Search

L’idea d’aquest projecte es entrenar un model de IA que detecti i identifiqui a persones amb tècniques Deep Learning. Per a la realització del programa, s’ha utilitzat l’algoritme de YOLO. S’ha plantejat per a que s’acabi identificant a 3 persones diferents respecte a la resta de persones que poden aparèixer a les diferents fotografies realitzades. S’ha basat en la detecció d’objectes aprofitant les seves característiques per a detectar persones. Existeixen paràmetres importants com el Deep Learning y el Machine Learning. El Deep Learning treu el patró de les dades donades a traves de les xarxes neuronals mentre que el Machine Learning es la habilitat per aprendre sense necessitat de estar explícitament programant. El treball s’ha realitzat amb el llenguatge Python amb l’editor Visual Studio. Per a l’etiquetat de les imatges, s’ha utilitzat l’aplicació labelImg.py. S’ha començat identificant cada una de les persones escollides de manera separada. Un cop realitzat aquest prototip, s’ha modificat el programa per a que realitzi una diferenciació entre les classes creades. Els valors resultants de l’entrenament son acceptables. Les prediccions d’aquests resultats son: pel model 1 la predicció és del 67%, pel model 2 la predicció és del 100%, pel model 3 la predicció és del 67% i pel model 4 la predicció varia depèn de l’etiqueta. Seguint l’ordre anterior, per a la primera etiqueta la predicció es del 71%, per a la segona etiqueta la predicció és del 100% i per a la tercera etiqueta la predicció es del 56%. Es a dir, pels valors donats, el programa potser una guia per a identificar a les persones seleccionades. Depenent de la classe a identificar, el percentatge de predicció serà major. Això es deu a que, per a cert etiquetatge, la selecció d’imatges es millor. En conclusió, aquest projecte pot ser la base per a futures millores., La idea de este proyecto es entrenar un modelo de IA para que detecte e identifique a personas con técnicas Deep Learning. Para la realización del programa, se ha usado el algoritmo de YOLO. Se ha planteado para que acabe identificando a 3 personas diferentes respecto a las otras que puedan aparecer en las diferentes fotografías realizadas. Se basa en la detección de objetos aprovechando sus características para detectar a personas. Existen parámetros importantes como el Deep Learning y el Machine Learning. El Deep Learning saca el patrón de los datos dados a través de las redes neuronales mientras que el Machine Learning es la habilidad para aprender sin necesidad de estar explícitamente programado. Este trabajo se ha realizado con el lenguaje Python des del programa Visual Studio. Para el etiquetado de las imágenes, se ha usado la aplicación labelImg.py. Se empezará identificando a cada una de las personas escogidas de manera separada. Una vez realizado este prototipo, se modificará el programa para que realice una diferenciación entre las clases creadas. Los valores resultantes del entrenamiento son aceptables donde las predicciones son: para el modelo 1 la predicción es del 67%, para el modelo 2 la predicción es del 100%, para el modelo 3 la predicción es del 67% y para el modelo 4 la predicción varía dependiendo de la etiqueta. Siguiendo el orden anterior, para la primera etiqueta la predicción es del 71%, para la segunda etiqueta la predicción es del 100% y para la tercera etiqueta la predicción es del 56%. Es decir, a partir de los valores dados, el programa puede ser una guía para identificar a las personas seleccionadas. Dependiendo de la clase a identificar, el porcentaje de predicción será mayor. Esto se debe a que, para ciertos etiquetados, la selección de imágenes sea mejor. En conclusión, este proyecto puede ser la base para futuras mejoras., The aim of this project is to create a program that can detect and identify people with Deep Learning techniques. To create this, it has been used the YOLO algorithm. The idea is to identify three different people among others. These classes are related with three specific people. The fourth label is for the rest of the people. This project uses the object detection due of its characteristics to detect people. The Machine Learning is the ability to learn without explicitly being programmed. The Deep Learning is the extract pattern from data using neural networks. This project is created with the program Visual Studio and the language Python. LabelImg.py will help to label the photographies. First of all, it has started by identifying one person among others that will appear on the images. The first implementation is to make the differentiation between the author and the rest of the people which can appear on the image. The final method and last implementation is to classify four different classes. In general, the results of the training have been done correctly. The predictions are: for the model 1 the prediction is about the 67%, for the model 2 the prediction is about the 100%, for the model 3 the prediction is about the 71% and for the model 4 the prediction depends on the label. For the first label the prediction is about the 71%, for the second label is about the 100% and for the third one the prediction is about the 56%. So, this is a value which it can be based to predict the chosen people. There are different percentages depending on the label to find. This is because of the selection of the images for each class. Depending on the class are better than the others. In conclusion, this project can be the base to improve in the future.

El aprendizaje automático (machine learning) es una tecnología emergente que actualmente está experimentando un auge muy significativo. Es por eso interesante profundizar en un campo de la computación con tanto potencial que se espera que impulse una revolución tecnológica en los próximos años —si no es que lo está haciendo ya—. Este proyecto de fin de grado explora las bases teóricas del aprendizaje automático, más concretamente de las redes neuronales artificiales, y su aplicación en la visión por computador. Utilizando redes neuronales convolucionales se entrenan cuatro modelos de Deep Learning —image classification, object detection en local y object detection online— con el objetivo de conseguir uno capaz de reconocer y localizar una pequeña pelota de forma rápida y precisa. Dicho modelo se implementa en un robot cuadrúpedo, el robot Bittle de Petoi, a través de un algoritmo de control desarrollado en Python y utilizando una Raspberry Pi para ejecutar la inferencia. El objetivo final de este proyecto es conseguir que el robot Bittle avance solo hacia la pelota basándose únicamente en la información que le proporciona el sensor de cámara haciendo uso solamente de técnicas de deep learning, ya que existen otras técnicas como la detección por geometría o por color que consigue resultados similares. Este trabajo pretende ser una ampliación y propuesta de mejora del trabajo final de máster titulado "Estrategia de movimiento basada en Deep Learning y Visión por Ordenador para Robot Cuadrúpedo" realizado por Gabriel Mourad, en el que entrenó también cuatro modelos de clasificación de imágenes con el mismo objetivo

Molts processos industrials fan ús de PLCs pel control i automatització de maquinaria. D’aquests processos molts necessiten estar en funcionament continu i sense patir interrupcions, ja que una aturada en el procés podria suposar despeses molt quantioses per una empresa. Darrerament, per fer front a aquestes possibles interrupcions, ha aparegut el concepte de PLC HA. Aquest tipus de controlador es basa en l’ús de dos CPU , una principal i una secundària. En funcionament normalitzat actua la CPU principal, i la secundària, que només rep informació, ocupa la posició de reserva. Si la principal cau, la secundaria ocupa la seva funció al PLC, i la principal passa a ser secundària [1]. Aquest treball desenvolupa un PLC HA i posteriorment força experimentalment diversos errors de funcionament per analitzar com es comporta a nivell de hardware i software i més important, com afecta al procés controlat. Per fer una simulació de procés industrial, les proves es realitzen amb un variador de freqüència i un motor. Aquests serveixen per representar qualsevol aplicació pràctica dins del marc industrial com podrien ser el moviment d’un ventilador, una bomba, l’obertura i tancament d’una porta, el desplaçament d’un braç robòtic, el moviment d’una cinta transportadora, entre moltes altres.

En este trabajo se realiza un proyecto que implica la programación de una interfaz web la cual da acceso a los controles de un procesador de señal de audio: DRC o compresor básico. A través de esta se da solución al control del DRC de manera remota para interactuar con hardware local, es decir el propio computador que aloja el programa, y también un esbozo de su uso con hardware en equipos remotos. Para conseguir estos objetivos se realizó una investigación tanto del hardware más adecuado para realizar y alojar el programa, como los principios que sigue un compresor de audio para diseñar uno básico que encaje con las cotas del trabajo. Se optó por alojarlo en una Raspberry Pi 4 junto a una PiSound. Se realizó la construcción, de manera virtual, de un DRC mediante Pure Data el cual cuenta con controles básicos como son el umbral, ratio, repuesta, ganancia y lookahead. Además de un selector que permite escoger entre una detección de valor eficaz o de pico en la señal de entrada para calcular la ganancia. A los controles que se construyeron en el compresor se les dotó de comunicación local para poder intercambiar datos con la interfaz web. Esta se hizo, principalmente, con Python (Framework Flask, para el lanzamiento de la aplicación web), HTML (con Bootstrap, para la organización estructural de etiquetas de la página y la responsividad), CSS (para manejar el aspecto visual) y JavaScript (para la gestión de la información de los diferentes apartados). La interfaz, finalmente, cuenta con tres apartados: el control de los parámetros del programa en Pure Data, una gráfica que representa la función de transferencia del compresor, y los actuadores que permiten aplicar el proceso a la señal

This project focused on the study and development of remote unmanned aerial vehicle (UAV) operations. The objective was to build a UAV and control its operations via an air-link system, while developing an online remote station for commanding the UAV from anywhere with an internet connection. Open-source components like the Pixhawk flight controller were utilized in building the UAV, while the air-link communication system was developed using Raspberry Pi and the MavLink protocol. Simultaneously, the project undertook the design and development of an online remote station using Django. This station provided a user-friendly interface, facilitating seamless interaction between the operator and the UAV. The remote station’s performance was validated through a series of rigorous tests involving both real and simulated vehicles. The results showed the station’s successful control of the UAV, thereby meeting almost all predefined project requirements. Challenges were encountered in relation to the UAV’s air-link range and maintaining consistent Internet connectivity, pointing the way for future enhancements. However, the project underlined the practicality and potential profitability of remote UAV operations. It has illuminated potential applications in various sectors like agriculture, and critical area surveillance. The work and findings from this endeavor have not only demonstrated the feasibility of remote UAV operations but also suggested areas of potential improvement, thereby setting the stage for future advancements in UAV technology.

Amb l’augment dels avanços tecnològics, les operacions remotes amb drons han guanyat rellevància degut al seu potencial en la realització de tasques en entorns desafiant i de risc. Aquest projecte es dedica al desenvolupament i validació d’un innovador sistema de comunicació basat en la tecnologia 4G per a la gestió de drons a distància. Per això, es fa ús d’un Raspberry Pi Zero juntament amb un mòdem 4G, connectant-se directament amb el controlador de vol del dron. La transmissió de dades es realitza mitjançant el protocol MQTT, mentre que la visualització i gestió d’aquestes es fa amb l’ajuda de Node-RED. La investigació aprofundeix en l’estat actual de les operacions remotes en la indústria del dron, emfatitzant la necessitat de sistemes de comunicació fiables. La implementació del sistema de comunicació 4G implica establir una connexió estable 4G, transmetre dades de telemetria i facilitar el control bidireccional. Les proves rigoroses avaluen l’eficiència, fiabilitat i seguretat del sistema, assegurant una connectivitat perfecta i la transmissió de dades en diverses condicions. Aquest estudi destaca la importància de les operacions de drons remots i el paper fonamental dels sistemes de comunicació avançats. El sistema de comunicació 4G validat demostra el seu potencial per millorar les operacions de drons a través de les indústries, incloent la vigilància, l’agricultura, i la cerca i el rescat. L’adaptabilitat i futura escalabilitat del sistema subratlla la seva importància en la formació del paisatge de les operacions de drons remots.

En este documento se detalla el desarrollo de la creación e implementación de un algoritmo de reconocimiento de lenguaje de signos en un robot cuadrúpedo, con el objetivo de que este pueda realizar tareas de movimiento adecuadas a la seña reconocida. Siendo las señas reconocibles ’VEN’, ’PARA’ y ’SIENTATE’; teniendo el robot que realizar estas acciones al reconocer la señal del usuario mediante una cámara. El sistema propuesto está compuesto por distintas partes: un sensor de cámara instalado en la parte frontal del robot para capturar imágenes del usuario, una red neuronal recurrente de tipo Memoria de Largo Corto Plazo para reconocer las acciones del usuario y una estructura de robot cuadrúpedo encargada de realizar las acciones de movimiento determinadas por el algoritmo. El desarrollo del proyecto se ha llevado a cabo con una metodología gradual. Resolviendo primero la forma de recaudar los datos necesarios para entrenar el modelo de inteligencia artificial, realizando luego la propia recolección de datos y posteriormente realizando el diseño, entrenamiento, evaluación y prueba en tiempo real del modelo. Una vez conseguido un modelo satisfactorio se ha creado una implementación de este para el robot. El resultado final del proyecto es una modelo de reconocimiento de señas funcionales, con un rendimiento alto, y una implementación en el robot que no se ha podido probar debido a los limitados recursos computacionales de los que se disponía

This project focused on the study and design of an interface for remote audio processing, with the objective of acquiring by filtering, biasing, and amplifying an analog signal before digitizing it by means of two MCP3208 ADCs to achieve a 24-bit resolution signal. The resulting digital signal was then transmitted to a Raspberry Pi using SPI protocol, where it was processed by a Flask server that could be accessed from both local and remote networks. The design of the PCB was a critical component of the project, as it had to accommodate various components and ensure accurate signal acquisition and transmission. The PCB design was created using KiCad software, which allowed for the precise placement and routing of all components. A major challenge in the design of the interface was to ensure that the analog signal was not distorted during acquisition and amplification. This was achieved through careful selection of amplifier components and using high-pass and low-pass filters to remove any unwanted noise. Once the analog signal was acquired and digitized, the resulting digital signal was transmitted to the Raspberry Pi using SPI protocol. The Raspberry Pi acted as the host for a Flask server, which could be accessed from local and remote networks using a web browser. The Flask server allowed for the processing of the digital signal and provided a user interface for controlling the gain and filtering parameters of the analog signal. This enabled the user to adjust the signal parameters to suit their specific requirements, making the interface highly flexible and adaptable to a variety of audio processing applications. The final interface was capable of remote audio processing, making it highly useful in scenarios where the audio signal needed to be acquired and processed in a location separate from the user. For example, it could be used in a recording studio, where the audio signal from the microphone could be remotely processed using the interface. The gain and filt

La tesis ”Disseny innovador d’un Unmanned Aerial System (UAV) amb ala per l'àmbit marítim” tracta del disseny d’un UAV capaç de recórrer 150 km en busca de qualsevol tragèdia al mar o oceà, des de vaixells enfonsant-se a pasteres plenes d'immigrats que tenen poques possibilitats de sortir en vida donades les condicions en que intenten travessar el mar mediterrani. Durant el projecte es mostra pas a pas tot el procés de disseny de l’aeronau, la selecció dels diferents components dins del gran mercat que compren el mon dels drons. En aquest projecte, es proposa un model d’UAV innovador que es capaç de prendre decisions per si mateix analitzant les imatges capturades per la càmera tèrmica. Així es converteix en un dron que no depèn de la comunicació de l'estació de control terrestre quan es troba a distancies de superen els 50 km i una connexió d’alta definició resulta impracticable. Al final de la tesis s’obtenen unes conclusions bastant sensates. El projecte és factible en quant a construcció de l’aeronau. Un cop desenvolupat i portat a la realitat té una sortida molt bona i molt ètica, però es tracta d’un projecte de cents de milers d’euros del qual costaria trobar finançament, a no ser que els governs actuessin per posar remei a la crisi del mediterrani que s'està vivint ara mateix.

El propòsit d’aquest treball fi de màster és el desenvolupament d’un sistema de reconeixement automàtic de matrícules a partir d’un model d’intel·ligència artificial, utilitzant visió artificial i aprenentatge profund. El sistema desenvolupat és capaç de fer la lectura en temps real de la matrícula d’un cotxe a partir d’una imatge desconeguda. D’aquesta manera, es pretén il·lustrant les possibles tècniques de visió artificial que fan servir els sistemes de control en carretes o en espais d’aparcament. Per fer-ho, s’ha entrenat el model de detecció d’objectes, You Only Look Once (YOLO) format per una xarxa neuronal convolucional CNN, a partir d’un conjunt d’imatges conegudes i obtingudes per la resolució d’aquest treball. En les diferents imatges es troben tant vehicles estacionats com en circulació, amb la regió de les diferents matrícules etiquetades i marcades. Un cop entrenat el model, aquest és fet servir per detectar la matrícula i poder-ne extreure-la de la imatge original. Amb aquesta nova imatge, es realitza la lectura del codi utilitzant la tècnica de reconeixement de caràcters en objectes (OCR). Pel desenvolupament de l’OCR s’ha fet ús de l’algorisme EasyOCR el qual ha permès llegir els diferents nombres i lletres per tal de portar a cap un postprocessament i construir el codi de la matrícula segons la legislació espanyola

La locomoción es uno de los principales desafíos presentes en el campo de la robótica. Esta habilidad expande el alcance de los robots, y les permite resolver un gran abanico de tareas, desde aplicaciones cotidianas del día a día, hasta exploraciones en terrenos desconocidos. En este documento se detalla el desarrollo de una estrategia de movimiento, basada en inteligencia artificial, para un robot cuadrúpedo. El algoritmo desarrollado tiene como objetivo hacer que el robot alcance (de forma autónoma) un determinado objeto. El sistema propuesto está compuesto por varias entidades: un sensor cámara instalado en la parte frontal del robot para capturar imágenes del entorno, una red neuronal convolucional para clasificar la posición relativa del objetivo, y una estructura de robot cuadrúpedo encargada de realizar las acciones de movimiento determinadas por el algoritmo de control. El desarrollo de este proyecto se ha llevado a cabo siguiendo una metodología ascendente. Resolviendo en primer lugar una simplificación del problema planteado, se ha aumentado la complejidad de cada estrategia de movimiento hasta alcanzar resultados satisfactorios. Cada etapa del desarrollo sigue la misma estructura: diseño del algoritmo de control, implementación y análisis de resultados. Gracias a ello, ha sido posible observar cuáles son las virtudes y carencias de cada estrategia de movimiento, permitiendo mejorar el desempeño del sistema en etapas posteriores. El resultado final es una estrategia de movimiento funcional, capaz de conducir el robot hasta el objetivo deseado gracias a los excelentes resultados obtenidos en el modelo de clasificación., Locomotion is one of the main challenges to overcome in robotic technologies, this skill enable robotics to be applied over a wide range of tasks spanning day-to-day applications up to exploration tasks in unknown and far territories. This document details the development of a movment strategy definition on a four-legged robot based on artificial intelligence. The algorithm developed is made to enable the robot reach the objective autonomously, this system is composed of various subsystems: A camera installed in the front, to capture images of the surrounding. A convolutional neural network allows classification of the object's relative position and finally the robot's structural awareness that will execute the movements to be performed as per tasks generated by the control unit. This project has been executed following an ascending methodology. Solving by first a simplification of the proposed problem, the complexity of each movement strategy has been increased until achieve satisfactory results. Each development stage follows the next structure: control algorithm design, implementation and analysis of the performed task. As a result, it has been possible to evaluate the strengths and weaknesses of each movement strategy, and then improve the system performance on subsequent stages. Thanks to the excellent accuracy acquired on the classification models, the final result is a functional movement strategy able to drive the robot to the desired object.

Deep Learning is the state-of-the-art of Artificial Intelligence. Companies around the world put this technology to practical use. Accordingly, this work pretends to investigate the benefits of its use in agriculture in combination with unmanned aerial vehicles. The report introduces Deep Learning by giving its definition and the inspiration behind this technology. Further, its functioning was studied to gain an understanding of how it is applied to real-world tasks and what variations of Deep Learning exist. Accordingly, the suitable Deep Learning algorithm and its implementation was selected to fulfill the objectives of this project. The report proceeds with explaining the computer code that was written to utilize an already existing implementation and the problems that were encountered. Finally, the discussion of the accomplished results is presented along with the conclusions of the entire project and comments on future works.

En este proyecto final de grado se ha montado y adaptado un UAV (Unmanned Aerial Vehicle) para que pueda adquirir imágenes áreas y las envíe de manera automatizada a una unidad computacional hardware, que hay implementado un servidor web. Dentro del ámbito de vigilancia aérea, a través de la tomo de imágenes en el ámbito de la agricultura, se ha realizado el ensamblaje completo de un cuadricoptero radio controlado con el fin de tomar imágenes aéreas de personas y, de manera offline, utilizar algoritmos de IA utilizar máscaras para marcar personas y detectarlas en la imagen, El trabajo forma parte de un proyecto multidisciplinario de varios estudiantes que engloba, ensamblaje de estructuras mecánicas, programación de servidores web y procesado para segmentación de imágenes utilizando técnicas de IA, y que se ha dividido en varios proyectos. El proyecto explicado en este documento se limita al ensamblaje de la aeronave, su configuración y la implementación del servidor web en plataforma hardware computacional. La aplicación de demostración recoge las imágenes adquiridas por el drone para mostrarlas en la página web al usuario

A dia d’avui trobem intel·ligència artificial aplicada a gran diversitat de camps, la podem trobar als telèfons mòbils, presents a la butxaca de qualsevol persona fins als hospitals o als bancs. L’aplicació de la intel·ligència artificial amb combinació de la robòtica ha representat una millora de la qualitat de vida. Des-de feines tedioses i monòtones fins a tasques perilloses o complicades que abans es duien a terme per persones ara es fan amb robots. Els robots autònoms són capaços de reconèixer i aprendre sobre el seu entorn i prendre decisions de forma independent sense la necessitat de control humà. Varien amb dimensions, funcionalitat, mobilitat, etc. en funció de les seves aplicacions. Es poden trobar als habitatges com els robot Roomba, processos industrials o destinats a l’exploració. La percepció es molt important en el robots autònoms, ja que abans de prendre decisions han d’avaluar informació sobre l’entorn. L’objectiu d’aquest treball de final grau serà dotar un robot quadrúpede, el Bittle, amb percepció visual a traves de l’entrenament d’una xarxa neuronal que utilitza el model Mask RCNN. Controlat per una Raspberry Pi, es buscara que el Bittle sigui capaç de detectar pilotes i actuar amb conseqüència

Aquest projecte proposa implementar un algoritme de Deep Learningcapac de detectar i classificar si un forat d’una placa de circuit imprès (PCB) està correctament soldat o no, depenent de si hi ha buits en la soldadura o no. Es tracta d’un algoritme aplicat al sector de la electrònica que utilitza intel·ligència artificial. Primerament, s’ha extret un conjunt d’imatges amb la finalitat de que l’algoritme pugui detectar i classificar els forats de diferents PCBs. Aquest conjunt d’imatges ha sigut extret d’Internet a la pàgina Kaggle, la cual compta amb una gran quantitat de bases de dades d’imatges. Les imatges han sigut distribuïdes de manera que el 70 Aquest projecte es pot dividir en diferents etapes: obtenció de dades, selecció del model neuronal, entrenament del model amb verificació i les proves finals. S’ha utilitzat el model anomenat Mask RCNN, una xarxa neuronal dissenyada per abordar la detecció d’objectes i la segmentació d’imatges i capaç de generar màscares de segmentació per a cada objecte en la imatge. Com a plataforma per crear l’algoritme s’ha utilizat el servei de computació de pagament de Google Colab. El model predictiu generat ha obtingut una exactitud del 62,28%. Concretament, una precisió en la detecció i classificació de forats correctes del 63,51% i en forats incorrectes del 34,09%. Per a augmentar la precisió de l’algoritme de cara al futur és necessari entrenar-lo amb un nombre de dades més elevat

Modelado no lineal de circuitos analógicos de efectos de audio, para ser utilizados a tiempo real como sustituto de dispositivos físicos tales como amplificadores y pedales de efectos. Implementando DK method para la discretización de la señal y llevar al desarrollo de plugins VST, AU, RTAS en el lenguaje C++ moderno y el framework para desarrollo de plugins JUCE. A lo largo de este proyecto se analizará la respuesta en frecuencia de un efecto analógico de tipo overdrive en matlab y se comparará con los resultados obtenidos con el spice TINA-TI, para posteriormente implemenatarlo como plugin de audio.

Hoy en día se puede encontrar la Inteligencia Artificial (IA) en gran cantidad de campos, desde asistentes virtuales hasta en las finanzas. La IA está integrada en el día a día de las personas, incluso en sus propios vehículos que, a pesar de no ser plenamente autónomos, disponen de esta tecnología en gran parte de sus funciones. La IA y, en particular, el Deep Learning (DL) ha permitido un avance significativo hacia el desarrollo de vehículos totalmente autónomos en la última década, convirtiéndose en uno de los campos de investigación con más recorrido y que concierne a la prevención de accidentes y seguridad. Pese a ello, aún existen limitaciones para llegar a la conducción autónoma total (nivel 5). El objetivo de este trabajo consiste en la programación de la unidad hardware del prototipo JetBot, el entrenamiento del modelo de IA de una red neuronal que utiliza el modelo MRCNN y la verificación del funcionamiento (test) en un circuito indoor cerrado que dispone de marcas viales. El trabajo se desarrollará en el subcampo de los sistemas de percepción y fusión de datos y el análisis se realizará mediante las imágenes obtenidas con una cámara video integrada en el Jetbot. Para poder llevar a cabo los objetivos se ejecutarán diversos experimentos cuya dificultad se irá incrementando a medida que se logren los diferentes objetivos planteados: Detección de líneas continuas, líneas discontinuas, pasos peatonales y carriles. A partir de los resultados obtenidos se expondrá el nivel de precisión del programa partiendo del porcentaje de error en la detección de las diferentes clases en las imágenes de test. Como conclusión principal, se extrae que el nivel de la precisión del programa depende directamente de la calidad, el tipo de imágenes, (por lo que el tratamiento de estas luz, contrastes, etc., previo al entrenamiento, es altamente necesario para el prototipo) y de la cantidad de horas de entrenamiento.

Se estima que en los últimos años los accidentes de tránsito causan más de un millón de muertes en el mundo anualmente. Y entre el 70 y el 90 % de estos están provocados por el factor humano, siendo el resto causado por el factor técnico y medioambiental. Es por ello que se está invirtiendo y estudiando la inteligencia artificial aplicada a la conducción de los vehículos; conocidos como vehículos autónomos. Para conseguir una conducción autónoma, uno de los algoritmos que se aplica es el aprendizaje profundo, un algoritmo que forma parte del aprendizaje autónomo y trabaja de manera similar al cerebro humano: mediante redes neuronales. En este proyecto se aplica aprendizaje profundo para la autoconducción de un vehículo teledirigido, específicamente para que este sea capaz de cambiar de carril si en su trayecto hay líneas discontinuas. Los resultados del entrenamiento son; por una parte, los gráficos del error de entrenamiento y validación en función de las épocas, y, por otra parte, la evaluación de los modelos de manera pragmática, observando el funcionamiento de la conducción autónoma del vehículo. En el primer caso, el modelo muestra un funcionamiento válido si el error de entrenamiento de la última época es pequeño y si el error de verificación es menor a este. En el caso de obtener un error de verificación mayor, el modelo sufre un problema de sobreajustamiento. No obstante, se requiere también una evaluación visual de la conducción autónoma para confirmar la validez del modelo.

La població mundial hi ha estat augmentant quasi de forma exponencial des de la primera revolució industrial. Aquest increment, sumat a la globalització, ha creat una demanda en augment de tota mena d’aliments, la qual cosa ha comportat la necessitat de destinar més terreny a la producció alimentaria. Aquests terrenys són tant per a camps de pastura (ramaderia), com per a camps de cultiu (agricultura), provocant una deforestació massiva arreu del món. A més a més, l’increment de població a les ciutats, de forma lineal, i l’abandonament de les zones rurals (despoblació rural) crea una falta de treballadors agrícoles mentre es necessita una major producció. Aquesta necessitat de treballadors incita a la necessitat d’automatitzar els camps de cultius per a augmentar el seu rendiment així com prescindir de tanta mà d’obra agrícola al mateix temps que obtenim productes frescos. Així doncs, l’automatització ha estat en augment de forma mundial, i encara que al sector agrícola no s’ha desenvolupat tant com a altres, cada vegada s’hi aposta més per aquest sector (sobretot quan es pot observar de primera mà la dependència agrícola que hi ha, per exemple, amb de la guerra d’Ucraïna-Russia, d’uns països respecte d’altres). Generalment, l’automatització agrícola es basa en la realització, sense necessitat d’intervenció humana, de la sembra, reg, collita i fumigació de les plantacions tenint en compte les dades que s’han recopilat prèviament utilitzant diferents tipus de sensors. Al llarg de la història de l’automatització agrícola s’han dut a terme diferents sistemes d’automatització. Progressivament, es van començar a dissenyar diferents robots mòbils per a utilitzar-los en distints treballs agrícoles, ja sigui des de recopilació de dades a la plantació fins tasques on es necessit l’esforç físic per a la seva realització. A més, s’han dissenyat drons per a monitoritzar cultius en temps real, facilitant la detecció de problemes que poden no ser detectats a temps per un humà i m

La finalidad de este trabajo de fin de grado era montar un dron y adaptarlo para el uso de ciberseguridad en los campos de cultivo. Esto se realiza mediante la adquisición de imágenes aéreas y el posterior envío automatizado mediante una unidad terrestre remota, en mi caso una Raspberry pi 4. El dron tiene la capacidad de volar autónomamente programando la ruta que queremos que realice. En este documento se explica desde como ensamblar el dron, hasta la programación y desarrollo de una red neuronal convolucional para la detección de personas en las fotos que envía el dron mediante la unidad terrestre. Se puede dividir el proyecto en cuatro grandes partes, la primera nos introduce en el mundo de los drones, aplicaciones que tienen en la actualidad y mas en concreto en la agricultura. La segunda parte consta de una descripción de los componentes que conforman el dron y una descripción del proceso de ensamblaje, configuración y calibración del dron. La tercera parte consta del desarrollo de una aplicación web, en mi caso la modificación y adaptación de una desarrollada por un compañero, y la implementación de la misma para poder usar la red neuronal desarrollada para el procesado de las imágenes recibidas a través del servidor. Para finalizar, se muestran los resultados y las conclusiones obtenidas gracias a las pruebas que se han realizado

Cada any aproximadament 1,35 milions de persones moren per accidents de trànsit, el 94% d’aquests com a resultat d’errors humans. El desenvolupament de cotxes autònoms és un dels àmbits més populars i de moda on s’està experimentant amb tècniques de Deep Learning per tal de garantir la seguretat i la integritat de les persones. El Deep Learning és un subconjunt de tècniques en l’àmbit del Machine Learning que serveix per entrenar màquines algorítmiques a realitzar tasques sense haver sigut programades de manera explícita. L’objectiu d’aquest treball consisteix en preparar un vehicle de radio-control i programar la seva unitat computacional perquè, mitjançant la utilització de tècniques d’aprenentatge profund supervisat, aprengui a moure’s en un circuit tancat. Per tal d’assolir-lo es realitzaran diferents experiments en els quals es modificaran els paràmetres del vehicle així com les dades emprades en l’entrenament. En cada experiment es realitzarà una conducció diferent: sentit únic, ambdós sentits o ambdós sentits amb entrada de pista. A partir dels resultats dels experiments s’obtenen els errors del model en funció de les èpoques d’entrenament. Es pot observar que, primer de tot, perquè un model sigui vàlid, a més a més de tenir un error baix a l’etapa d’entrenament l’ha de tenir a l’etapa de validació. En el cas de que l’error en l’etapa de validació sigui major, s’obté un model massa complex (model sobreajustat) i, per tant, no vàlid. Finalment, s’arriba a la conclusió de que el correcte entrenament d’un model depèn majoritàriament de la qualitat de les dades d’entrada, així com de la quantitat d’aquestes, i no del nombre d’èpoques. La qualitat de les dades dependrà principalment de la conducció i la preparació, sent aquesta última un filtratge i etiquetatge de les sortides

En aquest projecte final de màster s’ha muntat i adaptat un dron per a que pugui adquirir imatge aèries i les envií de manera automatitzada a una unitat terrestre remota, que implementa un servidor web. Dintre del àmbit de la agricultura s’ha realitzat un assemblatge complert d’un dron quadcòpter teledirigit amb capacitat de volar autònomament. En aquest document s’expliquen tots els passos necessaris per al muntatge i la configuració d’un dron quadcòpter així el desenvolupament d’un servidor web capaç de rebre les imatges enviades per la càmera embarcada al dron. La primera part del projecte inclou una visió general dels tipus de drons que s’utilitzen actualment, així com les aplicacions més rellevant en l’àmbit de l’agricultura. També es descriuen els components i tecnologies computacionals software i hardware per a la elecció dels elements que formaran part del dron. Seguidament es descriu tot el procés d’assemblatge, configuració i calibració del dron, a més del desenvolupament d’un servidor web. També s’inclou el funcionament dels scripts utilitzats, tant en la Raspberry que controla la càmera com la del servidor. Finalment, es mostren els resultats i conclusions finals a partir de les proves que s’han realitzat.

A hexapod robot is a mechanical vehicle that moves with six limbs. Being inspired by nature, these robots have a great deal of flexibility and great capacity for movement, being able to adapt to all kinds of environments and to overcome a wide variety of obstacles. An important part of these mechanical structures is the control electronics as well as the software, together with the graphic interface, that allows their management. Due to the complexity of its mechanical structure, graphical interfaces are needed to allow an easy configuration and calibration of the joints as well as to manage the robot’s movements in an agile, fast and simple way. The main objective of this project is to develop the graphical web interface that allows the management of the hexapod robot. This management is mainly composed of the initial calibration of the limbs (offsets) to prevent the robot from moving uncoordinated. The hexapod robot consists of two frames that constitute its body between which the computational platforms are placed. These are the Botboarduino microcontroller board that manages the coordinated movement of the six limbs and performs the necessary geometric calculations, the SSC-32U power driver to directly manage the 18 servomotors that make up the robot and the PS2 controller receiver used to manually control the robot. The web interface has been developed using the Flask micro framework, programmed in Python and deployed on a Raspberry Pi 3. The server hosting the web interface is located outside the hexapod robot and communicates with it via Bluetooth through a HC-06 transceiver module

Este estudio ha abordado los diferentes campos de aplicación de drones comerciales, su crecimiento actual y las perspectivas a futuro. En este estudio, partiendo de una plataforma básica se ha adaptado un dron comercial de competición para entrega de mercancías de bajo peso, añadiéndole componentes hardware y electromecánicos. Previamente, se han comparado diferentes controladores de competición para conocer sus prestaciones y hasta qué punto admite flexibilidad de personalización y edición. Al comprobar que adaptar el código fuente del controlador para llevar a cabo la aplicación era complicado, se decidió incluir una ESP32CAM para diseñar una aplicación de transporte y entrega de paquetes mediante validación del escaneo de un código QR. Este hardware funciona aparte del control de vuelo y, después de leer el código QR, acciona el servomotor de una pinza mecánica para liberar o bloquear la mercancía. Para ello, ha sido necesario diseñar una PCB con todo el hardware necesario para acoplar la ESP32-CAM al drone de manera compacta, reduciendo, para distribuir el cableado y los elementos soldados. El estudio incluye una demostración del correcto funcionamiento, así como de su manual de configuración y puesta en marcha

En aquest treball es detalla el desenvolupament d’un algoritme de Machine Learning perquè mitjançant tècniques de processament d’imatges detecti i classifiqui productes agrícoles en fotografies. Per tant, es tracta d’un algoritme aplicat al sector agrícola que utilitza la tecnologia de la intel·ligència artificial. Per a dur a terme aquest projecte, l’autor ha hagut d’extreure i preparar un conjunt de dades, imatges, que l’algoritme ha utilitzat per poder aprendre a detectar i classificar productes agrícoles. Aquestes imatges han estat extretes de bases de dades a través d’Internet i també realitzades per l’autor a través de càmera fotogràfica. El 70% del conjunt d’imatges s’ha utilitzat per a l’entrenament, el 20% per la prova i el 10% per la validació. Aquest projecte inclou diferents etapes: obtenció i preparació de dades, selecció del model de predicció, entrenament, verificació i proves. L’algoritme ha estat creat a través d’un model anomenat Mask R-CNN que s’utilitza per a resoldre problemes de segmentació semàntica en aplicacions d’aprenentatge automàtic de visió per computadora i ha estat desenvolupat en codi Python. Per a la creació de l’algoritme s’ha utilitzat un servei de computació gratuït al núvol anomenat Google Colab que està associat a un compte de Gmail. El model predictiu generat ha obtingut una exactitud del 60,25%. Concretament, una precisió en la detecció i classificació de pomes del 52,17% i en peres del 86,05%. Per a augmentar la precisió de l’algoritme de cara al futur és necessari entrenar-lo amb un nombre de dades més elevat.

El projecte que aquí es presenta es vol focalitzar en el muntatge d’un robot mòbil i el disseny de la interfície que permet un control remot. Es tracta doncs d’un treball amb un rerefons majoritàriament pràctic, i pretén aplicar els coneixements interdisciplinaris adquirits al llarg de tota la carrera, programació electrónica, robótica, comunicacions… L’objectiu principal del treball és assemblar aquest robot mòbil que està compost per un braç articulat situat en una plataforma mòbil. També, el control d’aquest aparell es fa través d’una interfície web, allotjada dins una Raspberry Pi que actua com a servidor, i una placa Arduino que actua com a hardware per controlar els motors i servomotors. El servidor està programat mitjançant el micro framework Flask, que permet crear aplicacións web en llenguatge Python. Aquesta interfície assegura la comunicació entre la pàgina web, escrita en els llenguatges HTML, CSS i Javascript, i la placa Arduino, mitjançant el port sèrie. Per altra banda, el projecte també inclou la posada en marxa i tots els requeriments per tal de muntar l’estructura. A la pràctica, el robot permet manipular-se des de qualsevol dispositiu (mòbil, tauleta, ordinador…) amb accés a la mateixa xarxa Wifi i a un navegador. Com a conseqüència, el control de l’aparell és fàcilment accessible per a qualsevol usuari: aquest podrà decidir el moviment de la plataforma i, per altra banda, la posició del braç. Aquest últim es controla mitjançant coordenades de posició o bé els angles que ha d’adquirir cada articulació

Durant les ultimes dues dècades es indubtable e innegable l’avenç i la importància que està prenent l’intel·ligència artificial(IA) i l’anàlisi de dades en la societat actual. Durant els últims 10 anys, s’han perfeccionat els mètodes de calcul i s’han desenvolupat aparells dotats d’un hardware suficientment potent com per processar arxius audiovisuals fins i tot en temps real i, juntament amb la transmissió de dades gràcies a tecnologies com el 4G i l’imminent revolució que suposarà per l’IoT (internet of things) el 5G, han anat apareixent noves aplicacions per la IA i la ciència de dades que estan donant lloc a una automatització massiva de tasques mecàniques, principalment la detecció i classificació, tant d’objectes com de dades. Precisament, l’anàlisi d’un cas automatitzable com ho és la detecció de semàfors és el tema d’estudi d’aquest Treball de Final de Grau, partint de la creació de la base de dades necessària per l’entrenament fins la validació del funcionament de l’IA. L’estructura del treball es divideix en quatre grans grups, començant per una introducció a les xarxes neuronals, continuant amb la creació d’una base de dades i preparació d’aquestes per entrenar el model, seguida d’un entrenament i test d’una intel·ligència artificial. Per acabar, es presenten els resultats obtinguts i les conclusions de l’estudi

En este proyecto se ha realizado el montaje y configuración de una red privada LoRaWAN (Long Range Wide Area Network), imitando la estructura que esta debería tener para ser implementada en la industria 4.0. Este tiene como principal objetivo establecer los pasos y procedimientos básicos para la implementa- ción de la tecnologia LoRa en el ámbito industrial. También estudia la situación actual de la tecnologia, analizando su grado de implementación en diferentes países y sus ejemplos de uso. El prototipo está formado por tres dispositivos sensores que incorporan tecnología LoRa, una puerta de enlace (gateway), un servidor de red (Network Server) LoRaWAN para gestionar los tres sensores, una aplicación Node-RED, un servidor OPC (Open Platform Communication) y una aplicación SCADA (Super- visory Control And Data Acquistion) de demostración. En esta última, se simula un sistema que monitoriza los sensores situados en un contenedor refrigerado de fruta. Gracias a la fácil modularidad de la plataforma escogida, esta permite escalar fácilmente los proyectos ya que se pueden incorporar o quitar dispositivos de manera modular, pudiendo adaptar cualquier sistema de producción diseñado en planta. Simplemente aumentando o disminuyendo el número de dispositivos y variando su modelo y función, se puede llegar a obtener infinitas instancias de red privada LoRaWAN. Con todo esto, se concluye que la implementación de redes privadas LoRaWAN es una elección de rápido diseño y montaje, con gran utilidad en el establecimiento de comunicaciones no críticas en procesos industriales

En este trabajo se detalla el desarrollo de una aplicación IoT (Internet of Things) en la nube que sirve para geolocalizar en tiempo real reses de animales ( livestock ) y, de este modo, tener monitorizado al ganado. Por tanto, se trata de una aplicación del ámbito agrícola con tecnología de comunicación inalámbrica de largo alcance (LoRa) con acceso a Internet. La plataforma consta de un nodo microcontrolador Arduino UNO [1] que incorpora la comunicación por radiofrecuencia, la geolocalización GPS y un sensor de temperatura/ humedad. Para el acceso a red se utiliza un enlace LPS8 de Dragino [2], y que está vinculado al servicio de The Things Network (TTN), que proporciona los servicios en la nube para la aplicación web remota. A nivel de hardware, el microcontrolador se encarga de las con guraciones generales, la transducción de las variables físicas (temperatura, humedad y geolocalización) y la transmisión inalámbrica de datos al enlace. Por otra parte, la plataforma en la nube incluye la aplicación web que permite el acceso a usuarios para que puedan saber el estado del nodo y los datos sensados. TTN hace de Edge-IT y gestiona la transferencia de datos entre el enlace y la aplicación en la nube, que ha sido desarrollada con TagoIO [3]. TTN admite varios sistemas de comunicación a nivel de protocolo HTTP (Hypertext Transfer Protocol ), como MQTT (Message Queing Telemetry Transport ) o AMQP (Advanced Message Queuing Protocol ), que son utilizados en este proyecto. La aplicación también incluye la generaci ón y envío de noti caciones al correo electrónico, mensajería instantánea GSM (Global System For Mobile Comunication ), gestión de usuarios y almacenamiento de datos.

En este proyecto se desarrolla una aplicación IoT para gestionar un invernadero y poder controlarlo de manera remota a través de una página web. El invernadero implementa diversas funciones automatizadas como la gestión de riego que regula la humedad del suelo o la ventilación en función de la temperatura ambiente. Además, monitoriza las variables de estado para que un usuario las visualice via web. El usuario remoto también tiene la posibilidad de accionar remotamente el control del riego y de la ventilación si así lo desea. La instalación completa cuenta con dos nodos controladores al que se conectan los diferentes sensores y actuadores. A ellos se accede via web gracias a que disponen de comunicación inalámbrica, mediante un servidor local conectado a un router doméstico. Este servidor aloja la página web y utiliza protocolo MQQT para la transferencia de datos con los nodos, así como protocolo HTTP para comunicarse remótamente con la interfaz web.. Adicionalmente, se usa un servicio de DynDNS externo para resolver la problemática de las direcciones IP dinámicas. Esto permite acceder al sitio web del invernadero doméstico desde cualquier lugar, ya sea a través de un ordenador personal, portátil, tablet o teléfono móbil independientemente de la plataforma usada: MAC, Android o Windows A modo de manual de puesta en marcha, se indican las instrucciones para poner en marcha la plataforma y los archivos con los scripts de los códigos software de los nodos controladores y el servidor se pueden descargar desde Github

En este documento se detalla el desarrollo de una aplicación web para la monitorización de livestock, reses de animales, en tiempo real utilizando tecnología LoRa en una red local de Internet, el documento está formado por varios capítulos. La plataforma desarrollada contiene un sistema de monitorización formado por dos nodos , cada nodo incluye un microcontrolador con su módulo de comunicación inalámbrica LoRa, GPS y sensor de temperatura. Además, el sistema contiene una unidad de proceso Raspberry Pi 4B donde se ha alojado un servidor, que a su vez ha funcionado como pasarela entre los nodo. En cuanto a software, se ha desarrollado la programación de la configuración de los nodos, sensado de variables, y la transmisión inalámbrica de nodo a servidor. A su vez, se ha desarrollado una interfaz web que permite el acceso y visualización de los datos del nodo desde cualquier dispositivo dentro de la red local, la página web incluye la gestión y autenticación de usuarios, gestión de la base de datos de la plataforma, y las configuraciones para el envío de correo electrónico. Finalmente, se ha escrito un breve manual para ayudar al usuario final para poner en marcha esta aplicación, donde abarca configuraciones de los componentes (nodos y puerta de enlace), así como la verificación del correcto funcionamiento de cada uno de ellos, incluyendo sus comunicaciones y GPS. Asimismo, se mostró el funcionamiento de registro de usuarios y la encriptación de contraseñas, y sus validaciones de correo existente

Resolved

Los satélites espaciales han revolucionado nuestro mundo completamente. Explorarlos otros planetas del Sistema Solar nos ayuda a comprender el nuestro y conocer las repercusiones que puede tener actuar en él. Un día, la propia existencia de la Tierra y todos los que vivimos en ella, puede depender de saber detectar y desviar un asteroide a una órbita que no suponga un peligro de impacto en la superficie terrestre. Desde el punto de vista de la tecnología, los ordenadores, las comunicaciones, entre otros,se han beneficiado de los desarrollos creados para la investigación espacial, ya que lossatélites de comunicaciones son los que ofrecen acceso instantáneo a informaciones de todo el mundo vía radio, televisión y móviles. Por todo ello, la investigación espacial es muy importante y necesaria en la vida humana.Para llevar a cabo misiones a otros planetas, se desarrollan estructuras móvilesrobotizadas a las que se le incorporan todas las herramientas e instrumentos necesarios para realizar los estudios requeridos, al mismo tiempo que se les equipa consistemas de protección para trabajar en condiciones hostiles donde los humanos no pueden llegar.Con el objetivo de desarrollar una aplicación ambientada en el campo de los vehículos aeroespaciales, este proyecto trata de incentivar el interés por la exploración espacial y la robótica móvil. Por ello, y a modo de ejemplo, se ha desarrollado una interfície web para gestionar el robot móvil Alphabot, de Waveshare, controlando movimientos remotamente, realizando instantáneas y grabaciones de vídeo, así como medir datos de temperatura y humedad.

E-agriculture, sometimes reffered as 'ICT in agriculture' (Information and Communication technologies) or simply "smart agriculture", is a relatively recent and emerging field focused on the enhacement on agricultural and rural development through improved information and communication processes. This concept, involves the design, development, evaluation and application of innovative ways to use IoT technologies in the rural domain, with a primary focus on agriculture, in order to achieve better ways of growing food for the masses with sustainability. In IoT-based agriculture, platforms are built for monitoring the crop field with the help of sensors (light, humidity, temperature, soil moisture, etc.) and automating the irrigation system. The farmers can monitor the field conditions from anywhere and highly more efficient compared to conventional approaches.

Resolved

Resolved

Resolved

Incoming

Examen final del curs 2018-2019., Resolved

Resolved

Resolved