatización de almacenes, los robots
utilizan sensores LIDAR y algoritmos para evitar colisiones, mientras que las cámaras y OpenCV en Python brindan
una precisión destacada en el análisis geométrico, mejorando la orientación de los robots.
4
CAPÍTULO
II
5
PRECEDENTES DEL PROBLEMA

1960 1961 1990 Ultimas décadas Actualidad
Automatización Robótica Redes Tecnología de Integración de

de Almacenes: Industrial: Neuronales Sensores: Sistemas:
Evolución de la incluyendo la Convolucional Progresos en Importancia de
automatización invención del es (CNN): tecnología de la integración de
en almacenes primer brazo Avances en sensores, como sistemas en la
desde las décadas robótico CNN en la LIDAR, y automatización
de 1960 hasta la comercial en década de 1990 sistemas de industrial
actualidad. 1961. navegación
utilizados en la
automatización
de almacenes.
6
PRECEDENTES DEL PROBLEMA

• Ineficiencia en la gestión del inventario.
• Espacio de almacenamiento no optimizado.
• Operaciones propensas a errores y lentas.
• Impacto en la eficiencia general y satisfacción del cliente.
Ilustración 1 – Espacio mal aprovechado en almacén

Fuente: (Almacén Caótico: Definición y Ventajas, n.d.)
6
DEFINICIÓN DEL PROBLEMA

El problema a abordar se relaciona con la ineficiencia en la gestión del inventario y el uso
ineficaz del espacio en almacenes industriales, lo que afecta la organización y distribución
de productos, reduciendo la eficiencia y aumentando la probabilidad de errores y retrasos.
7
JUSTIFICACIÓN
Ilustración 2 – Cantidad de Papers por Pais Ilustración 3 – Cantidad de Papers por Año
Fuente: Elaborado por el autor Fuente: Elaborado por el autor
8
PREGUNTAS DE INVESTIGACIÓN
Pregunta General:
¿Como hacer un sistema de detección y medición de objetos basado en YOLOv5 para aplicaciones
industriales y logísticas en almacenes?
Preguntas generales:
02
1. ¿Como optimizar el rendimiento del modelo YOLOv5 para lograr una detección de objetos en
tiempo real más precisa y eficiente?
2. ¿Como mejorar el sistema de medición de objetos, con una mayor facilidad de las dimensiones
detectadas?
03
3. 04que permitan una conversión de píxeles a
¿Como aplicar técnicas de calibración de cámaras
centímetros?
4. ¿Como ampliar la capacidad de interacción del sistema con hardware externo, como Raspberry
Pi y controladores lógicos programables (PLC), para habilitar aplicaciones de automatización
avanzadas?
9
Objetivo General
• Optimizar el rendimiento del modelo YOLOv5 para lograr una detección de objetos en tiempo real más precisa y
eficiente.
Objetivos Específicos
1. Optimizar el rendimiento del modelo YOLOv5 para lograr una detección de objetos en tiempo real más precisa y eficiente.
2. Mejorar el sistema de medición de objetos, con una mayor facilidad de las dimensiones detectadas.
3. Aplicar técnicas de calibración de cámaras que permitan una conversión de píxeles a centímetros.
4. Ampliar la capacidad de interacción del sistema con hardware externo, como Raspberry Pi y controladores lógicos
programables (PLC), para habilitar aplicaciones de automatización avanzadas.
10
CAPÍTULO
III
11
MARCO TEÓRICO
ANÁLISIS DE LA SITUACIÓN ACTUAL
MACROENTORNO
Ilustración 4 – Almacén
Fuente: Patel & Chowdhury (2020)
12
Microentorno
Ilustración 5 – USO DE CNN EN EL ANÁLISIS DE

PIEZAS
Fuente: Yu & Li (2018)
13
Teoría del sustento
13
Ilustración 6 – Red Neuronal Convolucional

Fuente: (Zhang et al., 2021)
14
Teoría del sustento
Ilustración 7 – Etiquetado de objeto

Fuente: Elaborado por el autor
15
CAPÍTULO
IV
16
METODOLOGÍA
Enfoque Cualitativo
Investigación
Diseño Modelo V
Ilustración 8 – Tipo de metodología

17
ARQUITECTURA DEL MODELO
Ilustración 9 – Arquitectura del modelo

17
Hipótesis de Investigación:
Hipótesis de investigación (Hi): La implementación de una red

neuronal convolucional para la detección y análisis de objetos
en almacenes industriales, combinada con la comunicación
efectiva con un PLC Siemens S-1200, mejorará significativamente
la gestión de inventario, optimizando el uso del espacio de
almacenamiento y agilizando las operaciones de
almacenamiento y extracción de productos.
18
TÉCNICAS
Ilustración 10 – Etiquetado de objeto

HERRAMIENTAS
19
MATERIALES
20
CAPÍTULO
V
21
ANÁLISIS Y RESULTADOS
Ilustración 11 – F1-Confidence Curve

22
Ilustración 12 – Precision-Confidence Curve

22
Ilustración 13 – Precision-Recall Curve

22
Ilustración 14 – Detección de imagenes

22
Ilustración 15 – Detección, medidas, y centroide

22
CAPÍTULO
VI
23
CONCLUSIONES
• El sistema de detección y medición de objetos basado en YOLOv5 para aplicaciones industriales y logísticas en
almacenes se puede lograr mediante la implementación de una combinación de redes neuronales
convolucionales y técnicas de visión por computadora.
• La optimización del rendimiento de YOLOv5 implica ajustar parámetros, entrenar el modelo con conjuntos de
datos relevantes y utilizar aceleración de hardware, como GPU, para lograr una detección en tiempo real más
precisa y eficiente.
• La mejora del sistema de medición de objetos se puede lograr mediante técnicas de calibración de cámaras para
una conversión precisa de píxeles a centímetros.
• Las técnicas de calibración de cámaras involucran la identificación de puntos de referencia en el mundo real y su
correspondencia en la imagen.
• La ampliación de la capacidad de interacción del sistema con hardware externo se logra mediante la integración
de interfaces de comunicación.
24
CAPÍTULO
VII
25
RECOMENDACIONES
Se recomienda encarecidamente implementar un efector final en el sistema para facilitar la manipula-
1 ción de cajas en el almacén, lo que permitirá una mayor automatización y optimización de las operacio-
nes, reduciendo el riesgo de daños en los objetos durante el proceso de agarre.
Es recomendable continuar investigando y desarrollando enfoques más eficientes en la detección de

2 objetos mediante la exploración de algoritmos avanzados y técnicas de aprendizaje profundo.
Es crucial realizar un análisis minucioso de la ubicación de la cámara para garantizar una visión despe-
3 jada en todo momento, ya que la obstrucción de la visión podría conducir a datos inexactos
Para mejorar el rendimiento y la flexibilidad del sistema de detección y medición de objetos en almacenes, se
4 recomienda invertir en hardware más potente
26
“El día en que la ciencia comience a estudiar los fenómenos no
físicos, hará más progreso en una década que en todos los
siglos anteriores de su existencia.”
-Nikola Tesla.
GRACIAS!

Tesis Carlos M

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Carlos M

Cargado por

Copyright:

Formatos disponibles

SISTEMA DE INTELIGENCIA ARTIFICIAL

PARA DETECCIÓN DE OBJETOS EN

21821053 CARLOS MARTINEZ

PREVIO A LA OBTENCIÓN DEL TÍTULO DE

ASESOR: ING. RICARDO MALDONADO

02 Planteamiento del Problema

PRECEDENTES DEL PROBLEMA

Automatización Robótica Redes Tecnología de Integración de

PRECEDENTES DEL PROBLEMA

Ilustración 1 – Espacio mal aprovechado en almacén

DEFINICIÓN DEL PROBLEMA

Ilustración 5 – USO DE CNN EN EL ANÁLISIS DE

Ilustración 6 – Red Neuronal Convolucional

Ilustración 7 – Etiquetado de objeto

Ilustración 8 – Tipo de metodología

ARQUITECTURA DEL MODELO

Ilustración 9 – Arquitectura del modelo

Hipótesis de investigación (Hi): La implementación de una red

Ilustración 10 – Etiquetado de objeto

Ilustración 11 – F1-Confidence Curve

Ilustración 12 – Precision-Confidence Curve

Ilustración 13 – Precision-Recall Curve

Ilustración 14 – Detección de imagenes

Ilustración 15 – Detección, medidas, y centroide

Es recomendable continuar investigando y desarrollando enfoques más eficientes en la detección de

También podría gustarte