Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/68516
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorPilar Hormigo, Teresaes-ES
dc.contributor.advisorSanz Bobi, Miguel Ángeles-ES
dc.contributor.authorMoreno Barrio, Jorgees-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2022-06-08T15:55:07Z-
dc.date.available2022-06-08T15:55:07Z-
dc.date.issued2022es_ES
dc.identifier.urihttp://hdl.handle.net/11531/68516-
dc.descriptionMáster Universitario en Ingeniería Industrial + Máster in Smart Gridses_ES
dc.description.abstractEste trabajo trata de optimizar el uso de algoritmos inteligentes en la toma de decisiones en procesos reales a los que se enfrentan las empresas de distribución eléctrica. En concreto, el uso de algoritmos que basan su aprendizaje en un conjunto de datos de imágenes supone una gran revolución en las tareas iterativas y de uso intensivo de recursos. Por último, a nivel técnico, se ha utilizado la red de algoritmos YOLOv5, a la que se puede acceder de forma gratuita y que permite entrenar conjuntos de datos de forma rápida y con grandes resultados. El objetivo final del documento, además de dar a conocer este tipo de algoritmos y las redes neuronales que hay detrás, es optimizar los parámetros de precisión, tiempo de entrenamiento y memoria de la GPU utilizada en el proceso de entrenamiento y validación del algoritmo, para ello se han analizado varias técnicas de forma individual, como el uso de Data Augmentation o Transfer Learning, para clasificar las eficiencias obtenidas y, a partir del análisis de las técnicas, construir un algoritmo entrenado y validado de forma optimizada y analizar los resultados finales una vez alimentado con imágenes de diferentes categorías.es-ES
dc.description.abstractThis paper is about optimising the use of intelligent algorithms in decision-making in real processes faced by electricity distribution companies. In particular, the use of algorithms that base their learning on an image dataset is a major revolution in iterative, resource-intensive tasks. Finally, on a technical level, the YOLOv5 algorithm network has been used, which can be accessed for free and allows datasets to be trained quickly and with great results. The final objective of the document, apart from making known this kind of algorithms and the neural networks behind them, is to optimise the parameters of accuracy, training time and memory of the GPU used in the training process and validation of the algorithm, for this, various techniques were analysed individually, such as the use of Data Augmentation or Transfer Learning, to classify the efficiencies obtained and, based on the analysis of the techniques, build a trained and validated algorithm in an optimised way and analyse the final results once it was fed with images of different categories.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoes-ESes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject33 Ciencias tecnológicases_ES
dc.subject3304 Tecnología de los ordenadoreses_ES
dc.subject330413 Dispositivos de transmisión de datoses_ES
dc.subject.otherM8Ees_ES
dc.titleAI assistant for grid installation workses_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsDeep Learning, Distribución de Electricidad, Redes Neuronales Convolucionales, Detección de Objetos, YOLOv5, Optimización, Data Augmentation, Transfer Learning.es-ES
dc.keywordsDeep Learning, Electricity Distribution Network, Convolutional Neural Networks (CNN), Object Detection, YOLOv5, Optimisation, Data Augmentation, Transfer Learning.en-GB
Aparece en las colecciones: M8E - Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFM_MorenoBarrioJorge.pdfTrabajo Fin de Máster2,6 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.