Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/22167
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorTarapues Fuel, Blanca Damaris-
dc.date.accessioned2022-02-15T13:58:59Z-
dc.date.available2022-02-15T13:58:59Z-
dc.date.issued2022-02-15-
dc.identifier.citationTarapues Fuel, B. D. (2022). Modelo de clasificación supervisado de fotografías de fachadas para evaluar el daño estructural ocasionado por sismos de acuerdo con la escala Macrosísmica europea para apoyo de toma de decisiones en el Instituto Geofísico – EPN. 55 hojas. Quito : EPN.es_ES
dc.identifier.otherT-MVE/0948/CD 11662-
dc.identifier.urihttp://bibdigital.epn.edu.ec/handle/15000/22167-
dc.descriptionLa estimación del grado de daño de estructuras de edificios después de un evento sísmico es un requerimiento muy importante dentro del campo de la Sismología, ya que es un parámetro empleado para determinar la intensidad de un sismo. El objetivo principal del presente trabajo de titulación es diseñar un modelo de clasificación supervisada de fotografías de fachadas que permita evaluar el daño estructural ocasionado por sismos. Para ello se aplica técnicas de Aprendizaje de Máquina y Aprendizaje Profundo. En primera instancia, cada imagen es preprocesada mediante técnicas de filtrado no lineal para, a partir de ello, obtener un conjunto de imágenes con alta probabilidad de contener información que aporte al modelo. Este preprocesamiento reduce el ruido, y realiza un suavizado de la imagen. Luego, las imágenes son utilizadas para crear un modelo gracias a una red neuronal convolucional, el cual permitirá clasificar cada imagen según el grado de daño, comprendido entre uno a cinco. De un total de 605 imágenes candidatas, la red clasificó correctamente el 80% de imágenes clasificadas manualmente. Esta precisión alcanzada indica que el modelo desarrollado constituye un paso importante hacia la implementación de un futuro sistema de clasificación de imágenes de edificios destruidos por un sismo.es_ES
dc.description.abstractThe estimation of the degree of damage of building structures after a seismic event is a very coveted objective within the field of seismology, since it is a parameter used to determine the intensity of an earthquake. The main objective of this work is to design a supervised classification model of façade photographs to evaluate the structural damage caused by earthquakes. For this purpose, Machine Learning and Deep Learning methods are applied. In the first instance, each image is preprocessed using nonlinear filtering techniques to obtain a set of candidate images with a high probability of containing information that contributes to the model. The preprocessing reduces noise and performs image smoothing. Then, the images are used to build a model through a convolutional neural network. The model will allow classify images according to the degree of damage, ranging from one to five. Out of a total of 605 candidate images, the network correctly classified 80% of the manually classified images. The accuracy achieved indicates that the model developed is a good step in the implementation of a future system for classifying images of buildings destroyed by an earthquakees_ES
dc.description.sponsorshipRecalde Cerda, Lorena Katherine, directores_ES
dc.language.isospaes_ES
dc.publisherQuito, 2022es_ES
dc.rightsopenAccesses_ES
dc.subjectAPRENDIZAJE DE MÁQUINAes_ES
dc.subjectREDES NEURONALESes_ES
dc.titleModelo de clasificación supervisado de fotografías de fachadas para evaluar el daño estructural ocasionado por sismos de acuerdo con la escala Macrosísmica europea para apoyo de toma de decisiones en el Instituto Geofísico – EPN.es_ES
dc.typemasterThesises_ES
Aparece en las colecciones:Tesis MAESTRÍA EN SISTEMAS DE INFORMACIÓN MENCIÓN INTELIGENCIA DE NEGOCIOS Y ANALÍTICA DE DATOS MASIVOS (FIS)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
CD 11662.pdf1,52 MBAdobe PDFVisualizar/Abrir


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