Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales

La producción y uso de los sistemas Fotovoltaicos está en aumento, al igual que su tamaño y complejidad. En este proyecto se realizó un análisis sistemático de bibliografía referente a los algoritmos y las arquitecturas utilizadas en el análisis de imágenes térmicas y luego entrenar un algoritmo que...

Full description

Autores:
Morales Motta, Jessika Dayana
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Cooperativa de Colombia
Repositorio:
Repositorio UCC
Idioma:
OAI Identifier:
oai:repository.ucc.edu.co:20.500.12494/35580
Acceso en línea:
https://hdl.handle.net/20.500.12494/35580
Palabra clave:
Imágenes Térmicas
Inteligencia Artificial
Red Neuronal Convolucional
Tratamiento Digital de Imágenes
Aprendizaje profundo
TG 2021 SIS
Thermal Imaging
Artificial Intelligence
Convolutional Neural Network
Digital Image Processing
Deep learning
Rights
closedAccess
License
Atribución
id COOPER2_2af5bd4a6c03add83e6ea5c43a67029e
oai_identifier_str oai:repository.ucc.edu.co:20.500.12494/35580
network_acronym_str COOPER2
network_name_str Repositorio UCC
repository_id_str
dc.title.spa.fl_str_mv Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
title Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
spellingShingle Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
Imágenes Térmicas
Inteligencia Artificial
Red Neuronal Convolucional
Tratamiento Digital de Imágenes
Aprendizaje profundo
TG 2021 SIS
Thermal Imaging
Artificial Intelligence
Convolutional Neural Network
Digital Image Processing
Deep learning
title_short Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
title_full Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
title_fullStr Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
title_full_unstemmed Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
title_sort Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales
dc.creator.fl_str_mv Morales Motta, Jessika Dayana
dc.contributor.advisor.none.fl_str_mv Pincay Lozada, Jorge Luis
Londoño Gaitán, Yeimmy
dc.contributor.author.none.fl_str_mv Morales Motta, Jessika Dayana
dc.subject.spa.fl_str_mv Imágenes Térmicas
Inteligencia Artificial
Red Neuronal Convolucional
Tratamiento Digital de Imágenes
Aprendizaje profundo
topic Imágenes Térmicas
Inteligencia Artificial
Red Neuronal Convolucional
Tratamiento Digital de Imágenes
Aprendizaje profundo
TG 2021 SIS
Thermal Imaging
Artificial Intelligence
Convolutional Neural Network
Digital Image Processing
Deep learning
dc.subject.classification.spa.fl_str_mv TG 2021 SIS
dc.subject.other.spa.fl_str_mv Thermal Imaging
Artificial Intelligence
Convolutional Neural Network
Digital Image Processing
Deep learning
description La producción y uso de los sistemas Fotovoltaicos está en aumento, al igual que su tamaño y complejidad. En este proyecto se realizó un análisis sistemático de bibliografía referente a los algoritmos y las arquitecturas utilizadas en el análisis de imágenes térmicas y luego entrenar un algoritmo que servirá como base al proyecto Doctoral del Ph(c) Jorge Luis Pincay Lozada en el que utilizará redes neuronales convolucionales para automatizar el procesamiento y diagnostico en sistemas fotovoltaicos por medio de imágenes térmicas.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-08-10T22:06:41Z
dc.date.available.none.fl_str_mv 2021-08-10T22:06:41Z
dc.date.issued.none.fl_str_mv 2021-05
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12494/35580
dc.identifier.bibliographicCitation.spa.fl_str_mv Morales Motta, J. D. (2021). Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional Universidad Cooperativa de Colombia. https://repository.ucc.edu.co/handle/20.500.12494/35580
url https://hdl.handle.net/20.500.12494/35580
identifier_str_mv Morales Motta, J. D. (2021). Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional Universidad Cooperativa de Colombia. https://repository.ucc.edu.co/handle/20.500.12494/35580
dc.relation.references.spa.fl_str_mv Alexandre J. Oliveira, G. A. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. European Signal Processing Conference, 1-5.
Cao, Y. D. (2020). Two-stream convolutional neural network for non-destructive subsurface defect detection via similarity comparison of lock-in thermography signals. NDT and E International, 112. doi:doi.org/10.1016
Celsia S.A. E.S.P. . (2016). Celsia. Retrieved from https://www.celsia.com/es/granjassolares Chen J., J. Y. (2
Chen, J. J. (2019). Novel multi-convolutional neural network fusion approach for smile recognition. Multimedia Tools and Applications, 15887–15907. doi:s11042-018- 6945-x
Crispí, H. (2019, 05 17). MC.IA. . Retrieved from https://mc.ai/introduccion-al-deeplearning-parte-2-redes-neuronales-convolucionales/
Cuccurullo, M. A. (2020, 05 25). Una breve introducción a bibliometrix. Retrieved from https://cran.r-project.org/web/packages/bibliometrix/vignettes/bibliometrixvignette.html
Edita Solano López, S. J. (2019). La bibliometría: una herramienta eficaz para evaluar la actividad científica postgraduada. Revista Electrónica de las Ciencias Médicas en Cienfuegos, MediSur, 7(4), 59-62. Retrieved Junio 2021, 02, from http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727- 897X2009000400011&lng=es&tlng=es.
Ekici, S. &. (2020). Breast cancer diagnosis using thermography and convolutional neural networks. Medical Hypothese. Retrieved from https://doi.org/10.1016/j.mehy.2019.109542
Francia, J. (2017, 09 25). ¿Qué es Scrum? Retrieved from https://www.scrum.org/resources/blog/que-es-scrum.
Gómez Sarasa, C. C. (2020). Técnicas de aumento de datos para imágenes aéreas y evaluación de rendimiento en modelos de deep learning. Revista Universi-dad Católica de Oriente, 31(45), 100-115.
Howard, A. G.-a. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint. doi:arX-iv:1704.04861
Jiang, P. F. (2019). Parallelized Convolutional Recurrent Neural Network with Spectral Features for Speech Emotion Recognition. IEEE Access, 7, 90368–90377. Retrieved from https://doi.org/10.1109/ACCESS.2019.2927384
Jones, M. T. (2017, 04 10). IBM. Retrieved from IBM: https://www.ibm.com/developerworks/ssa/library/cc-machine-learning-deeplearning-architectures/index.htm
Jorge Luis Pincay Lozada, J. G. (2020). Experimental Analysis on Refrigeration Designs for Photovoltaic Panels. Energies Supported in ICTs: Bresict, 95.
Jorge, J. A. (2002). Informetría, bibliometría y cienciometría: aspectos teórico-prácticos. SCIELO - ACIMET.
Kravets, A. G. (2021). Cyber-Physical Systems: Modelling and Intelligent Control (Vol. 338). Springer International Publishing. doi:10.1007/978-3-030-66077-2
Li, Y. M. (2019). Detection and characterization of mechanical impact damage within multilayer carbon fiber reinforced polymer (cfrp) laminate using passive thermography. IEEE, 27689–27698
Martinez, J. (2018). DataSmarts. Retrieved from https://datasmarts.net/es/redesneuronales-convolucionales-en-profundidad/.
MINISTERIO DE ENERGIAS. (2021, 06 04). Ministerio de Minas y Energía. Retrieved from Ministerio de Minas y Energía: https://www.minenergia.gov.co/energiasrenovables-no-convencionales
Morán, M. B. (2018). Identification of thyroid nodules in infrared images by convolutional neural networks. Proceedings of the International Joint Conference on Neural Networks. doi:IJCNN.2018.8489032
ONU. (2019, 09 23). ORGANIZACION DE LAS NACIONES UNIDAS. Retrieved from ORGANIZACION DE LAS NACIONES UNIDAS: https://www.un.org/es/climatechange/press-materials.shtml
Picon, A. S.-G.-B. (2019). Crop conditional Convolutional Neural Networks for massive multi-crop plant disease classification over cell phone acquired images taken on real field conditions. Computers and Electronics in Agriculture, 105093. Retrieved from https://doi.org/10.1016/j.compag.2019.105093
Pincay, L. J. (2017). Analisis Experimental de la Relación de la Temperatura de Operación de un Módulo Fotovoltaico y su Voltaje de Circuito Abierto. Cali: Universidad Utonoma de Occidente.
Radoslaw M. Cichy, D. K. (n.d.). Deep Learnign Networks as Scientific Models. págs.1-6
Radoslaw M. Cichy, D. K. (2019). Deep Learning Networks as Scientific Models. Trends in Cognitive Sciences, 1-6.
RAE. (2021, 06 04). Real Academia Española. Retrieved from Real Academia Española: https://dle.rae.es/inteligencia
Rich, E. &. (1991). Artificial Intelligence. McGraw Hill Higher Education
Ruge Ilber Adonayt, P. A. (2012). Universidad Distrital Francisco José de Caldas. Colombia., https://revistas.udistrital.edu.co/index. php/Tecnura/article/view/6854.
Ruge Ruge Ilber Adonayt, P. A. (2012, 04 06). Universidad Distrital Francisco José de Caldas. Colombia. Retrieved from https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/6854
Sayed, M. &. (2018). Thermal face authentication with Convolutional Neural Network. . Journal of Computer Science, 1627–1637. Retrieved from https://doi.org/10.3844/jcssp.2018.1627.1637
Singh, S. y. (2019). Filter Response Normalization Layer: Elimi-nating Batch Dependence in the Training of Deep Neural Networks. arXiv preprint. doi:arXiv:1911.09737.
TESTO. (2017). TESTO. Retrieved from Guia Practica termografia para intalaciones fotovoltaicas: www.testo.com
Torch Contributors. (2021, 06 03). PYTORCH. Retrieved from pytorch.org: https://pytorch.org/docs/stable/optim.html
X. Zhang, J. Z. (2016, Octubre 01). Accelerating Very Deep Convolutional Networks for Classification and Detection. in IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(10), 1943-1955. doi:10.1109/TPAMI.2015.2502579
dc.rights.license.none.fl_str_mv Atribución
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/closedAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_14cb
rights_invalid_str_mv Atribución
http://purl.org/coar/access_right/c_14cb
eu_rights_str_mv closedAccess
dc.format.extent.spa.fl_str_mv 46 p.
dc.publisher.spa.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, Cali
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
dc.publisher.place.spa.fl_str_mv Cali
institution Universidad Cooperativa de Colombia
bitstream.url.fl_str_mv https://repository.ucc.edu.co/bitstreams/bcbb1503-bec0-473a-89be-aaf96143d930/download
https://repository.ucc.edu.co/bitstreams/3bcdbdb7-6e2c-4552-a23a-0ad1f89324fb/download
https://repository.ucc.edu.co/bitstreams/e2a136e4-2676-47a4-ad59-728c533c735f/download
https://repository.ucc.edu.co/bitstreams/6232e666-d8bd-45ae-b1a5-b151da797113/download
https://repository.ucc.edu.co/bitstreams/05198924-da8f-4ca5-970d-3a4de8c0df6b/download
https://repository.ucc.edu.co/bitstreams/798cf0b6-c8a1-4e9a-a49e-0c46d15bbb43/download
https://repository.ucc.edu.co/bitstreams/250389ec-8ebc-456f-b116-d87c4f83e92d/download
bitstream.checksum.fl_str_mv 00c9345c55ab985fe2f0b1c58c367670
8d3276365ae2f7d7b1836e6acb85c3a7
3bce4f7ab09dfc588f126e1e36e98a45
e51a75fdcc2fe9d5290f555ba1dbe992
89dc3e46b618f956bfdfb127caf603cf
85fde8ae151c5250f91247d1647a99fe
0acd2870353ff10789773627bd808295
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Cooperativa de Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1814247254161096704
spelling Pincay Lozada, Jorge LuisLondoño Gaitán, YeimmyMorales Motta, Jessika Dayana2021-08-10T22:06:41Z2021-08-10T22:06:41Z2021-05https://hdl.handle.net/20.500.12494/35580Morales Motta, J. D. (2021). Tratamiento de imágenes térmicas por medio de redes neuronales convolucionales [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional Universidad Cooperativa de Colombia. https://repository.ucc.edu.co/handle/20.500.12494/35580La producción y uso de los sistemas Fotovoltaicos está en aumento, al igual que su tamaño y complejidad. En este proyecto se realizó un análisis sistemático de bibliografía referente a los algoritmos y las arquitecturas utilizadas en el análisis de imágenes térmicas y luego entrenar un algoritmo que servirá como base al proyecto Doctoral del Ph(c) Jorge Luis Pincay Lozada en el que utilizará redes neuronales convolucionales para automatizar el procesamiento y diagnostico en sistemas fotovoltaicos por medio de imágenes térmicas.The production and use of Photovoltaic systems is increasing, as well as their size and complexity. In this project, a systematic analysis of the literature on the algorithms and architectures used in the analysis of thermal images was performed and then train an algorithm that will serve as the basis for the doctoral project of Jorge Luis Pincay Lozada Ph (c) in which he will use convolutional neural networks to automate the processing and diagnosis in photovoltaic systems by means of thermal images.Introducción. -- 1. Identificación del problema. -- 1.1 Formulación del problema. -- 2. Objetivos. -- 2.1 Objetivo general. -- 2.2 Objetivos específicos. -- 3. Justificación. -- 4. Marco de referencia. -- 4.1 Marco teórico. -- 4.1.1. Termografía. -- 4.1.2. Inteligencia Artificial. -- 4.1.2. Aprendizaje Profundo. -- 4.1.3. Redes Neuronales Convolucionales. -- 4.1.4 Convolución. -- 4.2 Marco legal. -- 5. Metodología. -- 5.1 Herramientas. -- 5.2 Método de investigación. -- 5.3 Metodología de desarrollo. -- 6. Resultados y discusión. -- 6.1 Revisión bibliográfica. -- 6.2 Algoritmo – red neuronal convolucional. -- 6.2.1 Métricas. -- 6.2.2 Definición del Dataset. -- 6.2.3 Definición del modelo. -- 6.2.4 Definición de la red neuronal Convolucional. -- 6.2.5 Función de perdida. -- 6.2.6 Entrenamiento y Resultados. -- 7. Conclusiones. -- 8. Recomendaciones. -- 9. Bibliografía. -- 9. Anexos.jessika.moralesm@campusucc.edu.co46 p.Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, CaliIngeniería de SistemasCaliImágenes TérmicasInteligencia ArtificialRed Neuronal ConvolucionalTratamiento Digital de ImágenesAprendizaje profundoTG 2021 SISThermal ImagingArtificial IntelligenceConvolutional Neural NetworkDigital Image ProcessingDeep learningTratamiento de imágenes térmicas por medio de redes neuronales convolucionalesTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionAtribucióninfo:eu-repo/semantics/closedAccesshttp://purl.org/coar/access_right/c_14cbAlexandre J. Oliveira, G. A. (2019). Analysis of nematodes in coffee crops at different altitudes using aerial images. European Signal Processing Conference, 1-5.Cao, Y. D. (2020). Two-stream convolutional neural network for non-destructive subsurface defect detection via similarity comparison of lock-in thermography signals. NDT and E International, 112. doi:doi.org/10.1016Celsia S.A. E.S.P. . (2016). Celsia. Retrieved from https://www.celsia.com/es/granjassolares Chen J., J. Y. (2Chen, J. J. (2019). Novel multi-convolutional neural network fusion approach for smile recognition. Multimedia Tools and Applications, 15887–15907. doi:s11042-018- 6945-xCrispí, H. (2019, 05 17). MC.IA. . Retrieved from https://mc.ai/introduccion-al-deeplearning-parte-2-redes-neuronales-convolucionales/Cuccurullo, M. A. (2020, 05 25). Una breve introducción a bibliometrix. Retrieved from https://cran.r-project.org/web/packages/bibliometrix/vignettes/bibliometrixvignette.htmlEdita Solano López, S. J. (2019). La bibliometría: una herramienta eficaz para evaluar la actividad científica postgraduada. Revista Electrónica de las Ciencias Médicas en Cienfuegos, MediSur, 7(4), 59-62. Retrieved Junio 2021, 02, from http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727- 897X2009000400011&lng=es&tlng=es.Ekici, S. &. (2020). Breast cancer diagnosis using thermography and convolutional neural networks. Medical Hypothese. Retrieved from https://doi.org/10.1016/j.mehy.2019.109542Francia, J. (2017, 09 25). ¿Qué es Scrum? Retrieved from https://www.scrum.org/resources/blog/que-es-scrum.Gómez Sarasa, C. C. (2020). Técnicas de aumento de datos para imágenes aéreas y evaluación de rendimiento en modelos de deep learning. Revista Universi-dad Católica de Oriente, 31(45), 100-115.Howard, A. G.-a. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint. doi:arX-iv:1704.04861Jiang, P. F. (2019). Parallelized Convolutional Recurrent Neural Network with Spectral Features for Speech Emotion Recognition. IEEE Access, 7, 90368–90377. Retrieved from https://doi.org/10.1109/ACCESS.2019.2927384Jones, M. T. (2017, 04 10). IBM. Retrieved from IBM: https://www.ibm.com/developerworks/ssa/library/cc-machine-learning-deeplearning-architectures/index.htmJorge Luis Pincay Lozada, J. G. (2020). Experimental Analysis on Refrigeration Designs for Photovoltaic Panels. Energies Supported in ICTs: Bresict, 95.Jorge, J. A. (2002). Informetría, bibliometría y cienciometría: aspectos teórico-prácticos. SCIELO - ACIMET.Kravets, A. G. (2021). Cyber-Physical Systems: Modelling and Intelligent Control (Vol. 338). Springer International Publishing. doi:10.1007/978-3-030-66077-2Li, Y. M. (2019). Detection and characterization of mechanical impact damage within multilayer carbon fiber reinforced polymer (cfrp) laminate using passive thermography. IEEE, 27689–27698Martinez, J. (2018). DataSmarts. Retrieved from https://datasmarts.net/es/redesneuronales-convolucionales-en-profundidad/.MINISTERIO DE ENERGIAS. (2021, 06 04). Ministerio de Minas y Energía. Retrieved from Ministerio de Minas y Energía: https://www.minenergia.gov.co/energiasrenovables-no-convencionalesMorán, M. B. (2018). Identification of thyroid nodules in infrared images by convolutional neural networks. Proceedings of the International Joint Conference on Neural Networks. doi:IJCNN.2018.8489032ONU. (2019, 09 23). ORGANIZACION DE LAS NACIONES UNIDAS. Retrieved from ORGANIZACION DE LAS NACIONES UNIDAS: https://www.un.org/es/climatechange/press-materials.shtmlPicon, A. S.-G.-B. (2019). Crop conditional Convolutional Neural Networks for massive multi-crop plant disease classification over cell phone acquired images taken on real field conditions. Computers and Electronics in Agriculture, 105093. Retrieved from https://doi.org/10.1016/j.compag.2019.105093Pincay, L. J. (2017). Analisis Experimental de la Relación de la Temperatura de Operación de un Módulo Fotovoltaico y su Voltaje de Circuito Abierto. Cali: Universidad Utonoma de Occidente.Radoslaw M. Cichy, D. K. (n.d.). Deep Learnign Networks as Scientific Models. págs.1-6Radoslaw M. Cichy, D. K. (2019). Deep Learning Networks as Scientific Models. Trends in Cognitive Sciences, 1-6.RAE. (2021, 06 04). Real Academia Española. Retrieved from Real Academia Española: https://dle.rae.es/inteligenciaRich, E. &. (1991). Artificial Intelligence. McGraw Hill Higher EducationRuge Ilber Adonayt, P. A. (2012). Universidad Distrital Francisco José de Caldas. Colombia., https://revistas.udistrital.edu.co/index. php/Tecnura/article/view/6854.Ruge Ruge Ilber Adonayt, P. A. (2012, 04 06). Universidad Distrital Francisco José de Caldas. Colombia. Retrieved from https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/6854Sayed, M. &. (2018). Thermal face authentication with Convolutional Neural Network. . Journal of Computer Science, 1627–1637. Retrieved from https://doi.org/10.3844/jcssp.2018.1627.1637Singh, S. y. (2019). Filter Response Normalization Layer: Elimi-nating Batch Dependence in the Training of Deep Neural Networks. arXiv preprint. doi:arXiv:1911.09737.TESTO. (2017). TESTO. Retrieved from Guia Practica termografia para intalaciones fotovoltaicas: www.testo.comTorch Contributors. (2021, 06 03). PYTORCH. Retrieved from pytorch.org: https://pytorch.org/docs/stable/optim.htmlX. Zhang, J. Z. (2016, Octubre 01). Accelerating Very Deep Convolutional Networks for Classification and Detection. in IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(10), 1943-1955. doi:10.1109/TPAMI.2015.2502579PublicationORIGINAL2021_tratamiento_imagenes_termicas.pdf2021_tratamiento_imagenes_termicas.pdfTrabajo de gradoapplication/pdf1658704https://repository.ucc.edu.co/bitstreams/bcbb1503-bec0-473a-89be-aaf96143d930/download00c9345c55ab985fe2f0b1c58c367670MD512021_tratamiento_imagenes_termicas-LicenciaUso.pdf2021_tratamiento_imagenes_termicas-LicenciaUso.pdfLicencia de usoapplication/pdf1409586https://repository.ucc.edu.co/bitstreams/3bcdbdb7-6e2c-4552-a23a-0ad1f89324fb/download8d3276365ae2f7d7b1836e6acb85c3a7MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/e2a136e4-2676-47a4-ad59-728c533c735f/download3bce4f7ab09dfc588f126e1e36e98a45MD53THUMBNAIL2021_tratamiento_imagenes_termicas.pdf.jpg2021_tratamiento_imagenes_termicas.pdf.jpgGenerated Thumbnailimage/jpeg2753https://repository.ucc.edu.co/bitstreams/6232e666-d8bd-45ae-b1a5-b151da797113/downloade51a75fdcc2fe9d5290f555ba1dbe992MD542021_tratamiento_imagenes_termicas-LicenciaUso.pdf.jpg2021_tratamiento_imagenes_termicas-LicenciaUso.pdf.jpgGenerated Thumbnailimage/jpeg5460https://repository.ucc.edu.co/bitstreams/05198924-da8f-4ca5-970d-3a4de8c0df6b/download89dc3e46b618f956bfdfb127caf603cfMD55TEXT2021_tratamiento_imagenes_termicas.pdf.txt2021_tratamiento_imagenes_termicas.pdf.txtExtracted texttext/plain55862https://repository.ucc.edu.co/bitstreams/798cf0b6-c8a1-4e9a-a49e-0c46d15bbb43/download85fde8ae151c5250f91247d1647a99feMD562021_tratamiento_imagenes_termicas-LicenciaUso.pdf.txt2021_tratamiento_imagenes_termicas-LicenciaUso.pdf.txtExtracted texttext/plain5890https://repository.ucc.edu.co/bitstreams/250389ec-8ebc-456f-b116-d87c4f83e92d/download0acd2870353ff10789773627bd808295MD5720.500.12494/35580oai:repository.ucc.edu.co:20.500.12494/355802024-08-10 21:29:47.339restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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

Publicaciones similares