https://hdl.handle.net/20.500.12724/8868 2026-05-31T07:17:48Z 2026-05-31T07:17:48Z Zarate Osorio, Jesus Javier https://hdl.handle.net/20.500.12724/24747 2026-05-15T08:04:58Z 2025-01-01T00:00:00Z

A computer vision approach for cookie packaging inspection Zarate Osorio, Jesus Javier Automated inspection plays a fundamental role in quality control within manufacturing environments, particularly in food packaging processes where defective cookie packages are frequently produced. This work investigates the use of computer vision techniques based on deep learning to identify defective packaging, focusing on Convolutional Neural Networks (CNNs) and Vision Transformer (ViT) architectures. As part of this research, a custom dataset named Cookie Packaging Dataset was developed, consisting of images categorized into two classes: non-defective and defective packages. The dataset was designed to reflect real industrial conditions, including variations in illumination and visual noise. The proposed models were implemented using the PyTorch framework, considering CNN-based architectures such as ResNet-50 and AlexNet, as well as a ViT-based model. Model training and evaluation were conducted using a 5-fold cross-validation strategy, and performance was assessed using accuracy, recall, and F1-score metrics. Experimental results indicate that the ViT model achieved superior performance, reaching an accuracy of 100% and an F1-score and recall of 98% on the test set, while ResNet-50 and AlexNet obtained accuracies of 98% and 92.67%, respectively. These outcomes confirm the effectiveness of transformer-based approaches for improving automated inspection systems in food packaging applications.; La inspección automatizada constituye un elemento clave dentro de los procesos de control de calidad en entornos de manufactura, especialmente en la industria alimentaria, donde la presencia de empaques defectuosos de galletas es frecuente. Este trabajo analiza la aplicación de técnicas de visión por computadora basadas en aprendizaje profundo para la detección de defectos en empaques, empleando arquitecturas de Redes Neuronales Convolucionales (CNN) y Vision Transformer (ViT). Como parte del estudio, se desarrolló un conjunto de datos propio denominado Cookie Packaging Dataset, compuesto por imágenes clasificadas en dos categorías: empaques en buen estado y empaques defectuosos. Dicho conjunto de datos fue diseñado para representar condiciones industriales reales, incorporando variaciones de iluminación y ruido visual. Los modelos propuestos fueron implementados utilizando el framework PyTorch, considerando arquitecturas CNN como ResNet-50 y AlexNet, así como un modelo basado en ViT. El entrenamiento y la evaluación de los modelos se llevaron a cabo mediante una estrategia de validación cruzada de cinco particiones (5-fold cross-validation), y el desempeño se evaluó utilizando métricas de exactitud, recall y F1-score. Los resultados experimentales evidencian que el modelo ViT alcanzó un desempeño superior, obteniendo una exactitud del 100% y valores de recall y F1-score del 98% en el conjunto de prueba, mientras que ResNet-50 y AlexNet lograron exactitudes del 98% y 92.67%, respectivamente. Estos resultados confirman el potencial de los modelos basados en transformadores para mejorar los sistemas de inspección automatizada en aplicaciones de empaquetado de alimentos.

2025-01-01T00:00:00Z Herrera Medina, Nicolas Xavier Son Romero, Alejandro Hernan https://hdl.handle.net/20.500.12724/24746 2026-05-15T08:04:56Z 2026-01-01T00:00:00Z

Arquitectura blockchain híbrida para el registro de historiales médicos Herrera Medina, Nicolas Xavier; Son Romero, Alejandro Hernan En este trabajo se presenta una arquitectura de blockchain híbrida para mejorar la gestión e interoperabilidad de los historiales médicos electrónicos. Se combina una blockchain pública permisionada basada en Polkadot, la cual gestiona roles y permisos con una blockchain privada implementada en Hyperledger Fabric que, a la vez, está encargada del almacenamiento de los datos médicos de los pacientes. Los registros textuales se guardan en CouchDB, mientras que las imágenes en el IPFS se representan como tokens no fungibles, bajo un enfoque centrado en el paciente. Las pruebas de estrés mostraron latencias promedio de 2050 ms para la creación de historiales médicos electrónicos y 2000 ms para su intercambio, con un uso de CPU del 65 % y memoria de 170MB, lo que evidencia eficiencia y estabilidad. La arquitectura propuesta demuestra ser una solución escalable y segura para entornos hospitalarios, ya que optimiza recursos y fortalece la confidencialidad de la información médica del paciente.; This article introduces a hybrid blockchain architecture to enhance Electronic Medical Record (EMR) management and interoperability. It integrates a permissioned public blockchain on Polkadot—managing roles and permissions—with a private blockchain on Hyperledger Fabric responsible for EMR storage. Text data are stored in CouchDB and medical images in IPFS as Non- Fungible Tokens (NFTs), following a patient-centric model. Stress tests yielded average latencies of 2050 ms for EMR creation and 2000 ms for sharing, with 65 % CPU and 170 MB memory usage, indicating system stability and efficiency. The proposed architecture provides a scalable, secure, and interoperable solution suitable for healthcare environments that demand data confidentiality and controlled access.

2026-01-01T00:00:00Z Ortiz Valdivia, Luis Alberto https://hdl.handle.net/20.500.12724/24676 2026-04-22T17:57:18Z 2025-01-01T00:00:00Z

Implementación de un modelo ensamblado para la detección temprana de retinopatía diabética basado en redes neuronales convolucionales Ortiz Valdivia, Luis Alberto La retinopatía diabética (RD) es una de las complicaciones más comunes de la diabetes, caracterizada por el daño progresivo de los vasos sanguíneos de la retina. A largo plazo, puede causar ceguera irreversible debido al exceso de glucosa en sangre; por ello, su detección temprana resulta fundamental para evitar su avance y adoptar medidas de control adecuadas. En este contexto, las tecnologías de visión computacional han demostrado una alta precisión en la identificación de lesiones ocasionadas por diversas enfermedades oculares. El objetivo de la presente investigación es determinar el nivel de retinopatía diabética mediante un modelo ensamblado que combina las redes neuronales InceptionV3, VGG16 y DenseNet121, con el fin de reducir los efectos severos de la enfermedad. La metodología aplicada incluyó la modificación del conjunto de datos, el preprocesamiento, la selección de la mejor combinación y la evaluación de los modelos. Se utilizó el dataset APTOS 2019, que contiene imágenes clasificadas en cinco grados de RD, posteriormente reorganizados en tres categorías: no RD (N), RD temprano (T) y RD avanzada (A). Durante el preprocesamiento se aplicó desenfoque gaussiano para resaltar cavidades retinianas y la técnica Blob Detection para identificar microaneurismas. Además, se realizaron tres pruebas de validación cruzada para seleccionar los mejores modelos. Los modelos fueron optimizados mediante el ajuste de capas adicionales y la descongelación de las últimas capas para especializar las predicciones. El ensamblaje por promedio de las tres redes alcanzó una exactitud general del 91.65% en la fase de evaluación, evidenciando la efectividad del modelo propuesto y la utilidad del Blob Detection en la detección temprana de la RD; Diabetic retinopathy (DR) is a common complication of diabetes which consists of damage to the retina’s blood vessels. Over the long term, DR can produce blindness in diabetic people due to irreversible damage caused by excess sugar in the blood stream, therefore, early identification can prevent the complication’s development and at the same time allow for the adoption of measures which help control diabetes. Advancements in computational vision have expanded to a point where they can detect lesions caused by different sicknesses which great precision. The purpose of this investigation centers on being able to determine diabetic retinopathy utilizing an assembled model through the networks: InceptionV3, VGG16, and DenseNet121 to prevent fatal effects for diabetics. To accomplish this objective, a methodology based on the medication of the dataset, preprocessing, best model selection, and testing was employed. The APTOS 2019 dataset was employed, this dataset presents images of DR in 5 degrees, of which in preprocessing, were modified through gaussian blur to highlight cavities in the retina and Blob Detection to highlight microaneurysms. Through the same means, the dataset was modified so only 3 degrees would be present: early DR (T), advanced DR (A), and no DR (N). In the investigation, Cross-Validation was used 3 times to obtain the best models for use, this process was accomplished for each individual model and in the assembly. For the training of the proposed models, extra layers were added to improve performance, and the last layers were unfrozen for each model to specialize their predictions for the detection of DR. The averaging ensemble of the three models achieved an overall accuracy of 91.65% was obtained highlighting the efficiency of the model in detecting DR in its early stages. Therefore, the results demonstrate the effective use of Blob Detection as a tool for detecting DR and the use of averaged assembly to improve the accuracy of the models.

2025-01-01T00:00:00Z Marquez Celada, Danah Scarlett https://hdl.handle.net/20.500.12724/24592 2026-04-07T08:05:12Z 2025-01-01T00:00:00Z

Sistema de detección de plagas basado en visión computacional para los cultivos de vid de la zona sur del Perú Marquez Celada, Danah Scarlett El Perú se ha consolidado como el principal exportador mundial de uva de mesa, existiendo más de 22000 hectáreas de cultivo principalmente en las regiones de Ica un 47% y Piura el 36%. Sin embargo, plagas como la Esca y la Spodoptera frugiperda representan una gran amenaza para los cultivos vitivinícolas de estas regiones, ya que generan entre otros, bayas más pequeñas, destrucción de las yemas, retraso del crecimiento, plagas secundarias, hasta la muerte de la plantación. Siendo el principal inconveniente La detección de la plaga para la aplicación de medidas basadas en control biológico o químico. El presente trabajo implementó un sistema de detección temprana de plagas en los cultivos de vid en la región de Ica, Perú, mediante técnicas de detección y clasificación de visión computacional de una sola etapa. Se desarrolló un dataset propio in the wild, el cual se combina con imágenes generadas mediante la técnica de stable difusión. Se aplicaron técnicas de preprocesamiento para los datos y mediante Transfer Learning se entrenaron y compararon los modelos YOLOv8 y RetinaNet para la detección de Esca y la Spodoptera frugiperda en las hojas de los cultivos de vid, obteniendo un mAP@0.5 78,2% para el primer modelo y un mAP@0.5 84,5% para el segundo. Finalmente, se usó el modelo seleccionado en una aplicación móvil para detectar plagas en los cultivos de vid en tiempo real.; Peru has established itself as the world's leading exporter of table grapes, with more than 22,000 hectares of crops, in the regions of Ica 47% and Piura 36%. However, pests such as Esca and Spodoptera frugiperda pose a major threat to wine crops in these regions, causing, among other things, smaller berries, bud destruction, growth retardation, secondary pests, and even the death of the plantation. The main challenge is the timely detection of the pest for the application of biological or chemical control measures. This work implements an early pest detection system in grape crops in the Ica region of Peru, using single-stage computer vision detection and classification techniques. A proprietary in-the-wild dataset has been developed and combined with images generated using stable diffusion techniques. Preprocessing techniques were applied to the data, and transfer learning was used to train and compare the YOLOv8 and RetinaNet models for the detection of Esca and Spodoptera frugiperda on grapevine leaves. The first model obtained a 78.2% mAP@0.5 and the second an 84.5% mAP@0.5. Finally, using the selected model, a mobile application was developed to enable real-time pest detection in grapevine crops.

2025-01-01T00:00:00Z