Mostrar el registro sencillo del ítem
Diseño de un sistema de visión artificial para la detección y control de presencia de zopilote negro en aeródromos
dc.contributor.advisor | González Acevedo, Hernando | spa |
dc.contributor.advisor | Arizmendi Pereira, Carlos Julio | spa |
dc.contributor.author | Vera González, Alhím Adonaí | spa |
dc.contributor.author | Valle Ortiz, Diego Fernando | spa |
dc.coverage.spatial | Colombia | spa |
dc.date.accessioned | 2021-03-26T12:01:03Z | |
dc.date.available | 2021-03-26T12:01:03Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/12743 | |
dc.description.abstract | Hay un número importante de aeródromos a nivel internacional que forman parte de ecosistemas semiantrópicos en los que habita fauna silvestre, estos animales buscan alimento, agua, abrigo y suelen encontrar estos elementos esenciales en el predio aeroportuario, ocasionando la convivencia de fauna y aeronaves dentro de un mismo espacio, generando altas probabilidades de choques de aves con aviones (motores, parabrisas, etc.), provocando accidentes principalmente en los momentos de despegue y aterrizaje; Según lo anterior, este proyecto consiste en desarrollar un sistema de visión artificial implementado en un vehículo aéreo no tripulado (UAV) para que de manera autónoma realice la detección de imágenes de zopilote negros y realice trayectorias lineales hasta el animal evitando colisiones, en tiempo real y en un ambiente controlado; las pruebas de vuelo se realizaron ejecutando el algoritmo SSD + Mobilenet V2 para el reconocimiento del objeto, seguido al algoritmo 3DVFH* para la generación de trayectorias y evasión del obstáculo a bordo de un dron QAV250 con una cámara Genius facecamx1000 orientada ambos hacia adelante, obteniendo resultados exitosos de reconocimiento, seguimiento, y evasión de obstáculos con un objeto controlado manualmente en un ambiente real. | spa |
dc.description.tableofcontents | Introducción .................................................................................................... 10 Objetivos ......................................................................................................... 11 2.1 Objetivo general ........................................................................................ 11 2.2 Objetivos específicos ................................................................................ 11 Control y arquitectura del dron QAV 250 ...................................................... 12 3.1 Diseño del multirotor. ............................................................................... 12 3.1.1 Estructura, motores, propelas y batería: ................................................. 13 3.1.2 Control de vuelo y computadora central: ............................................... 14 3.1.3 Sensor de profundidad, cámaras y GPS: ................................................ 15 3.2 Sistema de comunicación.......................................................................... 15 3.2.1 Hardware in the loop: ............................................................................. 15 3.2.2 Esquema de comunicación. .................................................................... 15 3.2.3 Protocolo de comunicación interno. ....................................................... 16 3.2.4 Protocolo de comunicación externo. ...................................................... 17 3.3 Calibración ................................................................................................ 17 Aprendizaje profundo y visión artificial ......................................................... 20 4.1 Arquitectura del sistema ........................................................................... 20 4.2 Técnica de localización Single Shot Detector: ......................................... 21 4.2.1 Mobilenet V2. ........................................................................................ 23 4.2.2 Inception_v2........................................................................................... 25 4.2.3 Bases de datos. ....................................................................................... 28 4.3 Sistema pre-entrenado............................................................................... 28 4.3.1 Monitorización del entrenamiento: ........................................................ 34 4.4 Resultados ................................................................................................. 34 4.5 Resultados del entrenamiento de SSD_MOBILENET_V2 vs SSD_INCEPTION_V2: ..................................................................................... 40 4.6 Módulos adicionales ................................................................................. 48 4.6.1 Prioridad del Zopilote: ........................................................................... 48 4.6.2 Seguimiento de centroides: .................................................................... 49 4.6.3 Preprocesamiento. .................................................................................. 50 4.6.4 Triangulación profundidad:.................................................................... 50 4.6.5 Transformación de ejes. ......................................................................... 54 4.7 Implementación del sistema...................................................................... 58 Trayectoria y evasión de obstáculos ............................................................... 63 5.1 Entorno de simulación .............................................................................. 63 5.2 Algoritmo 3dvfh* ..................................................................................... 66 5.3 Resultados trayectorias. ............................................................................ 70 5.4 Resultados: evasión de obstáculos y trayectorias. .................................... 74 Resultados integración algoritmos .................................................................. 82 Control de riesgos ............................................................................................... 84 6.1 Pruebas simulación ................................................................................... 85 6.2 Pruebas en ambiente real .......................................................................... 86 Conclusiones ................................................................................................... 94 Bibliografía ..................................................................................................... 95 Anexos ............................................................................................................ 97 9.1 Anexo 1: .................................................................................................... 97 9.1.1 Proceso de entrenamiento visión computarizada. .................................. 97 9.2 Anexo 2: .................................................................................................. 101 9.3 Anexo 3: .................................................................................................. 105 9.3.1 Repositorio de códigos. ........................................................................ 105 9.4 Anexo 4: .................................................................................................. 105 9.5 Anexo 6 ................................................................................................... 107 | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.title | Diseño de un sistema de visión artificial para la detección y control de presencia de zopilote negro en aeródromos | spa |
dc.title.translated | Design of an artificial vision system for the detection and control of the presence of black buzzards at aerodromes | spa |
dc.degree.name | Ingeniero Mecatrónico | spa |
dc.publisher.grantor | Universidad Autónoma de Bucaramanga UNAB | spa |
dc.rights.local | Abierto (Texto Completo) | spa |
dc.publisher.faculty | Facultad Ingeniería | spa |
dc.publisher.program | Pregrado Ingeniería Mecatrónica | spa |
dc.description.degreelevel | Pregrado | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
dc.type.local | Trabajo de Grado | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.subject.keywords | Mechatronic | eng |
dc.subject.keywords | Aerodromes | eng |
dc.subject.keywords | Artificial vision system | eng |
dc.subject.keywords | Simulation methods | eng |
dc.subject.keywords | Control systems | eng |
dc.subject.keywords | Machine theory | eng |
dc.subject.keywords | Computer vision | eng |
dc.subject.keywords | Artificial intelligence | eng |
dc.subject.keywords | Pattern recognition | eng |
dc.subject.keywords | Planes | eng |
dc.subject.keywords | Birds | eng |
dc.identifier.instname | instname:Universidad Autónoma de Bucaramanga - UNAB | spa |
dc.identifier.reponame | reponame:Repositorio Institucional UNAB | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.relation.references | Universidad de Freiburg. (13 de 10 de 2020). Octomap github. Obtenido de Octomap github: https://octomap.github.io/ | spa |
dc.relation.references | Baumann, T. (2018). Obstacle Avoidance for Drones Using a 3DVFH* Algorithm. Spring Term 2018, 67 . | spa |
dc.relation.references | Christian Szegedy, W. L. (2014). Going deeper with convolutions. arxiv . | spa |
dc.relation.references | DroneII. (2020). The Drone Market Report 2020-2025. Drone Industry Insights | spa |
dc.relation.references | Koren, J. B. (1991). The Vector Field Histogram - Fast Obstacle Avoidance for Mobile Robots. IEEE Transactions on Robotics and Automation., vol. 7, no. 3, pp. 278–288. | spa |
dc.relation.references | Koubaa, A. (10 de 2020). Udemy. Obtenido de ROS for Beginners: Basics, Motion, and OpenCV: https://www.udemy.com/course/ros-essentials/ | spa |
dc.relation.references | L. Meier, D. H. (2015). PX4: A node-based multithreaded open source robotics framework for deeply embedded platforms,. IEEE International Conference on Robotics and Automation (ICRA), 6235–6240. | spa |
dc.relation.references | Mark Sandler, A. H.-C. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4510-4520 | spa |
dc.relation.references | QGroundControl License. (2016). QGroundControl. Obtenido de QGroundControl: http://qgroundcontrol.com/ | spa |
dc.relation.references | Robot Operating System. (s.f.). Obtenido de ROS: http://www.ros.org/ | spa |
dc.relation.references | Rosebrock, A. (7 de 11 de 2016). pyimagesearch. Obtenido de Intersection over Union (IoU) for object detection: https://www.pyimagesearch.com/2016/11/07/intersection-over-unioniou-for-object-detection/ | spa |
dc.relation.references | S. Vanneste, B. B. (2014). 3DVFH+: Real-Time Three- Dimensional Obstacle Avoidance Using an Octomap. MORSE 1st International Workshop on Model-Driven Robot Software Engineering | spa |
dc.relation.references | TensorFlow. (02 de 09 de 2020). Github. Obtenido de TensorFlow 2 Detection Model Zoo: https://github.com/tensorflow/models/blob/master/research/object_dete ction/g3doc/tf2_detection_zoo.md | spa |
dc.relation.references | Tensorflow. (28 de 07 de 2020). Github . Obtenido de TensorFlow 1 Detection Model Zoo: https://github.com/tensorflow/models/blob/master/research/object_dete ction/g3doc/tf1_detection_zoo.md | spa |
dc.relation.references | TensorFlow. (2020). TensorFlow. Obtenido de Tensorflow : https://www.tensorflow.org/?hl=es-419 | spa |
dc.relation.references | Tsung-Yi Lin, M. M. (2015). Microsoft COCO: Common Objects in Context. Computer Vision and Pattern Recognition (cs.CV), 1405.0312 | spa |
dc.relation.references | Ubuntu. (s.f.). Screen. Obtenido de Ubuntu: https://help.ubuntu.com/community/Screen | spa |
dc.relation.references | Wei Liu, D. A.-Y. (2016). SSD: Single Shot MultiBox Detector . Lecture Notes in Computer Science, 21–37. | spa |
dc.contributor.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000544655 | * |
dc.contributor.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381550 | * |
dc.contributor.googlescholar | https://scholar.google.es/citations?hl=es&user=V8tga0cAAAAJ | * |
dc.contributor.googlescholar | https://scholar.google.es/citations?hl=es&user=JgT_je0AAAAJ | * |
dc.contributor.orcid | https://orcid.org/0000-0001-6242-3939 | * |
dc.contributor.scopus | https://www.scopus.com/authid/detail.uri?authorId=55821231500 | * |
dc.contributor.scopus | https://www.scopus.com/authid/detail.uri?authorId=16174088500 | * |
dc.contributor.researchgate | https://www.researchgate.net/profile/Hernando_Gonzalez3 | * |
dc.contributor.researchgate | https://www.researchgate.net/profile/Carlos_Arizmendi2 | * |
dc.subject.lemb | Mecatrónica | spa |
dc.subject.lemb | Métodos de simulación | spa |
dc.subject.lemb | Teoría de las máquinas | spa |
dc.subject.lemb | Sistemas de control | spa |
dc.subject.lemb | Visión por computador | spa |
dc.subject.lemb | Inteligencia artificial | spa |
dc.subject.lemb | Reconocimiento de formas | spa |
dc.subject.lemb | Aviones | spa |
dc.subject.lemb | Aves | spa |
dc.identifier.repourl | repourl:https://repository.unab.edu.co | spa |
dc.description.abstractenglish | There are a significant number of aerodromes at the international level that are part of semi-anthropic ecosystems in which wildlife inhabits, these animals look for food, water, shelter and usually find these essential elements in the airport premises, causing the coexistence of fauna and aircraft within the same space, generating high probabilities of bird collisions with airplanes (engines, windshields, etc.), causing accidents mainly during take-off and landing; According to the above, this project consists of developing an artificial vision system implemented in an unmanned aerial vehicle (UAV) so that it can autonomously detect black buzzard images and carry out linear trajectories to the animal avoiding collisions, in real time. and in a controlled environment; The flight tests were carried out by running the SSD + Mobilenet V2 algorithm for object recognition, followed by the 3DVFH * algorithm for the generation of trajectories and obstacle avoidance on board a QAV250 drone with a Genius facecamx1000 camera oriented both forward, obtaining successful obstacle recognition, tracking, and avoidance results with a manually controlled object in a real environment. | eng |
dc.subject.proposal | Aeródromos | spa |
dc.subject.proposal | Sistema de visión artificial | spa |
dc.subject.proposal | Zopilote negro | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.coverage.campus | UNAB Campus Bucaramanga | spa |
dc.description.learningmodality | Modalidad Presencial | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería Mecatrónica [292]