Please use this identifier to cite or link to this item: http://hdl.handle.net/10553/113820
DC FieldValueLanguage
dc.contributor.advisorAraña Pulido, Víctor Alexises
dc.contributor.advisorTicay Rivas, Jaime Robertoes
dc.contributor.advisorAlonso Eugenio, Víctores
dc.contributor.authorGalván Hernández, Antonio Davides
dc.date.accessioned2022-02-20T21:01:22Z-
dc.date.available2022-02-20T21:01:22Z-
dc.date.issued2022-
dc.identifier.otherGestión académica-
dc.identifier.urihttp://hdl.handle.net/10553/113820-
dc.description.abstractLas cámaras termográficas son los dispositivos más utilizados para determinar, sin la necesidad de contacto, la temperatura de un objeto incluso cuando se encuentra a una gran distancia. No obstante, una de las limitaciones clásicas de estas cámaras es su baja resolución espacial en comparación con las cámaras de luz visible. En este as- pecto, el paradigma cambia cuando entran en escena los métodos de súper-resolución, especialmente los basados en inteligencia artificial. La idea de estos métodos es mejo- rar la resolución espacial de las imágenes mediante técnicas de aprendizaje profundo, consiguiendo resultados rápidamente y a un precio menor que cambiando el hardware. Este proyecto propone el estudio e implementación de distintos métodos de súper- resolución aplicados a imágenes termográficas de baja resolución. A partir de la apli- cación de estos métodos de súper-resolución se realizará un estudio para poder estimar las pérdidas empíricas de estos al procesar una imagen termográfica, así como su resul- tado visual en comparación con las imágenes originales de baja resolución. De la misma manera, se propone un método basado en redes neuronales capaz de corregir los datos radiométricos obtenidos de una cámara de baja resolución a partir de la distancia que existe entre esta y el blanco de estudio. Este planteamiento aportará valor al estado de la técnica, ya que no sólo se mejorará la calidad visual de las imágenes, sino el valor radiométrico que representan los píxeles. Los resultados finales son derivados de una gran campaña de medidas para la reco- lección de datos y la creación de las muestras de entrenamiento y evaluación. De esta forma, dos bases de datos de imágenes termográficas son usadas para la evaluación de los métodos del estado de la técnica y el propuesto en este trabajo, discutiendo a partir de estos resultados que métodos mejoran la calidad visual de una cámara termográfica de bajo coste, así como la mejora en la lectura de la temperatura.en_US
dc.languagespaen_US
dc.subject120304 Inteligencia artificialen_US
dc.titleInteligencia artificial aplicada a super-resolucion en termografiaes
dc.typeinfo:eu-repo/semantics/masterThesisen_US
dc.typeMasterThesisen_US
dc.contributor.departamentoDepartamento de Señales y Comunicacioneses
dc.investigacionIngeniería y Arquitecturaen_US
dc.type2Trabajo final de másteren_US
dc.utils.revisionen_US
dc.identifier.matriculaTFT-65923es
dc.identifier.ulpgcen_US
dc.contributor.buulpgcBU-TELes
dc.contributor.titulacionMáster Universitario en Ingeniería de Telecomunicaciónes
item.fulltextCon texto completo-
item.grantfulltextopen-
crisitem.advisor.deptGIR IDeTIC: División de Ingeniería de Comunicaciones-
crisitem.advisor.deptIU para el Desarrollo Tecnológico y la Innovación-
crisitem.advisor.deptDepartamento de Señales y Comunicaciones-
crisitem.advisor.deptGIR IDeTIC: División de Ingeniería de Comunicaciones-
crisitem.advisor.deptIU para el Desarrollo Tecnológico y la Innovación-
crisitem.author.deptGIR IDeTIC: División de Ingeniería de Comunicaciones-
crisitem.author.deptIU para el Desarrollo Tecnológico y la Innovación-
crisitem.author.orcid0000-0002-1740-9326-
crisitem.author.parentorgIU para el Desarrollo Tecnológico y la Innovación-
crisitem.author.fullNameGalván Hernández, Antonio David-
Appears in Collections:Trabajo final de máster
Adobe PDF (23,34 MB)
Show simple item record

Google ScholarTM

Check


Share



Export metadata



Items in accedaCRIS are protected by copyright, with all rights reserved, unless otherwise indicated.