CONTENIDO pág. 1. INTRODUCCIÓN 13 2. ESTADO DEL ARTE 18 3. BASE DE DATOS 21 3.1. Base de datos Basadas en Imágenes . . . . . . . . . . . . . . . . . . . . 21 3.2. Construcción de la Base de Datos . . . . . . . . . . . . . . . . . . . . . 22 3.2.1. Software para Etiquetado de Datos . . . . . . . . . . . . . . . . 25 4. MODELOS MATEMÁTICOS EN APRENDIZAJE MAQUINA 35 4.1. Regresión lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2. Árboles de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.3. Bosques aleatorios (Random Forest) . . . . . . . . . . . . . . . . . . . . 40 4.4. Máquinas de vectores de soporte (SVM) . . . . . . . . . . . . . . . . . 41 4.5. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . . . . . 43 4.5.1. Redes Neuronales Convolucionales (CNN) . . . . . . . . . . . . 45 4.5.2. Redes Neuronales Recurrentes (RNN) . . . . . . . . . . . . . . . 46 4.5.3. Redes Neuronales Generativas Adversarias (GAN) . . . . . . . . 47 4.6. K-Means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5. Visión por Computador 52 5.1. Redes Neuronales Profundas como Autoencoders . . . . . . . . . . . . . 53 2 6. Clasificación de Turbiedad 54 6.1. Selección del Modelo de Aprendizaje . . . . . . . . . . . . . . . . . . . 54 6.2. Selección del Modelo de Red Neuronal . . . . . . . . . . . . . . . . . . 59 6.2.1. ResNet-50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6.3. Desarrollo del Algoritmo de Aprendizaje . . . . . . . . . . . . . . . . . 61 7. Resultados 77 7.1. Matriz de Confusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 8. Implementación Sobre Sistemas Hidráulicos 85 8.1. Ejemplos de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 8.1.1. Control de calidad del agua potable . . . . . . . . . . . . . . . . 88 8.1.2. Monitoreo de cuerpos de agua naturales . . . . . . . . . . . . . 89 8.1.3. Control de sistemas hidráulicos industriales . . . . . . . . . . . . 90 8.1.4. Monitoreo de aguas residuales . . . . . . . . . . . . . . . . . . . 92 8.1.5. Investigación científica en oceanografía . . . . . . . . . . . . . . 93 9. Conclusiones 95 BIBLIOGRAFÍA 98

Este proyecto se centra en el análisis de la turbidez del agua a través de técnicas de procesamiento de imágenes. Se inicia con la recopilación y anotación de una base de datos compuesta por 690 imágenes. Posteriormente, se aplica un proceso de aumento artificial para enriquecer la base de datos y se lleva a cabo una normalización para homogeneizar las características de las imágenes. El análisis neural se realiza mediante la implementación de la arquitectura ResNet-50, dividida en dos componentes: el modelo ResNet50 y una capa completamente conectada. La base de datos se divide equitativamente en conjuntos de entrenamiento y validación. Este enfoque busca optimizar la precisión del modelo en la clasificación de la turbidez del agua a partir de imágenes capturadas

The project revolves around the analysis of water turbidity through image processing techniques. It commences with the collection and annotation of a database consisting of 690 images. Subsequently, an artificial augmentation process is applied to enrich the database, followed by a normalization step to standardize image characteristics. Neural analysis is conducted through the implementation of the ResNet-50 architecture, segmented into two components: the ResNet50 model and a fully connected layer. The database is evenly divided into training and validation set. This approach aims to optimize the model's accuracy in classifying water turbidity based on captured images.

Magíster en Ingeniería Mecánica

Maestría