Sistema de recuperación de imágenes de signos distintivos, basado en machine learning
| dc.contributor.advisor | Loza Aguirre, Edison Fernando | |
| dc.contributor.author | Yanangómez Suárez, Michael Jamil | |
| dc.date.accessioned | 13/01/2025 16:49 | |
| dc.date.available | 13/01/2025 16:49 | |
| dc.date.issued | 2024 | |
| dc.description.abstract | La inteligencia artificial y el aprendizaje automático están revolucionando la manera en que procesamos y analizamos datos en diversas áreas, desde la medicina hasta la ingeniería y, más recientemente, en el campo de la propiedad intelectual. El aprendizaje automático, permite a los sistemas aprender y mejorar a partir de la experiencia y permiten gestionar grandes volúmenes de datos con una precisión y velocidad que superan las capacidades humanas.La propiedad intelectual en Ecuador enfrenta desafíos únicos, especialmente en la gestión y protección de derechos intelectuales asociados a signos distintivos como los logos; tareas que están a cargo del SENADI. Tradicionalmente, la revisión de logos para garantizar su originalidad y evitar infracciones ha sido una tarea manual, llevada a cabo por expertos que pueden fácilmente verse abrumados por la creciente cantidad de datos visuales. Esta metodología no solo es propensa a errores, sino también insostenible en el largo plazo dada la alta frecuencia de solicitudes de registro.Este proyecto busca abordar esta problemática mediante la creación de un sistema diseñado para mejorar significativamente la precisión y eficiencia en la identificación de logos similares. El proceso comenzó con la creación de un extenso repositorio de imágenes, las cuales fueron normalizadas para asegurar la uniformidad, ajustando su tamaño sin alterar las proporciones originales, mediante el relleno de espacios para mantener la integridad visual.Utilizando la red neuronal convolucional VGG19, seleccionada por su eficacia sobre algoritmos similares, el modelo fue entrenado para reconocer y comparar patrones gráficos eficazmente. Este entrenamiento se llevó a cabo tanto de forma independiente como mediante el uso de la librería DeepImageSearch, que facilita la integración de algoritmos de aprendizaje profundo en aplicaciones de búsqueda de imágenes.Para evaluar la efectividad del sistema, se realizaron pruebas con repositorios de menor tamaño, donde las imágenes fueron clasificadas manualmente para luego comparar estos resultados con las predicciones del modelo.Se desarrolló también un sistema web en el lenguaje Java, con login institucional para usuarios autorizados. Esta plataforma permite seleccionar una imagen cualquiera del computador, la cual se la normaliza para su análisis mediante el modelo entrenado en Python, y posteriormente presentará logos similares encontrados. Al posicionarse sobre cualquier logo resultante, el sistema muestra detalles completos del signo distintivo asociado, como la denominación, el trámite, fecha de presentación entre otras cosas. Esta funcionalidad proporciona a los analistas del SENADI todas las herramientas necesarias para decidir sobre el registro de nuevos logos, mejorando así la gestión de los derechos intelectuales y la protección contra posibles infracciones. | |
| dc.id.advisor | 1713425013 | |
| dc.id.author | 1104540784 | |
| dc.identifier.uri | https://repositorio.puce.edu.ec/handle/123456789/45111 | |
| dc.language.iso | es | |
| dc.publisher | PUCE - Quito | |
| dc.subject | Redes neuronales (Computadores) | |
| dc.subject | Aprendizaje automático (Inteligencia artificial) | |
| dc.subject | Aprendizaje profundo (Aprendizaje automático) | |
| dc.subject | Algoritmos computacionales | |
| dc.subject | Archivos de autoridades (Recuperación de información) | |
| dc.subject | Propiedad intelectual | |
| dc.subject | Logotipos | |
| dc.title | Sistema de recuperación de imágenes de signos distintivos, basado en machine learning |
Files
Original bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- Trabajo de Titulación - Maestría / Yanangómez Suárez Michael Jamil
- Size:
- 2.59 MB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 1.71 KB
- Format:
- Item-specific license agreed to upon submission
- Description: