Robinson Jiménez Moreno, Oscar Fernando Avilés Sánchez, Diana Marcela Ovalle Martínez
Las técnicas de aprendizaje profundo han surgido como una solución eficaz a los problemas de las actuales técnicas de reconocimiento de patrones, como las redes neuronales. Dentro de estas nuevas técnicas, las redes neuronales convolucionales (CNN) ofrecen una integración al reconocimiento de patrones en imágenes, dados por el conjunto tradicional de procesamiento de imagen más redes neuronales. El presente artículo expone el an´alisis de los diferentes hiperparámetros que implican el entrenamiento de una CNN, que permite validar los efectos en la precisión de la red. Se emplea como imágenes de la base de pruebas, el reconocimiento de medidores de energía eléctrica, logrando obtener una red con una exactitud del 96,32 %.
Deep learning techniques have emerged as an effective solution to the problems of current pattern recognition techniques, such as neural networks. Within these new techniques, the convolutional neural networks (CNN) offer an integration to the recognition of patterns in images, given by the traditional set of images processing plus neuronal networks. This article presents the analysis of the different hyper parameters that imply the training of a CNN, which allows to validate the effects on the accuracy of the network. It is used as a base the recognition of electric energy meters, obtaining a network with an accuracy of 96.32 %.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados