https://rinacional.tecnm.mx/jspui/handle/TecNM/996 2026-11-11T04:47:06Z 2026-11-11T04:47:06Z Meraz Hernández, Andros%1031858 https://rinacional.tecnm.mx/jspui/handle/TecNM/14190 2026-10-19T22:15:50Z 2026-10-02T00:00:00Z

Title: SEGMENTACIÓN DE HOJAS DE PLANTAS DE JITOMATE, MEDIANTE APRENDIZAJE PROFUNDO Authors: Meraz Hernández, Andros%1031858 Description: RESUMEN En los últimos años, es común encontrar en la literatura trabajos relacionados con la agricultura de precisión que incorporan el uso de redes neuronales profundas como parte parcial o total de una propuesta de solución. La segmentación de las hojas en las imágenes constituye una de las etapas más importantes en los sistemas de diagnóstico automático como enfermedades foliares, ya que permite identificar con precisión las regiones de interés. Su adecuada implementación impacta directamente en la precisión e interpretabilidad de los modelos de aprendizaje profundo. En esta tesis se presenta el desarrollo de un método para la localización y segmentación de hojas de la planta del jitomate a través de imágenes capturadas a campo abierto; esto implica considerar una serie de factores que afectan el desempeño del sistemas tales como: condiciones climáticas (cambios de iluminación), estado de salud de la planta (falta de nutrientes, patologías y/o estrés) que alteran el aspecto de la hoja significativamente, la presencia de objetos que asemejen la forma de una hoja, dibujos e impresiones, la perspectiva de captura, etc. El modelo protagonista denominado “YoloLeaf” es una versión mejorada de la red Yolov11n para inferir la localización de láminas foliares en imágenes capturadas bajo diferentes condiciones naturales adversas, detectando el mayor número de hojas existentes. Las modificaciones realizadas son: un módulo convolucional en dos etapas y, dos módulos de transformadores de visión que en conjunto favorecen a una mejor representación de los mapas de características. Además, se remueve la función CIoU por WIoUv3 para reducir problemas al estimar la ubicación de las hojas de la planta. En la etapa experimental el modelo se evaluó en 10 escenarios representativos de entornos al aire libre usando el conjunto de validación. YoloLeaf registró una mayor recuperación (Recall) de hojas existentes en cinco casos de estudio: “frutos rojos” (82.00%), “variación de iluminación” con (82.60%), “presencia de flores” (83.70%), “cambios en las escalas” con (85.60%) y, “punto focal hacia la hoja” (88.60%). Adicionalmente, se registraron menos casos de falsos positivos (Precisión) en “presencia de flores” (89.00%), “anomalías de coloración en hojas” (86.20%) y “frutos verdes” (78.30%). Finalmente, se evaluó la generalización de YoloLeaf con ejemplares donde figuran cultivos de cacahuate, frijol y frijol rojo (por separado), capturadas con tres ángulos de visión (0°, 45° y 90°) durante las primeras ocho semanas en zonas de cultivo al exterior. El modelo YoloLeaf registró una buena inferencia al obtener porcentajes de: 92.00% de Precisión, 88.70% de Recall, 93.70% de mAP@50 y 86.70% de mAP@50-95 con imágenes del frijol rojo capturadas a 90° en la cuarta semana de desarrollo.

2026-10-02T00:00:00Z Hernández López, Omar%700585 https://rinacional.tecnm.mx/jspui/handle/TecNM/14189 2026-10-19T21:47:33Z 2026-09-28T00:00:00Z

Title: Método para descomponer la base de datos de sistemas monolíticos, para operar en arquitecturas de microservicios Authors: Hernández López, Omar%700585 Description: Resumen La migración de sistemas monolíticos hacia arquitecturas de microservicios enfrenta un problema recurrente: la descomposición de la lógica de negocio puede realizarse sin una descomposición equivalente de la base de datos del monolito. Cuando múltiples servicios continúan accediendo a un mismo esquema de datos, se introduce un acoplamiento indirecto que limita su autonomía y dificulta su evolución y escalabilidad. En este trabajo se presenta MONO2MSDB, un método sistemático para la descomposición de bases de datos monolíticas mediante análisis léxico-sintáctico y el patrón de diseño Visitor. El método define una estrategia de análisis de dependencias que puede adaptarse, en principio, a distintos lenguajes de programación mediante gramáticas compatibles con ANTLR, mientras que su implementación actual está especializada en sistemas monolíticos desarrollados en Java. El método identifica las cadenas de dependencia entre los componentes de las capas de presentación, lógica de negocio y persistencia que participan en la ejecución de un caso de uso. En su implementación actual, dichas cadenas se establecen entre controladores REST, servicios, repositorios y entidades de persistencia basadas en Java Persistence API (JPA), a partir de las cuales se generan microservicios funcionales con modelos de datos aislados. Un conjunto de reglas identifica las entidades de datos compartidas entre casos de uso y determina su asignación a los microservicios candidatos. Para cada candidato, MONO2MSDB genera el código fuente de un microservicio y la infraestructura necesaria para sincronizar, mediante el patrón Observador, los datos de las entidades compartidas entre servicios. El método fue validado mediante la métrica Índice de Acoplamiento entre Tablas Compartidas (IATC) calculado antes y después de la migración en tres sistemas de distintos dominios y mediante una evaluación empírica que involucró 17 sistemas monolíticos provenientes de repositorios públicos. Los resultados muestran una reducción estadísticamente significativa del acoplamiento asociado a los datos compartidos, con una reducción promedio de aproximadamente 91 %, lo que indica la efectividad del enfoque propuesto para reducir las dependencias estructurales durante la migración de monolitos a microservicios. Los resultados muestran que MONO2MSDB constituye un mecanismo automatizado y reproducible para apoyar la modernización de sistemas monolíticos, al reducir el acoplamiento asociado al acceso compartido a datos y la intervención manual en la identificación de microservicios, la partición de datos y la generación de código.

2026-09-28T00:00:00Z Velázquez Cano, Jorge Enrique%728006 https://rinacional.tecnm.mx/jspui/handle/TecNM/13976 2026-09-11T03:34:29Z 2026-09-03T00:00:00Z

Title: Detección unimodal de estados emocionales en Ambientes Virtuales de Aprendizaje Inmersivo mediante técnicas de Inteligencia Artificial aplicadas al análisis del comportamiento y datos espaciales Authors: Velázquez Cano, Jorge Enrique%728006 Description: La presente tesis documenta la investigación realizada, los instrumentos desarrollados, análisis de los datos y resultados de la detección de estados emocionales en ambientes virtuales usando técnicas de inteligencia artificial con información espacial de manos y cabeza. Particularmente, este trabajo da seguimiento al uso del ambiente virtual de aprendizaje inmersivo (AVAI) “pinta tu raya ASI” (AVAI ASI) y su uso como la plataforma donde se implementan los distintos mecanismos de detección e instrumentos de auto reporte emocional. La investigación considera esta perspectiva como parte fundamental del proyecto, abordándolo desde el estado del arte como un proyecto multidisciplinario. No obstante, se enfocan los procesos y resultados al área de las ciencias de la computación. Se describen los mecanismos de detección desarrollados y los instrumentos de medición utilizados, destacando su diseño y desarrollo como parte indispensable para el modelo propuesto, así como hallazgos relacionados al diseño de mejores interfaces para sistemas en realidad virtual (RV). Se analizan estudios exploratorios adicionales que pueden abrir nuevas oportunidades de investigación y para los cuales se diseñaron e implementaron instrumentos nuevos. Posteriormente se presentan las intervenciones realizadas en campo junto con el protocolo seguido. Se registró el comportamiento de niños de 8 a 10 años de edad durante el uso del AVAI ASI para generar un dataset con un ground truth compuesto de las respuestas de los instrumentos de autoevaluación. Finalmente se describe el tratamiento de los datos obtenidos y los resultados de los diferentes modelos de regresión utilizados. Se encontró el uso de bosques aleatorios como el modelo con mejores resultados, se hallaron diferencias importantes con respecto a la medida central utilizada que apuntan a establecer balances entre dimensionalidad y precisión requerida. En cuanto al grupo etario hubo hallazgos relevantes en relación a la percepción emocional con la edad del participante. Las conclusiones presentan las consideraciones bajo las cuales el modelo propuesto funciona y cómo pueden estos resultados adaptarse a otros proyectos de naturaleza similar.

2026-09-03T00:00:00Z Erazo Valadez, Manuel%1082025 https://rinacional.tecnm.mx/jspui/handle/TecNM/13953 2026-09-10T06:06:15Z 2026-08-19T00:00:00Z

Title: Modelo predictivo sobre el emparejamiento de cadenas pesadas y ligeras de anticuerpos Authors: Erazo Valadez, Manuel%1082025 Description: Resumen Los anticuerpos son moléculas formadas por cadenas pesadas y cadenas ligeras cuyo emparejamiento correcto es esencial para la formación de un sitio de unión funcional. Sin embargo, en los métodos de secuenciación de nueva generación, ambas cadenas se obtienen de forma separada, lo que provoca la pérdida del emparejamiento natural y genera el problema de identificar, a partir de información de secuencia, qué combinaciones forman anticuerpos funcionales. Para abordar este problema, se construyó un modelo computacional basado en una red neuronal siamesa asimétrica entrenada con la función de pérdida InfoNCE con temperatura τ=0.07, diseñada para aprender un espacio métrico en donde las cadenas que forman anticuerpos funcionales se encuentran cercanas en términos de distancia coseno, mientras que las combinaciones incompatibles se encuentran más alejadas. Las secuencias de aminoácidos se representaron mediante los factores Atchley, una codificación fisicoquímica que captura propiedades como polaridad, hidrofobicidad, carga, volumen molecular y tendencia estructural, y que demostró el mejor desempeño frente a representaciones alternativas evaluadas. La arquitectura cuenta con encoders especializados para cada tipo de cadena: el encoder de cadenas ligeras emplea activaciones GELU con normalización por lotes, y el encoder de cadenas pesadas utiliza activaciones ReLU, proyectando ambas cadenas a un espacio embebido de ocho dimensiones. Una contribución central del trabajo es el uso de cadenas pesadas de ratón BALB/c como negativos verdaderos en el entrenamiento. Debido a las divergencias germinales, diferencias estructurales y ausencia de coevolución entre especies, estas cadenas no pueden formar anticuerpos funcionales con cadenas ligeras humanas, lo que proporciona una señal negativa con respaldo biológico sólido. Los resultados mostraron que esta decisión tuvo un impacto directo en la calidad del espacio métrico aprendido: la separación entre pares compatibles e incompatibles mejoró sustancialmente en comparación con el modelo entrenado sin negativos verdaderos. El modelo fue evaluado sobre un conjunto de prueba independiente, obteniendo una exactitud de 0.97, F1-Score de 0.96, Recall de 0.94 y ROC-AUC de 0.97. En la evaluación de recuperación por ranking, se alcanzó un Recall@1 de 71.55%, Recall@5 de 91.77% y Recall@10 de 93.06%, lo que confirma la utilidad del modelo para reducir el espacio de cadenas candidatas en repertorios de gran escala. El análisis del espacio de embeddings mediante UMAP reveló una organización coherente con propiedades biológicas como la familia germinal V, el gen V específico y la longitud del CDR3, sin que estas propiedades fueran incluidas explícitamente en el entrenamiento. Los resultados demuestran que es posible construir un modelo computacional con capacidad discriminativa real para el problema del emparejamiento de cadenas de anticuerpos, y que la calidad biológica de los negativos de entrenamiento es un factor determinante en el desempeño del modelo y que las representaciones fisicoquímicas compactas como los factores Atchley son una alternativa viable y efectiva para este tipo de tareas.

2026-08-19T00:00:00Z