Determinación de la mejor Arquitectura de Redes Neuronales Convolucionales: VGG16, ResNet50 ó MobileNet para detección de la Neumonía 2023

Simple item page
dc.contributor.advisorMamani Vilca, Ecler
dc.contributor.advisorOrdoñez Ramos, Erech
dc.contributor.authorEnciso Ortiz, Sergio Elías
dc.date.accessioned2025-10-04T04:36:07Z
dc.date.available2025-10-04T04:36:07Z
dc.date.issued2024-02-01
dc.description.abstractLas Redes Neuronales Convolucionales (CNN) se utilizan para el reconocimiento de imágenes de radiografías y otras aplicaciones. Actualmente, existen trabajos que comparan la eficacia de las arquitecturas CNN, como VGG16, ResNet50 y MobileNet con parámetros de entradas diferentes en sus entrenamientos, creando incertidumbre entre los desarrolladores de aplicaciones de clasificación de imágenes, nosotros sí aplicamos entradas iguales para el entrenamiento de las CNN en estudio. Para abordar esta falta de información, se utilizó una base de datos de Kaggle que consta de 5856 imágenes. De esa base de datos, se seleccionó una muestra sistemática de 746 imágenes de radiografías de pulmones sanos y con Neumonía. Para asegurar la normalización de las imágenes, se utilizaron las herramientas iloveimg y ReNamer. Además, se utilizó Python con Google Colab y diversas librerías, como tensorflow, matplotlib, numpy, os, cv2 y random, para ejecutar las diferentes arquitecturas. El diseño metodológico se basó en un enfoque cuantitativo, empleando tablas de comparación y las imágenes adquiridas de la base de datos de Kaggle. Los resultados obtenidos indicaron que el porcentaje de exactitud (Accuracy) fue de 80.83% para VGG16, 91.82% para ResNet50 y 78.28% para MobileNet, concluyéndose que ResNet50 es la arquitectura más precisa en este contexto.
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.14195/381
dc.language.isospa
dc.publisherUniversidad Nacional Micaela Bastidas de Apurímac
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectArquitecturas de redes neuronales convolucionales
dc.subjectMobileNet
dc.subjectResNet50
dc.subjectVGG16
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.00
dc.titleDeterminación de la mejor Arquitectura de Redes Neuronales Convolucionales: VGG16, ResNet50 ó MobileNet para detección de la Neumonía 2023
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersion
renati.advisor.dni02444053
renati.advisor.dni01341256
renati.advisor.orcidhttps://orcid.org/0000-0002-5205-3660
renati.advisor.orcidhttps://orcid.org/0000-0002-3058-9683
renati.author.dni42183684
renati.discipline612296
renati.jurorAquino Cruz, Mario
renati.jurorRentería Ayquipa, Ronald Alberto
renati.jurorQuispe Merma, Rafael Ricardo
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería Informática y Sistemas
thesis.degree.grantorUniversidad Nacional Micaela Bastidas de Apurímac. Facultad de Ingeniería
thesis.degree.nameIngeniero Informático y Sistemas

Files

Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
T-Enciso-Ortiz-Sergio-Elias.pdf
Size:
2.63 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
T-Autorizacion-Enciso-Ortiz-Sergio-Elias.pdf
Size:
381.4 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download

Collections

Escuela Profesional de Ingeniería Informática y Sistemas