Gaona-Barrera, AndresAvella Castro, Juan CamiloMendéz Hernández, Álvaro Javier2022-05-242022-05-242021-10-25http://hdl.handle.net/11349/29099En este proyecto se lleva a cabo el desarrollo de un procedimiento basado en el algoritmo Faster RCNN ResNet 101 para la clasificación de un inventario y el registro del mismo en una base de datos, además para poder comparar los resultados obtenidos se guardó una porción de base de datos para su posvalidación. El algoritmo Faster RCNN ResNet 101 ha sido implementado en problemas de detección de objetos, obteniendo buenos resultados con modelos de baja complejidad y mediana complejidad, motivo por el cual se ha generado un creciente interés en aplicar este algoritmo en detección y clasificación de objetos. Además, no se presenta aplicación del algoritmo en problemas de inventario de tiendas, por lo cual es el motivo del presente proyecto. Para llevar a cabo la clasificación de productos, es necesario realizar la recolección de una base de datos, teniendo en cuenta la división para el entrenamiento, validación y posvalidación. Esta base de datos se obtiene por medio de dos cámaras profesionales etiquetando las imágenes con Labelimg y procesando las imágenes para aumentar la información subministrada por la base de datos. Luego se seleccionan los parámetros de entrada del sistema detector de objetos. Con base al 70% de la base de datos, se lleva a cabo el entrenamiento y validación del modelo, por medio de redes convolucionales y redes de propuestas de relación, por medio del modelo preentrenado Faster RCNN ResNet 101. Se realiza una variación de un parámetro propio “coeficiente de aprendizaje” para encontrar el modelo clasificador. Los resultados muestran que es posible realizar una detección de objetos por medio del modelo preentrenado con undesempeño aproximado del 96.2 %, pero es necesario realizar una base de datos con las posibles fallas humanas, como la mayor cantidad de ruidos con el fin de obtener un modelo eficiente, dado que el desempeño del modelo tiene una relación directa con los ruidos en la base de datos. En cuanto al conteo de los productos, se generó un módulo a la salida del modelo de detección de objetos, el cual muestra el número de productos por clase con una eficacia del 88.6%, Finalmente se subieron los datos FireBase, una base de datos dinámica con diversas herramientas de conexión en plataformas.In this project, the development of a procedure based on the algorithm is carried out Faster RCNN ResNet 101 for classifying an inventory and recording it in a database, in addition to being able to compare the results obtained, adatabase portion for post-validation. The Faster RCNN ResNet 101 algorithm has been implemented in detection problems of objects, obtaining good results with models of low complexity and medium complexity, which is why there has been a growing interest in applying this algorith in detection and classification of objects. Furthermore, no application of the algorithm is presented in Store inventory problems, which is why it is the reason for this project. To carry out the classification of products, it is necessary to carry out the collection of a database, taking into account the division for training, validation and post-validation. This database is obtained by means of two professional cameras by labeling the images with Labelimg and processing the images to increase the information provided by the database. The input parameters of the object detection system are then selected. With base 70% of the database, the training and validation of the model is carried out, for through convolutional networks and networks of relationship proposals, through the model Pretrained Faster RCNN ResNet 101. A variation of an own parameter "learning coefficient" is carried out to find the classifier model. The results show that it is possible to perform a detection of objects through the pretrained model with an approximate performance of 96.2%, but it is necessary to make a database with possible human failures, such as the greater amount of noise in order to obtain an efficient model, since the performance of the model has a direct relationship with the noises in the database. Regarding the counting of the products, a module was generated at the output of the object detection, which shows the number of products per class with an efficiency of the 88.6%, Finally the data was uploaded to FireBase, a dynamic database with various connection tools on platforms.pdfspaAtribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/InventarioAprendizaje de máquinaRedes convolucionalesDetección de objetosInteligencia computacionalIngeniería Electrónica - Tesis y disertaciones académicasRedes neurales (Computadores)Inteligencia artificialComplejidad computacionalInventarios - AutomatizaciónProcesamiento electrónico de datosinfo:eu-repo/semantics/openAccessInventaryConvolutional networkMachine learningObject detectionComputacional intelligenceMonografíaAbierto (Texto Completo)