Sistema de Reconocimiento de Objetos como Apoyo a Personas Invidentes
Resumen
La discapacidad involucra diferentes limitantes con las que convive día a día el individuo que la sufre. La discapacidad visual hace referencia a una pérdida parcial o total de la visión, mediante la cual el individuo interactúa con los elementos de su entorno. Se estima que aproximadamente el 48% de personas que padecen algún tipo de discapacidad presentan limitantes visuales, lo cual les ocasiona dificultades en actividades y espacios cotidianos. Uno de los ámbitos más afectados para estas personas constituye la movilidad, dados los obstáculos variados con los que se pueden encontrar. Para brindar alternativas a esta problemática existen herramientas como los bastones que le permiten al usuario detectar objetos y poder esquivarlos. Sin embargo, estas herramientas presentan limitantes que, en últimos años, han intentado ser cubiertas por técnicas de visión artificial. Este proyecto implementa redes neuronales a través de algoritmos de visión para construir un sistema que pueda ser de utilidad para la población en mención. Los resultados obtenidos nos muestran que hacer uso del algoritmo YOLO en su versión 5 resulta efectivo en un 94.29% para detectar objetos a través de una cámara web y que incluso se pueden realizar detecciones de diferentes objetos al mismo tiempo. Este tipo de algoritmos pueden ser implementados como sistemas móviles para facilitar el tránsito a los usuarios con discapacidad visual. Finalmente, es importante incluir la mayor cantidad de categorías posibles al desarrollar el algoritmo para asegurar que la persona cuente con suficiente información para realizar su desplazamiento.
Descargas
Citas
Aramendiz, C., Escorcia, D., Romero, J., Torres, K., Triana, C., & Moreno, S. (2020). Sistema basado en reconocimiento de objetos para el apoyo a personas con discapacidad visual. En Investigación y Desarrollo en TIC (Vol. 11, Números 2, pp. 75-82).
Diwan, T., Anirudh, G., & Tembhurne, J. V. (2022). Object detection using YOLO: challenges, architectural successors, datasets and applications. En Multimedia Tools and Applications (Vol. 82, Números 6, pp. 9243-9275). https://doi.org/10.1007/s11042-022-13644-y
Hernández, H., Hernández, J. R., Ramos, M., & Fundadora, Y. (2019). Calidad de vida y visual en pacientes operados de catarata por facoemulsificación bilateral simultánea con implante de lente intraocular. En Revista Cubana de Oftalmología (Vol. 32, Números 2, p. e311).
Instituto Nacional de Estadística y Geografía. (2020). Censo de Población y Vivienda 2020. INEGI. Recuperado mayo de 2023 https://www.inegi.org.mx/app/areasgeograficas/#collapse-Indicadores
Jocher, G. (2020). Ultralytics YOLO V5. GitHub. Recuperado septiembre de 2022, de
https://github.com/ultralytics/yolov5?ref=blog.roboflow.com
Martínez, J. (2015). Reconocimiento de imágenes mediante redes neuronales convolucionales (tesis de pregrado). Universidad Politécnica de Madrid, Madrid, España.
Laverde, O. D. (2013). Personas con discapacidad visual y su accesibilidad al entorno urbano. En Revista TECKNE (Vol. 11, Número 1, pp. 48-53).
Organización Mundial de la Salud. (2011). World report on disability and rehabilitation. WHO. Recuperado mayo de 2023, de https://www.who.int/teams/noncommunicable-diseases/sensory-functions-disability-and-rehabilitation/world-report-on-disability
Organización Mundial de la Salud. (2020). Informe mundial sobre la visión [World report on vision]. WHO. Recuperado mayo de 2023, de
https://apps.who.int/iris/bitstream/handle/10665/331423/9789240000346-spa.pdf
Organización Mundial de la Salud. (2022). Global report on health equity for persons with disabilities. WHO. Recuperado mayo de 2023, de https://www.who.int/publications/i/item/9789240063600
Organización Panamericana de la Salud. (2020). Plan de Acción para la Prevención de la Ceguera y de las Deficiencias Visuales. PAHO. Recuperado mayo de 2023, de
Phadnis, R., Mishra, J., & Bendale, S. (2018). Objects Talk - Object Detection and Pattern Tracking Using TensorFlow. En 2018 Second International Conference on Inventive Communication and Computational Technologies (ICICCT) (pp. 1216-1219).
https://doi.org/10.1109/icicct.2018.8473331
Polo, M. T., & Aparicio, M. (2018). Primeros pasos hacia la inclusión: Actitudes hacia la discapacidad de docentes en educación infantil. En Revista de Investigación Educativa(Vol. 36, Números 2, pp. 365-379). https://doi.org/10.6018/rie.36.2.279281
Prince, S. (2012). Computer vision: Models, learning, and inference (1.ª ed.). Cambridge University Press.
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. En 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)(pp. 779-788). https://doi.org/10.1109/cvpr.2016.91
Sareeka, A. G., Kirthika, K., Gowthame, M. R., & Sucharitha, V. (2018). PseudoEye — Mobility assistance for visually impaired using image recognition. En 2018 2nd International Conference on Inventive Systems and Control (ICISC) (pp. 174-178).
https://doi.org/10.1109/icisc.2018.8399059
Shah, D. (2022). Mean Average Precision (mAP) Explained: Everything You Need to Know. V7 Labs. Recuperado junio de 2023, de https://www.v7labs.com/blog/mean-average-precision
Thuan, D. (2021). Evolution of YOLO algorithm and YOLOV5: the state-of-the-art object detection algorithm (tesis de pregrado). Oulu University of Applied Sciences, Oulu, Finlandia.
Trujillo-Romero, F. (2022). Reconocimiento de objetos usando conjuntos pequeños de entrenamiento. En Reaxión Revista de Divulgación Científica (Vol. 9, Números 3). Recuperado mayo de 2023, de http://reaxion.utleon.edu.mx/Art_Reconocimiento_de_objetos_usando_conjuntos_pequenos_de_entrenamiento.html#
Xu, R., Lin, H., Lu, K., Cao, L., & Liu, Y. (2021). A Forest Fire Detection System Based on Ensemble Learning. En Forests (Vol. 12, Números 2, p. 217). https://doi.org/10.3390/f12020217
Morales Mendoza , C., & Gómez Hernández , A. (2022). La regulación de los datos personales en línea. Estudios Y Perspectivas Revista Científica Y Académica , 2(2), 01-22. https://doi.org/10.61384/r.c.a.v2i2.12
Martínez Hernández , R. (2023). Blended Learning en el aprendizaje de idiomas: Una revisión de la literatura académica. Estudios Y Perspectivas Revista Científica Y Académica , 3(2), 113-138. https://doi.org/10.61384/r.c.a.v3i2.36
Vargas Ríos, N. (2023). Reporte de Caso: Apendicitis Aguda Causada por un Apendicolito Gigante. Revista Científica De Salud Y Desarrollo Humano, 4(2), 135-142. https://doi.org/10.61368/r.s.d.h.v4i2.30
Hidalgo Guillén, N. (2022). Resistencia para el Retorno a las Clases Presenciales. Sapiencia Revista Científica Y Académica , 2(2), 92-109. Recuperado a partir de https://revistasapiencia.org/index.php/Sapiencia/article/view/24
Andreou, A. Generative AI Could Help Solve the U.S. Mental Health Crisis. Psychology Today. Available online: https://www.psychologytoday.com/au/blog/the-doctor-of-the-future/202303/generative-ai-could-help-solve-the-us-mental-health-crisis (accessed on 19 August 2023).
Derechos de autor 2024 Diana Paulina Martínez Cancino
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
