Mostrar el registro sencillo del ítem

dc.contributor.advisorGonzález Acevedo, Hernandospa
dc.contributor.advisorArizmendi Pereira, Carlos Juliospa
dc.contributor.authorVera González, Alhím Adonaíspa
dc.contributor.authorValle Ortiz, Diego Fernandospa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-03-26T12:01:03Z
dc.date.available2021-03-26T12:01:03Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12743
dc.description.abstractHay 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.tableofcontentsIntroducción .................................................................................................... 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 ................................................................................................... 107spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDiseño de un sistema de visión artificial para la detección y control de presencia de zopilote negro en aeródromosspa
dc.title.translatedDesign of an artificial vision system for the detection and control of the presence of black buzzards at aerodromesspa
dc.degree.nameIngeniero Mecatrónicospa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsMechatroniceng
dc.subject.keywordsAerodromeseng
dc.subject.keywordsArtificial vision systemeng
dc.subject.keywordsSimulation methodseng
dc.subject.keywordsControl systemseng
dc.subject.keywordsMachine theoryeng
dc.subject.keywordsComputer visioneng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsPattern recognitioneng
dc.subject.keywordsPlaneseng
dc.subject.keywordsBirdseng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesUniversidad de Freiburg. (13 de 10 de 2020). Octomap github. Obtenido de Octomap github: https://octomap.github.io/spa
dc.relation.referencesBaumann, T. (2018). Obstacle Avoidance for Drones Using a 3DVFH* Algorithm. Spring Term 2018, 67 .spa
dc.relation.referencesChristian Szegedy, W. L. (2014). Going deeper with convolutions. arxiv .spa
dc.relation.referencesDroneII. (2020). The Drone Market Report 2020-2025. Drone Industry Insightsspa
dc.relation.referencesKoren, 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.referencesKoubaa, A. (10 de 2020). Udemy. Obtenido de ROS for Beginners: Basics, Motion, and OpenCV: https://www.udemy.com/course/ros-essentials/spa
dc.relation.referencesL. 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.referencesMark Sandler, A. H.-C. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4510-4520spa
dc.relation.referencesQGroundControl License. (2016). QGroundControl. Obtenido de QGroundControl: http://qgroundcontrol.com/spa
dc.relation.referencesRobot Operating System. (s.f.). Obtenido de ROS: http://www.ros.org/spa
dc.relation.referencesRosebrock, 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.referencesS. Vanneste, B. B. (2014). 3DVFH+: Real-Time Three- Dimensional Obstacle Avoidance Using an Octomap. MORSE 1st International Workshop on Model-Driven Robot Software Engineeringspa
dc.relation.referencesTensorFlow. (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.mdspa
dc.relation.referencesTensorflow. (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.mdspa
dc.relation.referencesTensorFlow. (2020). TensorFlow. Obtenido de Tensorflow : https://www.tensorflow.org/?hl=es-419spa
dc.relation.referencesTsung-Yi Lin, M. M. (2015). Microsoft COCO: Common Objects in Context. Computer Vision and Pattern Recognition (cs.CV), 1405.0312spa
dc.relation.referencesUbuntu. (s.f.). Screen. Obtenido de Ubuntu: https://help.ubuntu.com/community/Screenspa
dc.relation.referencesWei Liu, D. A.-Y. (2016). SSD: Single Shot MultiBox Detector . Lecture Notes in Computer Science, 21–37.spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000544655*
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001381550*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=V8tga0cAAAAJ*
dc.contributor.googlescholarhttps://scholar.google.es/citations?hl=es&user=JgT_je0AAAAJ*
dc.contributor.orcidhttps://orcid.org/0000-0001-6242-3939*
dc.contributor.scopushttps://www.scopus.com/authid/detail.uri?authorId=55821231500*
dc.contributor.scopushttps://www.scopus.com/authid/detail.uri?authorId=16174088500*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Hernando_Gonzalez3*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Carlos_Arizmendi2*
dc.subject.lembMecatrónicaspa
dc.subject.lembMétodos de simulaciónspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembSistemas de controlspa
dc.subject.lembVisión por computadorspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembReconocimiento de formasspa
dc.subject.lembAvionesspa
dc.subject.lembAvesspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThere 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.proposalAeródromosspa
dc.subject.proposalSistema de visión artificialspa
dc.subject.proposalZopilote negrospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia