La Maestría en Ciencias de la Ingeniería es un programa de nueva creación, con orientación profesional incorporado al Sistema Nacional de Posgrados (SNP) del CONAHCYT. https://rinacional.tecnm.mx/jspui/handle/TecNM/149 2026-04-29T09:57:24Z 2026-04-29T09:57:24Z Vázquez Martínez, Diana Dolores https://rinacional.tecnm.mx/jspui/handle/TecNM/12389 2026-03-23T20:26:50Z 2026-03-12T00:00:00Z

Title: PROGRAMA SEMBRANDO VIDA: MECANISMOS DE FOCALIZACIÓN EN EL ESTADO DE GUERRERO Authors: Vázquez Martínez, Diana Dolores Description: En el año 2019 el gobierno mexicano puso en marcha el Programa Sembrando Vida (PSV) con el propósito de enfrentar las problemáticas de degradación ambiental y rezago social en áreas rurales. Este trabajo analiza los mecanismos de focalización del PSV y su efectividad en el cumplimiento de sus metas en la región centro del estado de Guerrero. La investigación desarrolla una metodología mixta de seis etapas: 1. Análisis descriptivo de las Reglas de Operación; 2. Revisión documental y estadística del padrón de beneficiarios; 3. Selección de variables clave para construir indicadores sociales, económicos y ambientales; 4. Diseño, validación y aplicación de un instrumento basado en la fase 3, cálculo del tamaño de muestra al 90% de confianza, y un muestreo probabilístico estratificado proporcional; 5. Aplicación de indicadores; y 6. Análisis de resultados mediante estadística descriptiva e inferencial con intervalos de confianza para una proporción poblacional.

2026-03-12T00:00:00Z RAMÍREZ ARCOS MARÍA ISABEL, RAAI961230MGRMRS03 https://rinacional.tecnm.mx/jspui/handle/TecNM/10923 2025-09-24T20:11:04Z 2025-07-03T00:00:00Z

Title: PROTOTIPO DE ÓRTESIS CON ESTIMULACIÓN MUSCULAR CONTROLADO POR COMANDOS DE VOZ Authors: RAMÍREZ ARCOS MARÍA ISABEL, RAAI961230MGRMRS03 Description: El entrenamiento de modelos de Inteligencia Artificial (IA) ha permitido el desarrollo de prototipos ortopédicos orientados a tratamientos y terapias físicas. En este estudio, se planteó como objetivo el diseño y construcción de una órtesis con estimulación muscular, controlada mediante comandos de voz, orientada al tratamiento de artrosis de rodilla en adultos mayores La metodología aplicada se estructuró en cinco etapas: 1. Adquisición de los datos; 2. Construcción del modelo; 3. Construcción del circuito; 4. Confección de la órtesis; y 5. Ensamblado del sistema. Se implementó un modelo basado en Redes Neuronales Convolucionales (CNN), integrado en un microcontrolador Arduino Nano 33 BLE Sense. El algoritmo fue entrenado y desplegado a través de la plataforma Edge Impulse, lo que permitió el reconocimiento eficiente de comandos de voz. La órtesis responde a cuatro instrucciones predefinidas: Fuerte (3), Medio (2), Bajo (1) y Nada (0), activando la estimulación muscular conforme a la intensidad indicada.

2025-07-03T00:00:00Z ROMERO JUAREZ VÍCTOR MANUEL, ROJV980809HMNMRC02 https://rinacional.tecnm.mx/jspui/handle/TecNM/10911 2025-09-24T18:53:07Z 2025-05-12T00:00:00Z

Title: ARQUITECTURA OPTIMIZADA DE REDES NEURONALES RESIDUALES PARA LA CLASIFICACIÓN DE RESIDUOS SÓLIDOS URBANOS CON PROCESAMIENTO DE IMÁGENES Authors: ROMERO JUAREZ VÍCTOR MANUEL, ROJV980809HMNMRC02 Description: La acumulación de Residuos Sólidos Urbanos (RSU) representa un desafío crítico para la sociedad y el gobierno, y su separación es esencial para garantizar una utilización sostenible. Sin embargo, persiste el desafío de la clasificación manual, una labor que, lamentablemente, se mantiene como una práctica inherentemente lenta y con considerables ineficiencias. Frente a esta realidad, los progresos exponenciales en el campo de la inteligencia artificial, y de manera destacada el aprendizaje automático, emergen como soluciones alternativas que no solo prometen mayor precisión, sino también una eficiencia superior para optimizar radicalmente este flujo de trabajo. En este marco, la contribución que aquí se presenta detalla la gestación de una red neuronal profunda, enriquecida con módulos residuales, diseñada y entrenada de extremo a extremo. Este modelo está específicamente orientado a la clasificación binaria de los RSU y, crucialmente, exhibe la habilidad de ejecutar inferencias a una velocidad significativamente incrementada. Mediante una metodología de cinco fases: 1. Creación del conjunto de datos (dataset) de RSU: recolección de imágenes, eliminación de duplicados, creación del conjunto de datos orgánicos e inorgánicos; 2. Analizar algoritmos de procesamiento de imágenes; 3. Preparación y generación de datos: Conversión de imágenes a formato RGB, división del conjunto de datos de entrenamiento en subconjuntos y aumento de imágenes en línea; 4. Entrenar e identificar las redes neuronales residuales para la clasificación de RSU orgánicos e inorgánicos con la mayor extracción de características: Desarrollo de arquitectura basada en ResNet18; 5. Experimentar y ajustar la reducción de parámetros del modelo residual propuesto: Modificar la estructura de la red residual y ajustar hiperparámetros claves; y 6. Evaluar el algoritmo de clasificación: Precisión, matriz de confusión, f1-score, recall y exactitud. Se obtuvo un 87% para la clasificación de residuos orgánicos y un 94% para los inorgánicos. R3sNet destaca frente al modelo pre-entrenado ResNet50 en la clasificación de ambas categorías (orgánicos e inorgánicos) con una ventaja de hasta un 6%, y una disminución en la carga computacional y complejidad del modelo. En concreto, se hizo una reducción del 98.60% en el número de hiperparámetros y un recorte del 65.17% en los GFLOPS en comparación directa con ResNet50.

2025-05-12T00:00:00Z Román Padilla Dominic Brian, ROPD971217HGRMDM02 https://rinacional.tecnm.mx/jspui/handle/TecNM/10910 2025-09-24T18:46:38Z 2025-06-05T00:00:00Z

Title: PROTOTIPO DE ÓRTESIS CON ESTIMULACIÓN MUSCULAR CONTROLADO POR COMANDOS DE VOZ Authors: Román Padilla Dominic Brian, ROPD971217HGRMDM02 Description: La gestión de Residuos Sólidos Urbanos (RSU) es un gran desafío para las prácticas tradicionales en su separación, debido a un considerable incremento en cantidad, diversidad, complejidad de tipos y una alta demanda en la exactitud para clasificarlos. El reconocimiento y clasificación de imágenes de residuos empleando técnicas de visión por computadora, permite optimizar sus procesos de administración, de recolección con alta precisión, logrando una gestión inteligente en su separación y disposición final, mitigando el impacto ambiental y así contribuir a los objetivos del desarrollo sostenible. Esta investigación consistió en el desarrollo de un prototipo de contenedor clasificador de RSU con Redes Neuronales Convolucionales (CNN). Para ello se realizaron siete fases: 1. Conformación del Dataset de RSU: Trashnet, Garbage Classification y muestras capturadas; 2. Análisis y selección de algoritmos para la detección de objetos con CNN: En función de ventajas y desventajas; 3. Desarrollo y entrenamiento del algoritmo CNN: Aplicando el conjunto de datos, ajuste de hiperparámetros Momentum, BatchSize y Subdivisiones del algoritmo; 4. Diseño de la estructura del prototipo: Análisis de componentes, evaluación comparativa de requerimientos y modelado en SolidWorks; 5. Construcción del prototipo: Caja de estructura metálica de 80x80 cm, cubierta de plástico acrílico blanco, dos contenedores de 20 litros, base de madera, integración de la estructura, sistema mecánico (motor nema 23, driver TB6600) y Arduino mega 2560; 6. Implementación de la CNN en el contenedor: Exportación de los pesos entrenados de YOLOv9 en el sistema embebido Raspberry Pi 4 modelo B ejecutado en un entorno de Python y 7. Validación: Muestras de RSU de entornos reales.

2025-06-05T00:00:00Z