Search

Lan honen helburu nagusia ikusmen artifizialaren bidez eta, zehazki, pertsonen eskeletoen eta horietatik erauzitako atributuen bidez, aparkaleku batean dauden indibiduoen ekintzak identifikatzea da. Horretarako, bideoetako pertsonen eskeletoen erauzketa eta eskeleto horien atributuen erauzketa egin dira, hipotesi batzuk oinarri hartuta. Ondoren, lortutako atributuekin neurona- sare bat entrenatu da. Neurona-sarean exekuzio desberdinak eginda, ereduaren portaera aztertu da aldagai batzuen arabera, hala nola, kameratik urruti dauden pertsonak kontuan hartzea ala ez, lortutako eskeletoen datuak leuntzea ala ez, edota eskeletoekin soilik lor- tzen diren emaitzak atributuekin hobetzen diren ala ez. Aparkaleku batean, hau da, testuinguru "arriskutsu"batean, identifikatu diren eta auto au- tonomoaren ikuspegipean arriskua areagotu dezaketen ekintzak lau dira: korrika ibiltzea, mugikorrean txateatzea, telefonoz hitz egitea eta atzera begira egotea. Bosgarren ekintza bat ere identifikatu da, baina, arriskua sortzen ez duen arren, gainontzekoak baztertzeko beharrezkoa dena: oinez ibiltzea. Hori burutzeko, 84.650 instantziatako datu-base bat era- bili da, eta instantzia bakoitzak frame bakoitzeko pertsona bat eta bere ekintza jasotzen ditu. Lortutako emaitzek erakusten dute trebatutako eredua zenbateraino den gai ekintzak iden- tifikatzeko, eta ekintzen identifikazio-faseetan zein datu-tratamendu diren erabilgarriak. Beraz, batetik, eredua mundu errealera aplikatu daitekeen ala ez ondorioztatu da, eta, bestetik, ekintzen sailkapeneko prozesuetan aintzat hartu beharreko alderdi batzuk ondo- rioztatu dira.

En este Trabajo de Fin de Grado, se desarrollan y se prueban distintas implementaciones de redes neuronales para reconocer las emociones de las personas en tres modalidades diferentes: imagen, vídeo y audio. Se hacen pruebas con distintos tipos de redes neuronales y con distintas bases de datos públicas para saber qué red neuronal (y sus hiperparámetros), puede ser la más adecuada para cada modalidad. Una vez se obtienen los resultados del entrenamiento de estas redes, se comparan los resultados para saber cuál es la que ofrece mayor exactitud. Finalmente, desarrollar un algoritmo de fusión de clasificaciones de audio y vídeo. En conclusión, podemos decir que los mejores resultados se han obtenido utilizando distintos tipos de redes neuronales convolucionales. En todas las bases de datos el mejor resultado se ha logrado utilizando diferentes arquitecturas CNNs, a excepción del reconocimiento del habla, que con una base de datos en concreto se ha alcanzado el mejor resultado utilizando una base red neuronal recurrente.

[EU] Azken urteetan suizidioa gizartearen kezka nagusietako bat bihurtu da. Gainera, sare sozialak gure egunerokotasunaren parte bilakatu dira eta emozioak adierazteko erabiltzen dira askotan. Hizkuntzaren prozesamenduaren arloan gero eta ugariagoak dira sare sozialetako testua abiapuntutzat hartuta suizidio-ideiagintza zein beste nahasmendu psikologiko batzuen zantzuak erakusten dituzten mezu zein erabiltzaileak detektatzeko egindako saiakerak. Proiektu honetan suizidio-ideiagintzaren ikerkuntza arloan ohikoak diren bi atazei egin zaie aurre Reddit sare sozialeko ingelesez idatzitako mezuak abiapuntutzat hartuz. Alde batetik mezuen analisi linguistikoa gauzatu da ikasketa sakonean oinarritutako UDPipe analizatzailea erabiliz, besteak beste. Analisi honetatik ondorioztatu da suizidio-ideiagintzarekin erlazionatutako mezuak luzeagoak izan ohi direla eta lehen pertsona singularreko izenordain gehiago erabiltzen dituztela. Bestalde, mezuen gaineko sailkapen bitarra landu da hauek suizidio-ideiagintzaren zantzuak erakusten dituzten ala ez erabakitzeko. Horretarako bi hurbilpen ezberdin eraiki dira. Alde batetik artearen egoerako sistemak erabili dira, baliabide konputazional asko kontsumitzen dituztenak. Bestetik, mezuak errepresentatzeko modu alternatibo bat proposatu da, LDA topiko-eredua erabiltzen duena, eta sinpleagoak diren sailkatzaileen gainean probatu da. Bi hurbilpen hauekin lortutako emaitzak alderatzean ondorioztatu da ataza honetan topiko-ereduak baliagarriak direla mezuak errepresentatzeko eta oinarrizkoagoa den hurbilpenarekin artearen egoerako ohiko neurona-sareen errendimendura gerturatzea posible dela, ez ordea transformerren emaitzetara. Izan ere, transformerrek lortutako emaitzak nabarmenki gailentzen dira gainontzeko ereduek eskuratutakoetatik, % 97,9ko asmatze-tasara iritsiz (neurona-sareek lortutakoak baino 6 puntu gehiago). Amaitzeko, egindako lanarekin ikusi da ikerketa-esparru honetan badagoela zer egina eta etorkizunerako norabide ezberdin uga

Osakidetzako larrialdi zerbitzuetan arazo bat topatu da. Gaixo bat bertara heltzen denean, medikuek gaixoak dituen sintomen inguruko galderak egiten dizkiote eta honen erantzunak lengoaia naturala erabiliz testu klinikoetan erregistratzen dituzte. Kontua da, zenbait kasutan galdetu beharreko daturen bat ez dutela galdetzen edota ez dutela behar bezala idatzita uzten. Hau problema bat da, etorkizunean diagnosi okerrak egiteko aukera sortzen baitu. Pazientea bularraldeko minarekin joango balitz ospitalera, sendagileak bederatzi datu erregistratu beharko lituzke. Honelako kasu batean beharrezkoa da hau egitea, bularraldeko mina gaixotasun hilgarri askoren aurrekaria izan baitaiteke. Hau jakinda, Hizkuntza Naturalaren Prozesamenduko teknikak erabiliz, bularraldeko minarekin erlazionatutako txosten klinikoetan aipatu beharreko datuen presentzia eta absentzia detektatzen duen sistema bat garatu nahi izan da. Baina, hau garatzeko arazo nagusi bat egon da: datu etiketatuen urritasuna. Ataza hau ikasteko eskuragarri dagoen corpusa oso txikia da. Egoera hau behin baino gehiagotan errepikatzen da medikuntzaren domeinuan. Testu kliniko elektroniko ugari topatu arren, etiketatu gabe egon ohi dira. Hori dela eta, arazoari aurre egin nahi izan zaio. Honelako eszenatoki bat planteatzen den kasuan, alegia, domeinua oso murritza denean (medikuntzaren kasua) eta datu urritasuna nabaria denean, zein bide posible har daitezkeen ikertu da. Domeinu orokorrean, datu-urritasun eszenarioetan, erlazio erauzketa ataza inferentzia ataza batean bihurtzea lagungarria dela frogatuta dago. Proiektu honen helburuetako bat, medikuntza domeinuan ondorio berdinak mantentzen direla ikustea izan da. Inferentzian oinarritutako eredu batek benetan ataza ikasteko gaitasuna ote duen frogatu da. Baita, datu gutxi edukita ataza birmoldatu gabe lortuko liratekeen ereduak aztertu ere. Bukatzeko, bi estrategiekin lortutako emaitzak alderatu dira. Eskuraturiko emaitzak interesgarriak izan dira. Ikasketa ataza birm

Este proyecto se basa en la búsqueda de la estrategia de carrera óptima para un circuito y un piloto en particular dentro de un simulador de Fórmula 1. Se recogen datos del simulador y se definen los factores que influyen al definir una estrategia de carrera. Con esta información se utilizan técnicas de aprendizaje supervisado para analizar y predecir el comportamiento del coche en cualquier escenario y se implementa un optimizador genético a la hora de encontrar la combinación de parámetros que complete la carrera en el menor tiempo posible. Los resultados son satisfactorios tras ser evaluados introduciendo los parámetros de las soluciones en el simulador y comparando las estrategias obtenidas con las utilizadas en la realidad

Este proyecto tiene como objetivo reducir el proceso necesario para la detección del Alzheimer, para lograr este objetivo, se ha intentado desarrollar una herramienta que a través del aprendizaje automático y utilizando la información volumétrica extraída de resonancias magnéticas, permita un diagnóstico fiable del Alzheimer.

Lan honetan euskarazko laburpen automatikoak egiteko sistema bat garatu eta ebaluatu da. Entrenamendurako corpusa, ingelesezko datu multzo batzuk aukeratu eta euskarara itzuliz sortu da. Hainbat entrenamendu egin dira eredurik egokiena lortzeko bidea aurkitzeko. Azkenik, metrika automatikoak eta eskuzko ebaluazioa eginda sistemaren laburpenak ebaluatu dira. Lan guztia euskaraz egin da eta memoria ere euskaraz idatzia dago.

Proiektu honetan, BETH datu-multzoa erabiliz, zibersegurtasuneko datuetan erasoak detektatu nahi dira. Zehazki, ikaskuntza automatikoko teknikak erabiliz, konputagailuen arteko komunikazioak atakeak diren edo ez sailkatu nahi da. Lan hau euskaraz garatu da.

Azken urteetan, gizakiok sortutako datu kopuruak era etengabean hazi egin dira, izan ere, teknologiaren gorakadak eta edozeinek gailu teknologiko desberdinak izateko aukerak egoera hau sendotzen baitute. Honen ondorioz, datu hauetara moldatzen diren modelo prediktiboak sortzea ataza geroz eta zailago da eta ikaskuntza automatikoaren arloan hainbat irtenbide proposatu eta garatu egin dira. Pentsatu behar da kasu gehienetan datu guztien artean garrantzitsuena azkenak direla, izan ere, hauek dira momentuko tendentzia definitzen dutenak. Lan honen bidez, arazo honen aurrean irtenbide partikular bat aurkeztuko da, zehazki, Madrilgo kontaminazioa aurreikusten duen eta ikasketa inkrementala deituriko teknikari esker datu berrietara moldatzen den modelo bat sortuko da. Horretarako bi teknika desberdin erakutsi dira datu berriak kontuan hartzea duen garrantzia aztertuz eta bien arteko emaitzak konparatuz. Bestalde, kontuan izan behar da ere sortutako datuak hain ugariak direnez eta, era berean, hain aldakorrak direnez, eredu hauek denboran zehar gainbegiratuak izatea ezinbestekoa suerta daitekeela kasu gehienetan. Arazo honetarako MLOps paradigma aurki dezakegu zeina DevOps paradigmatik eratorriz, Adimen Artifizialaren arloan sortzen diren produktu edo irtenbideak nola tratatu behar diren definitzen duen. Paradigma honen barruan sortutako produktuak ziklikoki fase desberdinetatik pasako dira, datuen tratamendutik hasiz eta modeloaren deployment fasera iritsi arte honen entrenamendua bitarte izanik, eta fase guzti hauetan produktua gainbegiratu egingo da sortutako errore berrien bila hauek hurrengo faseetara pasa ez daitezen. Prozesu hau ezinbesteko izango da lanaren garapenean Madrilgo kontaminazioa aurreikusten duen modeloa etengabe entrenatu ahal izateko eta bidean sortzen diren akatsak ekiditeko.

Video games and the video game industry have considerably grown in the last years. Taking into consideration the importance of video games and artificial intelligence nowadays, and among all the applications that artificial intelligence has these days, the goal of this project has been to develop an AI-based approach for playing the videogame Cuphead using Convolutional Neural Networks, a decision making system and automatic keyboard interaction. Different object detection models were tested and after choosing one of them, it was fine-tuned using data that was labeled automatically using a method created for this purpose.

Lan honetan 3D-ko bistaratzailea bat garatu da. CAD fitxategiak kargatzeko aukera dago, eta funtzionalitate desberdinak gehitu dira. Excel fitxategiak kargatzeko aukera ere gehitu da, horrela osagai desberdinen informazioa gehitzeko. Euskeraz garatu da memoria.

La computación de alto rendimiento se ha vuelto imprescindible, ya que es la base de cualquier investigación científica. El crecimiento masivo de esta área ha traído ciertos problemas en la computación, como el crecimiento de la cantidad de datos en la computación. Para ello, existen ciertas soluciones para ayudar a facilitar y aligerar la computación en estos casos. Este proyecto se centrará en el estudio de los algoritmos de alto rendimiento, como los de detección y seguimiento de objetos en tiempo real, cuando ejecutamos en un entorno virtualizado y acelerado por la GPU. En primer lugar, se analizará e investigará sobre los algoritmos de alto rendimiento, en concreto centrándose en los de detección y seguimiento de los objetos. También se estudiará el tema de la aceleración por GPU, como funciona y en que beneficia a la hora de la computación. Otro de los temas en el que se adentrará en el proyecto será la virtualización y las técnicas que existen para conseguir esta herramienta. Se conocerá la técnica de la virtualización a través de contenedores y se preparará un entorno virtual utilizando esa técnica Finalmente, en el experimento se ejecutarán varios algoritmos en ese entorno virtual haciendo uso de la GPU y se hará un análisis de los resultados. Habrá una comparación de distintos casos en el que se sacarán conclusiones.

[EU] Dot Knot jokoko irudi bat prozesatuz, SAT ebazle baten bidez problemaren ebazpena lortzea da helburu, paralelizazioaz baliatuz eraginkortasuna hobetzeko., [ES] Teniendo una imagen del juego Dot Knot, el objetivo del trabajo es conseguir la solución del problema a través de un resolutor SAT, utilizando la paralelización con el fin de mejorar el rendimiento.

[EN] In recent years, the Artificial Intelligence (AI) has experienced a significant upswing, more particularly in the field of Deep Learning (DL). The Variational Auto-Encoder (VAE) is a deep generative model that maps the features of the input data to a latent prior distribution, and reconstructs data from latent vectors. To map and reconstruct the data, the model uses a encoder and decoder Deep Neural Networks (DNN) respectively, and the latent prior is usually a Gaussian distribution. Although the VAE is a functional generative model, its training method is conflicting because its cost function is composed of two values: the reconstruction error and the Kullback-Leibler (KL) divergence. For this reason, we experimented on this training process and on different variants of the state of the art of the model that propose improvements on this aspect. For the experimentation, a lack of tools to work with the VAE in a simple, agile and flexible way was observed. For this reason, the creation of a library called tfVAE was proposed, which offers an ordered, structured and scalable solution to the given problem. This not only allows the study or experimentation of the model, but also facilitates the implementation of new variants of it. This library unites concepts from Computer Science with the use of neural models, and from Software Engineering, such as the use of an architectural pattern based on Domain Driven Design (DDD). For the experimentation, preliminary experiments were first carried out using the MNIST database, which would serve as a reference point for the rest of the experiments, where the MNIST and Fashion-MNIST databases would be used. The main experiments were carried out with the model architectures of the preliminary experiments and applied to the state-of-the-art models. In this stage of the experimentation, only the generative capability of the models was tested using the Frechet Inception Distance (FID) computed using our own inception models as a m, [EU] Azken urtetan, Adimen Artifizialak gorakada handia izan du, Ikaskuntza Sakonaren arloan, hain zuzen ere. Variational Auto-Encoder-a (VAE) eredu sortzaile sakon bat da, aldez aurretik ezkutuko banaketa batera sarrera datuen ezaugarriak mapatzen dituena, eta datuak ezkutuko bektoreetatik abiatuta berreraikitzen dituena. Datuak mapatzeko eta berreraikitzeko, ereduak erabiltzen ditu kodetzailea eta deskodetzailea Sare Neuronal Sakonak, hurrenez hurren, eta a priori banaketa latentea Gaussiana banaketa da normalean. VAE eredu sortzaile funtzionala den arren, bere entrenamendu-metodoa gatazkatsua da, kostu-funtzioa bi baliok osatzen baitute: berreraikitze-errorea eta Kullback-Leibler (KL) dibergentziak. Horregatik, esperimentatu dugu entrenamendu-prozesu horri buruz, eta ereduaren egoeraren bariante desberdinak esperimentatu nahi izan dira, alderdi horretan hobekuntzak proposatzen dituztenak. Esperimentaziorako, VAErekin modu sinple, azkar eta malguan lan egiteko tresnarik ez zegoela ikusi zen. Horregatik, tfVAE izeneko liburutegia sortzea planteatu zen, emandako arazoari irtenbide ordenatua, egituratua eta eskalagarria emateko. Horrek, ereduaren azterketa edo esperimentazioa ahalbidetzeaz gain, haren bariante berrien inplementazioa ere errazten du. Liburutegi honek Konputazio Zientzien eredu neuronalen eta Software Ingeniaritzaren kontzeptuak batzen ditu, hala nola Domain Driven Design-en oinarritutako arkitektura-patroiaren erabilera. Esperimentaziorako, lehenik eta behin, MNIST datu-basea erabiliz egindako aurretiazko esperimentu batzuk egin ziren, gainerako esperimentuetarako erreferentzia-puntu gisa balioko zutenak, non MNIST eta Fashion-MNIST datu-baseak erabiliko ziren. Esperimentu nagusiak aurretiazko esperimentuen ereduen arkitekturekin egin ziren, artearen egoeraren ereduei aplikatuz. Esperimentazio-etapa honetan, modeloen sortze-gaitasuna soilik egiaztatu zen, Frechet Inception Distance (FID) erabiliz, betiere inception eredu propioen baldintzapean, metrik, [ES] En los últimos años, la Inteligencia Artificial ha experimentado un importante repunte, más concretamente, en el campo del Aprendizaje Profundo. El Variational Auto-Encoder (VAE) es un modelo generativo profundo que mapea las características de los datos de entrada a una distribución previa latente, y reconstruye los datos a partir de vectores latentes. Para mapear y reconstruir los datos, el modelo utiliza una Red Neuronal Profunda codificadora y otra decodificadora, respectivamente, y la distribución latente a priori suele ser una distribución Gaussiana. A pesar de que el VAE es un modelo generativo funcional, su método de entrenamiento resulta conflictivo debido a que su función de coste se compone de dos valores: el error de reconstrucción y la divergencia Kullback-Leibler (KL). Por esto mismo, se ha experimentado sobre este proceso de entrenamiento y sobe distintas variantes del estado del arte del modelo que proponen mejoras sobre este aspecto. Para la experimentación, se observó una ausencia de herramientas para trabajar con el VAE de una manera simple, agil y flexible. Por ello, se planteó la creación de una librería llamada tfVAE que plantea una solución ordenada, estructurada y escalable al problema dado. Ésta no solo permite el estudio o la experimentación del modelo, sino que también facilita la implementación de nuevas variantes del mismo. Esta librería une conceptos de las Ciencias de la Computación con el uso de modelos neuronales, y de la Ingeniería del Software, como el uso de un patrón de arquitectura basado en Domain Driven Design. Para la experimentación, se realizaron primero unos experimentos preliminares hechos utilizando la base de datos MNIST, y que servirían como punto de referencia para el resto de experimentos, dónde se utilizarían las bases de datos MNIST y Fashion-MNIST. Los experimentos principales se realizaron con las arquitecturas de los modelos de los experimentos preliminares aplicándolas a los modelos del estado del arte. En

[EU] Zabot proiektua inguruko zaborra hautemateko, jasotzeko eta zakarrontzi egokian uzteko gai den beso robotiko baten instalazioa eta kontrola gauzatzean datza.

El Análisis de Canal Lateral es un conjunto de ataques que sirven para obtener las claves de cifrado de dispositivos embebidos. Dichos ataques son complejos de llevar a cabo, por lo que existe una gran posibilidad de cometer errores, además de necesitar la presencia humana para su correcto ajuste y funcionamiento. Una posible solución para minimizar esta dependencia es el uso de Algoritmos de Estimación de Distribuciones. En el presente proyecto, en colaboración con el centro tecnológico de Ikerlan, se propone crear una herramienta que implemente este tipo de algoritmo para realizar ataques de Canal Lateral, y con ello, evaluar dispositivos y comprobar su protección ante los ataques efectuados sin requerir de la presencia humana.

Hizkuntzaren prozesamendua goren une batean dagoen gai bat da. Izan ere, azken aurrerapenekin, konputagailuek hizkuntza naturala prozesatzeko gaitasun asko irabazten hari dira. Gaitasun horiek garatzen lan egiten duen hizkuntzaren prozesamenduko arlo garrantzitsuetako bat da Informazio Erauzketa. Honen helburua, testu batetik informazio garrantzitsuena ateratzea izanik. Gure lana informazio erauzketan zentratuko den arren, haratago joateko intentzioa dago, hizkuntzen arteko transferentzia neurtuz. Hau da, IE hizkuntza jakin batean aplikatzeko prestatuta dagoen eredu bat hartu eta beste hizkuntza batean ebaluatuko da. Hau egitean, hizkuntzen arteko transferentzia neurtzeaz gain, hizkuntza desberdinen ezaugarri linguistikoak transferentzian duten eragina aztertu nahi da. Gure kasuan euskara erabiliko dugu transferentzia neurtzeko, honek dituen ezaugarri topologiko partikularrengatik.

Proiektu honen helburua ALDAPA taldeak diseinatutako PCTBagging (\textit{Partially Consolidated Tree Bagging}) algoritmoaren aldaera berri bat WEKA plataforman inplementatzea da. PCTBagging gidatua izeneko algoritmo berri honek zuhaitza kontsolidatu partziala hainbat modutan eraikitzea bilatzen du, ahalik eta errendimendurik onena lortzeko. Horretarako, parametro batzuk gehitzen dira, eta, horien bidez, erabiltzaileari aukera ematen zaio zuhaitz kontsolidatua garatzeko modua aukeratzeko. PCTBagging algoritmoan, zuhaitza osoa garatzen da eta gero adabegi txikienak kentzen dira. PCTBagging gidatuan, ordea, erabiltzaileak hainbat irizpideen artean aukeratzeko aukera izango du garatu beharreko hurrengo nodoa hautatzeko, irizpide diskriminatzailearekiko (\textit{gain ratio}) edo preordenarekiko, besteak beste. Era berean, erabiltzaileak zuhaitz kontsolidatuaren nodo-kopuru edo maila-kopuru maximoa hautatzeko aukera izango du ere. Horrela, erabilitako irizpidearen arabera, sortutako zuhaitz kontsolidatu partziala desberdina izango da eta beraz, honek ematen dituen emaitzak ere. Esperimentazioa 33 datu-baserekin egin da eta hainbat algoritmo alderatu dira. CTC algoritmoa, PCTBagging algoritmoa eta beste algoritmo lehiakide batzuk PCTBagging gidatua algoritmo berriaren bertsio desberdinekin konparaketa egin da. Probak eta esperimentazioa WEKAn egin dira.

Digitalizazioak garapen eta aldaketa handiak ekarri ditu gizarte mailan baita zientzian ere. Medikuntzan adibidez datuen kantitatea handitu eta tratamendu sistema berriak sortu dira hainbat gaixotasunen maneiua erraztuz, adibidez diabetesaren maneiua. Diabetesa gaixotasun konplexua da eta bere maneiu desegokiak gaixoaren osasuna kaltetu dezake. Konkretuki gluzemia (edo odoleko azukrea) tarte osasuntsu batean mantendu behar da. "xDrip" diabetes maneiuan laguntzeko helburua duen kode irekiko Android proiektua da. xDrip-ek hainbat funtzio ditu, interesgarrienetariko bat intsulina gomendio sistema izanik. Gomendio sistemak diabetikoek egunero egin behar duten kalkuluak errazten ditu. Kalkulu hauek gluzemia tarte osasuntsuan mantentzeko erabiltzen dira. Hala ere sistemak hainbat muga ditu. Proiektu honen helburua xDrip aplikaziori funtzionalitate berri bat gehitzea da, Reinforcement Learning (RL) erabiltzen duen intsulina gomendio sistema berri bat. RL-ak ingurune batean probak eginez ikasten duen adimen artifizialeko teknika bat da. Hainbat ikerketek RL erabiliz gaur egun erabiltzen diren diabetes intsulina gomendio sistemak hobetzea lortu dute. Beraz, sistema berri honekin xDrip-ek duen gomendio sistemaren mugak gainditzea lortu nahi da.

La finalidad de este Trabajo de Fin de Grado es realizar un estudio sobre técnicas avanzadas de Inteligencia Artificial aplicada a imágenes en escenarios industriales con escasez y/o desbalanceo de datos entre clases y comprobar si una técnica de Few-shot learning puede sustituir a las arquitecturas tradicionales de Deep Learning más utilizadas en la literatura para la tarea de control de calidad, en concreto, la detección de defectos superficiales texturizadas a nivel microscópico. Para ello, se ha llevado a cabo el proceso que ejecutan los sistemas de inspección automática en la industria para la detección de defectos: adquisición de los datos, generación de la base de datos, diseño y entrenamiento de las redes neuronales, validación y despliegue