Mostrar el registro sencillo del ítem

dc.contributor.authorSaiz-Álvaro, Fátima Aurora
dc.date2018-07-26
dc.date.accessioned2018-12-13T11:27:50Z
dc.date.available2018-12-13T11:27:50Z
dc.identifier.urihttps://reunir.unir.net/handle/123456789/7487
dc.descriptionIn this work a study of data extraction and mining architectures applied to superficial defects produced in the steel-rolling using Deep Learning techniques is carried out, as well as the storage of the data in a Big Data architecture and its exploitation using Visual Analytics tools that allow making agile decisions. For this purpose, the acquisition of data using computer vision is performed. Then, some experiments to configure the ideal acquisition of the data using neural networks are carried out. The obtained results and accuracies are compared with those of the current State of the Art, surpassing them. An architecture is designed according the production needs to store captured data. This architecture guarantees scalability, security and speed. Finally, some visualizations focused on different people-roles in production environment are developed to provide knowledge about the state of manufacturing that allows to improve the process.es_ES
dc.description.abstractEn este trabajo se realiza un estudio de arquitecturas de extracción y explotación de datos sobre defectos superficiales producidos en la laminación del acero mediante técnicas de Deep Learning, así como el almacenamiento de los datos en una arquitectura de Big Data y su explotación empleando herramientas de Visual Analytics que permiten tomar decisiones ágiles. Para ello se adquieren los datos con técnicas de visión por computador y se realizan experimentos para configurar la explotación de los datos empleando redes neuronales y se comparan los resultados y precisiones obtenidos con los del Estado del Arte actual, comprobando que son mejorados. Se diseña una arquitectura para almacenar los datos de la captura que se adapta a las necesidades de producción, garantizando la escalabilidad, la seguridad y la rapidez. Por último, se desarrollan visualizaciones enfocadas a diferentes roles de personas en la producción que aportan conocimiento sobre el estado de la fabricación y permiten mejorar el proceso.es_ES
dc.language.isospaes_ES
dc.rightsopenAccesses_ES
dc.subjectDeep Learninges_ES
dc.subjectBig Dataes_ES
dc.subjectVisual Analyticses_ES
dc.subjectdefectos superficialeses_ES
dc.subjectMáster en Visual Analytics y Big Dataes_ES
dc.titleEstudio de arquitecturas para la extracción y explotación de datos de defectos superficiales mediante técnicas de Deep Learninges_ES
dc.typemasterThesises_ES
reunir.tag~MAVDMes_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem