Browsing by Author "Mulassano, Micaela"

Filter results by typing the first few letters
Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    Aplicación de una arquitectura de red neuronal para el monitoreo de carga por métodos no invasivos (NILM) utilizando ciclos de activación de artefactos eléctricos en el entrenamiento
    (Editorial UNSJ, 2019, 2019-04) Cocconi, Diego Alejandro; Yuan, Rebeca; Mulassano, Micaela; Ferreyra, Diego M.
    Con el objetivo de lograr identificar artefactos eléctricos utilizando redes neuronales a partir de una medida total de consumo de energía (técnica conocida como NILM, del inglés Non-Intrusive Load Monitoring), en el presente trabajo se plantea la evaluación de dos tipos de redes neuronales capaces de realizar tal tarea, contando como ejemplos de entrenamiento válidos para el aprendizaje con ciclos de activación de diferentes artefactos que ya fueron identificados por un algoritmo de detención desarrollado en trabajos anteriores.
  • Thumbnail Image
    Item
    Detección de pose de objetos usando cámaras RGB para aplicaciones industriales
    (AJEA- Actas de Jornadas y Eventos Académicos de UTN, 2021-11-29) Yuan, Rebeca; Mulassano, Micaela; Chiabrando, Bruno Julian; Jaime, Ibrahim; Cervetti, Gonzalo; Redolfi, Javier
    El avance y descubrimiento de distintos materiales y componentes tecnológicos, junto con el acoplamiento de algoritmos inteligentes, impacta en forma directa en la innovación de soluciones a distintos tipos de problemas. Un ejemplo de ello, es el uso de las cámaras RGB en el sector industrial. La presente investigación busca aplicar en el sector industrial, cámaras RGB junto a algoritmos de aprendizaje profundo, para la detección de la ubicación y la pose de los objetos que circulan por cintas transportadoras, propias del proceso productivo. El objetivo es reconocer la pose de los objetos ante diferentes variables como, por ejemplo, la velocidad de la cinta transportadora y la iluminación de la planta. En paralelo al armado del dataset de entrenamiento, se exponen los posibles modelos inteligentes a utilizar para alcanzar los objetivos planteados.
  • Thumbnail Image
    Item
    Detección de pose usando Deep Learning en ambientes industriales
    (AJEA- Actas de Jornadas y Eventos Académicos de UTN, 2022-12) Yuan, Rebeca; Mulassano, Micaela; Redolfi, Javier
    Cada vez es más común aplicar visión artificial en distintos entornos industriales, para establecer la ubicación, forma y calidad de los objetos. En trabajos anteriores se analizaron algoritmos de machine learning que permitieron detectar objetos y su presentación (frente/dorso). La presente investigación analiza la aplicación de una red convolucional profunda conocida como U-Net, para la segmentación de imágenes. El objetivo es lograr obtener la pose de los objetos, completando así la información de pose (ubicación) para utilizar métodos de bin picking (recogida aleatoria de contenedores) que completen el proceso de embalaje del objeto.
  • Thumbnail Image
    Item
    Monitoreo de carga por método no invasivos en el hogar argentino utilizando redes neuronales
    (UTN Facultad Regional San Francisco, 2018-11) Beinotti, Raúl Alberto; Cocconi, Diego Alejandro; Yuan, Rebeca; Mulassano, Micaela; Ferreyra, Diego M.; Bruno, Javier; Beltramone, Matías; Ferrero, Nicolás Gabriel; Biasco, Andrea Celeste; Beltramone, Matías
    En la actualidad, mucha gente podría verse interesada en el monitoreo energético de sus viviendas, con el fin de optimizar sus consumos. De esta manera, se conocerían los artefactos eléctricos que más energía consumen, su incidencia en el tiempo, cuán representativo resulta el consumo del resto de los artefactos y aquellos artefactos que podrían estar fallando. Utilizando Non-Intrusive Load Monitoring (NILM) y redes neuronales (del inglés Artificial Neural Networks, ANN), nuestro proyecto propone ofrecer esta posibilidad. Dos enfoques fueron planteados para realizar tal monitoreo la utilización de medidores independientes para cada artefacto eléctrico; la aplicación de Non-Intrusive Load Monitoring (NILM) o Non-Intrusive (Appliance) Load Monitoring (NIALM o NALM). NILM es una técnica computacional que a partir de una medida total de consumo de energía logra identificar los artefactos eléctricos individuales que se encuentran consumiendo la misma; aunque midiendo cada artefacto puede resultar un método más exacto que NILM, las desventajas prácticas como elevados costos, múltiples configuraciones de sensores y complejidad en la instalación, favorecen el uso de esta técnica. Un enfoque comúnmente utilizado para implementar NILM involucra las siguientes etapas: adquisición de datos; extracción de features; e inferencia o aprendizaje. Durante esta última etapa, las diversas features de los artefactos eléctricos extraídas a partir de los datos de consumo son procesadas según diferentes algoritmos en orden de identificar los artefactos. Se suelen emplear técnicas supervisadas de machine learning en esta etapa, las cuales requieren datos etiquetados; estas técnicas generalmente implican un proceso de aprendizaje lento y son vulnerables a cambios en el inventario de artefactos. Por lo detallado anteriormente, se requieren abordajes que permitan obtener resultados más exactos, sin insumir tiempos prolongados de entrenamiento ni muchos recursos, e independientes de grandes inventarios de features de artefactos eléctricos.
  • Thumbnail Image
    Item
    Museografía Interactiva con Acceso mediante Código QR
    (AJEA- Actas de Jornadas y Eventos Académicos de UTN, 2023-12) Levrino, Francisco; Castellano, Lucía Verónica; Fantin, Matías Gabriel; Mulassano, Micaela; Pipino, Hugo
    A través del presente trabajo se expone la implementación de la museografía interactiva con el uso de códigos QR en las actividades del Museo Interactivo de Ciencias (MuIC). El empleo de los mismos permite el acceso a guías audiovisuales, que indican con precisión el proceder del usuario para su correcta interacción con las actividades propuestas. El objetivo es otorgar una experiencia autónoma y así el visitante puede dejarse llevar por la curiosidad y preguntas que surjan al observar fenómenos existentes en nuestra cotidianeidad. Con el uso de estas tecnologías, además, el visitante puede otorgar una calificación a cada experiencia de la muestra, información importante y útil para los miembros del museo, a la hora de tomar decisiones y en la creación de nuevas propuestas.