Please use this identifier to cite or link to this item: https://repository.unad.edu.co/handle/10596/74577
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorGomez Martinez, William Rafael
dc.coverage.spatialcead_-_Sogamoso
dc.creatorAcevedo Gutierrez, Camilo Arturo
dc.date.accessioned2025-10-09T22:14:59Z
dc.date.available2025-10-09T22:14:59Z
dc.date.created2025-10-09
dc.identifier.urihttps://repository.unad.edu.co/handle/10596/74577
dc.description.abstractEl proyecto busca desarrollar y aplica un sistema de visión artificial basado en Python y Raspberry Pi para la clasificación automática de cuerpos de cilindros neumáticos en la estación MPS Clasificación. Ante las limitaciones de los métodos tradicionales de clasificación manual y mecánica, el sistema propuesto utiliza una cámara para capturar imágenes de los cilindros, las cuales se procesan y clasifican mediante técnicas avanzadas de procesamiento de imágenes y aprendizaje automático. La solución promete mejorar la precisión y la eficiencia operativa, reducir costos y proporcionar una alternativa económica y flexible para la automatización en la manufactura. Este enfoque no solo optimiza el proceso de clasificación, sino que también ofrece un modelo accesible para la integración de visión artificial en diversas aplicaciones industriales.
dc.formatpdf
dc.titleAplicación de visión artificial basada en Python y Raspberry Pi para la clasificación automática de cilindros neumáticos en la estación MPS clasificación
dc.typeProyecto aplicado
dc.subject.keywordsComputación
dc.subject.keywordsLenguaje de Programación
dc.subject.keywordsOrdenador
dc.description.abstractenglishThe project aims to develop and implement a computer vision system based on Python and Raspberry Pi for the automatic classification of pneumatic cylinder bodies in the MPS Sorting Station. In response to the limitations of traditional manual and mechanical classification methods, the proposed system uses a camera to capture images of the cylinders, which are then processed and classified using advanced image processing and machine learning techniques. The solution promises to improve accuracy and operational efficiency, reduce costs, and provide a cost-effective and flexible alternative for automation in manufacturing. This approach not only optimizes the classification process but also offers an accessible model for integrating computer vision into various industrial applications.
Appears in Collections:Ingeniería Electrónica

Files in This Item:
File Description SizeFormat 
caacevedogu.pdf2.1 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.