Deep Learning aplicado al procesamiento de tomografías por microondas

El objetivo de este trabajo fue el del desarrollo de un software en Python utilizando Inteligencia Artificial de Redes Neuronales Convolucionales (CNN por sus siglas en inglés) de la librería de TensorFlow capaz de realizar estimaciones y reconstrucciones de las propiedades dieléctricas y geométrica...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Gomez Monteiro, Javier
Otros Autores: Irastorza, Ramiro
Formato: info:eu-repo/semantics/other info:ar-repo/semantics/otro No informada
Lenguaje:Español
Publicado: Universidad Nacional Arturo Jauretche. Instituto de Ingeniería y Agronomía 2023
Materias:
IA
CNN
Redes Neuronales
TMO
Imágenes por microondas
FDTD
Acceso en línea:https://rid.unaj.edu.ar/handle/123456789/2867
Aporte de:
Repositorio Institucional de Acceso Abierto (RID UNAJ) de Universidad Nacional Arturo Jauretche
id I76-R191-123456789-2867
record_format dspace
spelling I76-R191-123456789-28672024-08-15T19:00:35Z Deep Learning aplicado al procesamiento de tomografías por microondas Gomez Monteiro, Javier Irastorza, Ramiro Morales, Martín IA CNN Redes Neuronales TMO Imágenes por microondas FDTD El objetivo de este trabajo fue el del desarrollo de un software en Python utilizando Inteligencia Artificial de Redes Neuronales Convolucionales (CNN por sus siglas en inglés) de la librería de TensorFlow capaz de realizar estimaciones y reconstrucciones de las propiedades dieléctricas y geométricas cilindros dispersores medidos utilizando la técnica de imágenes por microondas sin información de fase. Con este fin, para el entrenamiento de la red, se generaron imágenes mediante un software de simulación en Python implementando la librería Meep con distintos tipos de arreglos geométricos y dieléctricos en los que se utilizaron como referencia dos cilindros homogéneos (uno dentro de otro) que representan un modelo de juguete de un corte transversal de tobillo. Las imágenes son representaciones directas de la magnitud del campo eléctrico medido en las antenas receptoras y generado por estas estructuras. Al no contar con mediciones experimentales, las mismas fueron simuladas utilizando la técnica de FDTD (Finite-Difference Time-Domain por sus siglas en inglés), que resuelve numéricamente las ecuaciones de Maxwell. A partir de esta premisa, se evaluaron diferentes topologías de redes neuronales variando los hiperparámetros de la red con el fin de encontrar la combinación óptima. Basados en estos resultados se logró conformar y compilar un modelo cuya tasa de predicción es aceptable en términos aproximados pero no del todo certera para aplicaciones donde se requieran resultados más precisos. Este comportamiento se puede deber a que, en esencia, el método de reconstrucción tomográfica sin información de fase pertenece a una categoría de problemas inversos mal planteados o mal condicionados donde no se conoce nada del objeto dispersor, se busca es reconstruir una imagen de las propiedades dieléctricas del dominio de investigación y sólo se tiene información en el dominio de medición (antenas receptoras). 2023-12-18 info:eu-repo/semantics/other info:ar-repo/semantics/otro No informada https://rid.unaj.edu.ar/handle/123456789/2867 spa info:eu-repo/semantics/openAccess info:ar-repo/semantics/accesoabierto https://creativecommons.org/licenses/by-nc/4.0/ application/pdf Universidad Nacional Arturo Jauretche. Instituto de Ingeniería y Agronomía
institution Universidad Nacional Arturo Jauretche
institution_str I-76
repository_str R-191
collection Repositorio Institucional de Acceso Abierto (RID UNAJ)
language Español
orig_language_str_mv spa
topic IA
CNN
Redes Neuronales
TMO
Imágenes por microondas
FDTD
spellingShingle IA
CNN
Redes Neuronales
TMO
Imágenes por microondas
FDTD
Gomez Monteiro, Javier
Deep Learning aplicado al procesamiento de tomografías por microondas
topic_facet IA
CNN
Redes Neuronales
TMO
Imágenes por microondas
FDTD
description El objetivo de este trabajo fue el del desarrollo de un software en Python utilizando Inteligencia Artificial de Redes Neuronales Convolucionales (CNN por sus siglas en inglés) de la librería de TensorFlow capaz de realizar estimaciones y reconstrucciones de las propiedades dieléctricas y geométricas cilindros dispersores medidos utilizando la técnica de imágenes por microondas sin información de fase. Con este fin, para el entrenamiento de la red, se generaron imágenes mediante un software de simulación en Python implementando la librería Meep con distintos tipos de arreglos geométricos y dieléctricos en los que se utilizaron como referencia dos cilindros homogéneos (uno dentro de otro) que representan un modelo de juguete de un corte transversal de tobillo. Las imágenes son representaciones directas de la magnitud del campo eléctrico medido en las antenas receptoras y generado por estas estructuras. Al no contar con mediciones experimentales, las mismas fueron simuladas utilizando la técnica de FDTD (Finite-Difference Time-Domain por sus siglas en inglés), que resuelve numéricamente las ecuaciones de Maxwell. A partir de esta premisa, se evaluaron diferentes topologías de redes neuronales variando los hiperparámetros de la red con el fin de encontrar la combinación óptima. Basados en estos resultados se logró conformar y compilar un modelo cuya tasa de predicción es aceptable en términos aproximados pero no del todo certera para aplicaciones donde se requieran resultados más precisos. Este comportamiento se puede deber a que, en esencia, el método de reconstrucción tomográfica sin información de fase pertenece a una categoría de problemas inversos mal planteados o mal condicionados donde no se conoce nada del objeto dispersor, se busca es reconstruir una imagen de las propiedades dieléctricas del dominio de investigación y sólo se tiene información en el dominio de medición (antenas receptoras).
author2 Irastorza, Ramiro
author_facet Irastorza, Ramiro
Gomez Monteiro, Javier
format info:eu-repo/semantics/other
info:ar-repo/semantics/otro
No informada
author Gomez Monteiro, Javier
author_sort Gomez Monteiro, Javier
title Deep Learning aplicado al procesamiento de tomografías por microondas
title_short Deep Learning aplicado al procesamiento de tomografías por microondas
title_full Deep Learning aplicado al procesamiento de tomografías por microondas
title_fullStr Deep Learning aplicado al procesamiento de tomografías por microondas
title_full_unstemmed Deep Learning aplicado al procesamiento de tomografías por microondas
title_sort deep learning aplicado al procesamiento de tomografías por microondas
publisher Universidad Nacional Arturo Jauretche. Instituto de Ingeniería y Agronomía
publishDate 2023
url https://rid.unaj.edu.ar/handle/123456789/2867
work_keys_str_mv AT gomezmonteirojavier deeplearningaplicadoalprocesamientodetomografiaspormicroondas
_version_ 1830774261255503872

Ejemplares similares