http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/1405 2026-04-04T10:39:27Z http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/4216 Clasificación de la temperatura del agua subterránea, utilizando Machine Learning Regis Robles, Carlos Carlos Francisco Bautista Capetillo El agua subterránea es la principal reserva que tiene la humanidad para abastecer diferentes usos. En el caso de México ayuda al crecimiento socioeconómico de varias regiones. Por lo cual es necesario estar monitoreando a través de generar redes que permiten observar el comportamiento del agua subterránea en los acuíferos. En esta investigación se presenta un análisis de la información recabada en el acuífero Calera, Zacatecas, utilizando un modelo de Inteligencia Artificial (I.A.) de tipo clúster conocido como K-means para realizar una agrupación algunas características químicas del agua y su relación con la temperatura bajo un enfoque espacio-temporal. Los resultados obtenidos sugieren que existe una relación en las variaciones de la temperatura de tipo espacial y una posible asociación con el tipo de suelo en la zona de estudio. Groundwater is the main reserve that humanity has to supply different uses. In the case of Mexico helps the socioeconomic growth of several regions. Therefore, it is necessary to monitor through generating networks that allow observing the behavior of groundwater in aquifers. In this research, a analysis of the information collected in the Calera aquifer, Zacatecas, using an Artificial Intelligence (A.I.) type model cluster known as K-means to group some chemical characteristics of water and their relationship with temperature under a space-time approach. The results obtained suggest that there is a relationship in the variations of the spatial type temperature and a possible association with the type of soil in the study area. 2023-11-29T00:00:00Z http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/4215 Estimación de parámetros morfológicos en rocas sedimentarias usando Fourier elíptico y redes neuronales Mejía Hernández, Erik De la Rosa Vargas José Ismael El análisis de rocas sedimentarias es útil en las ciencias geológicas, el sector económico y la evaluación de riesgos. La redondez es un parámetro morfológico que proporciona información para caracterizar y clasificar el material sedimentario. Los grados de redondez se estiman a partir del contorno de la partícula. Waddell (1932) propuso un método notable basado en la medición de la curvatura de las partículas. Este método es preciso; sin embargo, no es invariante con la escala y la rotación. Este problema se puede resolver mapeando el contorno en el dominio de la frecuencia; sin embargo, el análisis espectral es una tarea difícil. Con base en estos dos enfoques, proponemos utilizar una red neuronal profunda cuya entrada es el espectro elíptico de Fourier y el objetivo es la redondez propuesta por Wadell. La base de datos de formación consta de 623 imágenes reales de rocas de algunos fenómenos geológicos. Hemos descubierto que las redes neuronales funcionan muy bien en el 88,8% de las rocas. Sedimentary rocks analysis is useful in geological science, economic sector, and risk evaluation. Roundness is a morphological parameter that provide information to characterize and classify sedimentary material. Roundness degrees is estimated from the contour of the particle. Waddell (1932) proposed a remarkable method based on the measurement of particle’s curvature. This method is accurate; nevertheless, it is not invariant to scale and rotation. This problem can be solved by mapping the contour to the frequencydomain, however, spectral analysis is a difficult task. Based on these two approaches, we propose to use a deep neural network whose input is the elliptical Fourier spectrum and target is roundness proposed by Wadell. The training database consists of 623 real rocks images from some geological phenomena. We have found the neural networks perform very well on the 88.8% of rocks. 2021-05-17T00:00:00Z http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/4214 Detección de Infantes en la Zona de copiloto en un Vehículo, mediante Redes Neuronales Profundas y Visión Computacional Castañeda Almaraz, William Huizilopoztli Luna García Los accidentes automovilísticos generan millones de muertes en el mundo, y lesiones a infantes de acuerdo con la Organización Mundial de la Salud (OMS), la detección de un infante como copiloto en un vehículo podría prevenir lesiones o fallecimientos de infantes en accidentes automovilísticos. Por ello, la presente investigación describe el uso de redes neuronales convolucionales para la detección de infantes en el asiento del copiloto en automóviles mediante la implementación de un sistema de visión computacional. El proceso que se siguió para el desarrollo de proyecto fue la adquisición de las imágenes de los casos a estudiar, el pre- procesamiento de las imágenes y en el reentrenamiento de la red se empleó la técnica de “ajuste fino” basado en la arquitectura Google Net de Redes Neuronales Convolucionales, se evaluó el rendimiento del modelo mediante un análisis estadístico multiclase obteniendo una exactitud 97.66%, sensibilidad promedio 97.44% y especificidad promedio 98.95%. 2021-09-24T00:00:00Z http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/3920 Adaptación de imágenes con transporte óptimo y aprendizaje profundo para una mejora en la detección de espigas de trigo Salas Ibañez, Jesús Eduardo José Ismael de la Rosa Vargas; José de Jesús Villa Hernández; Efren González Ramírez; Pedro Daniel Alaniz Lumbreras En este trabajo se aplicó una metodología de adaptación de dominio basada en el transporte óptimo, la cual permite modificar la distribución de colores de una imagen para que se alinee con la de una imagen al azar de otro dominio. Al aplicar este método a las imágenes de la base de datos Global Wheat Head Detection 2021 y posteriormente entrenar un modelo YOLOv5s, se encontró que la precisión promedio media (mAP50) del modelo aumenta hasta un 4.1% comparado con el mismo modelo sin aplicar este método. Además, al eliminar imágenes para crear una base de datos balanceada, este aumento en el mAP50 se dispara hasta un 8.4 %. Así, la metodología propuesta presenta una alternativa que mejora la detección de espigas sin aumentar la complejidad de la red neuronal o el tamaño de la base de datos. In this work, a domain adaptation technique based on optimal transport was applied. This technique mo- difies the color distribution of an image, matching it with a randomly selected image from another domain. Applying this method to the Global Wheat Head Detection 2021 dataset, and then trai- ning a YOLOv5s model with these images, led to an increase of up to 4.1% in the mean average precision (mAP50), when compared to a baseline model in which no domain adaptation is used. Moreover, by removing images to create a balanced dataset, the mAP50 improves by up to 8.4 %. Thus, the proposed methodology provides an alternative to enhance wheat head detection without increasing the model complexity or the size of the dataset. 2025-04-30T00:00:00Z