Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
6
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
6
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
7
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
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
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
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
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
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
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
MARCO TEÓRICO
ANÁLISIS DE LA SITUACIÓN ACTUAL
MACROENTORNO
Ilustración 4 – Almacén
Fuente: Patel & Chowdhury (2020)
12
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
Microentorno
13
Teoría del sustento
13
14
Teoría del sustento
15
CAPÍTULO
IV
16
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
METODOLOGÍA
Enfoque Cualitativo
Investigación
Diseño Modelo V
17
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
17
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
Hipótesis de Investigación:
18
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
TÉCNICAS
HERRAMIENTAS
19
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
MATERIALES
20
CAPÍTULO
V
21
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
ANÁLISIS Y RESULTADOS
22
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
ANÁLISIS Y RESULTADOS
22
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
ANÁLISIS Y RESULTADOS
22
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
ANÁLISIS Y RESULTADOS
22
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
ANÁLISIS Y RESULTADOS
22
CAPÍTULO
VI
23
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
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
Capítulo I. Capítulo II. Capítulo III. Capítulo IV. Capítulo V. Capítulo VI. Capítulo VII.
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 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!