Clasificador de inventario por medio de una red neuronal convolucional con sincronización a una base de datos

En 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.

• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/29099
• Acceso en línea: http://hdl.handle.net/11349/29099
• Palabra clave: Inventario; Aprendizaje de máquina; Redes convolucionales; Detección de objetos; Inteligencia computacional; Ingeniería Electrónica - Tesis y disertaciones académicas; Redes neurales (Computadores); Inteligencia artificial; Complejidad computacional; Inventarios - Automatización; Procesamiento electrónico de datos; Inventary; Convolutional network; Machine learning; Object detection; Computacional intelligence
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional