Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica
Los sistemas embebidos son muy útiles para aplicaciones, ya que son compactos y sencillos de aprender a programar, pero a pesar de estas características tiene un problema, el cual son muy limitados debido a su baja capacidad de procesamiento para llevar a cabo tareas de Deep Learning. Otros de los p...
- Autores:
-
Cuervo Restrepo, Juan Camilo
Chavarro Hurtado, Harlinsson Javier
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2018
- Institución:
- Instituto Tecnológico Metropolitano
- Repositorio:
- Repositorio ITM
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.itm.edu.co:20.500.12622/6350
- Acceso en línea:
- http://hdl.handle.net/20.500.12622/6350
- Palabra clave:
- Raspberry Pi, Deep Learning, Python, Mano robótica
Raspberry Pi, Deep Learning, Python, Robotic hand
Redes neuronales (computadores), inteligencia artificial, robótica
- Rights
- License
- Acceso abierto
id |
RepoITM2_91a248ab0d62d9c8c0fe718fd7be5c26 |
---|---|
oai_identifier_str |
oai:repositorio.itm.edu.co:20.500.12622/6350 |
network_acronym_str |
RepoITM2 |
network_name_str |
Repositorio ITM |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
dc.title.translated.spa.fl_str_mv |
Application of deep leanging algorithms in an embedded system for the control of a robotic hand |
title |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
spellingShingle |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica Raspberry Pi, Deep Learning, Python, Mano robótica Raspberry Pi, Deep Learning, Python, Robotic hand Redes neuronales (computadores), inteligencia artificial, robótica |
title_short |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
title_full |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
title_fullStr |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
title_full_unstemmed |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
title_sort |
Aplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robótica |
dc.creator.fl_str_mv |
Cuervo Restrepo, Juan Camilo Chavarro Hurtado, Harlinsson Javier |
dc.contributor.advisor.none.fl_str_mv |
Madrigal Mesa, Carlos Andrés Erives, Héctor |
dc.contributor.author.none.fl_str_mv |
Cuervo Restrepo, Juan Camilo Chavarro Hurtado, Harlinsson Javier |
dc.subject.spa.fl_str_mv |
Raspberry Pi, Deep Learning, Python, Mano robótica |
topic |
Raspberry Pi, Deep Learning, Python, Mano robótica Raspberry Pi, Deep Learning, Python, Robotic hand Redes neuronales (computadores), inteligencia artificial, robótica |
dc.subject.keywords.spa.fl_str_mv |
Raspberry Pi, Deep Learning, Python, Robotic hand |
dc.subject.lemb.spa.fl_str_mv |
Redes neuronales (computadores), inteligencia artificial, robótica |
description |
Los sistemas embebidos son muy útiles para aplicaciones, ya que son compactos y sencillos de aprender a programar, pero a pesar de estas características tiene un problema, el cual son muy limitados debido a su baja capacidad de procesamiento para llevar a cabo tareas de Deep Learning. Otros de los problemas es el comportamiento de los módulos de PWM de las Raspberry no es óptimo, debido a que no es capaz de mantener un periodo constante, por ende, cada uno de los actuadores mantiene un pequeño movimiento mientras están energizados. En el presente trabajo de investigación se fundamentó en implementar una arquitectura de redes neuronales profundas - Deep Learning (DNN, por sus siglas en inglés) sobre el sistema embebido Raspberry pi, el cual se encarga de controlar una mano robótica. ¿Pero cómo lo hace? Por medio de una cámara se adquiere una imagen del objeto a detectar, y el DNN se encarga de reconocer el objeto y entregar el rectángulo delimitante sobre la imagen. Luego se procede a ordenar la activación de los mini servos para hacer cerrar los dedos de la mano robótica de una manera precisa para lograr agarrar el objeto adecuadamente. Para un mejor rendimiento del Deep Learning en la Raspberry se utiliza un modelo pre entrenado con pocas clases, es decir, un modelo que es capaz de reconocer pocos objetos. La programación se realizó en Python, apoyándonos con librerías como OpenCV y Caffe, ya que estas fueron las que dieron mejores resultados sobre la Raspberry pi. Se probaron otros modelos de librerías diferentes, pero requerían de mucho procesamiento o simplemente no funcionaban sobre el sistema operativo Raspbian de la Raspberry Pi. Para el diseño de la mano robótica nos apoyamos de un modelo ya existente, al cual se le realizo modificaciones para una mejor movilidad, se redimensionaron piezas y se añadieron nuevos modelos, también se cambiaron algunos materiales para dar mayor rendimiento al movimiento de la mano, el diseño del color se escogido de tal manera que resaltara a la vista del público. Actualmente hay muchas personas apostándole al Deep Learning sobre dispositivos embebidos, ya que estos dispositivos dependiendo de las aplicaciones son mucho más flexibles al implementar determinadas tareas debido a su tamaño reducido y bajo costo. |
publishDate |
2018 |
dc.date.issued.none.fl_str_mv |
2018 |
dc.date.accessioned.none.fl_str_mv |
2024-02-27T18:33:11Z |
dc.date.available.none.fl_str_mv |
2024-02-27T18:33:11Z |
dc.type.local.spa.fl_str_mv |
Trabajo de grado de pregrado |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12622/6350 |
dc.identifier.instname.spa.fl_str_mv |
instname:Instituto Tecnológico Metropolitano |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Instituto Tecnológico Metropolitano |
dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.itm.edu.co/ |
url |
http://hdl.handle.net/20.500.12622/6350 |
identifier_str_mv |
instname:Instituto Tecnológico Metropolitano reponame:Repositorio Institucional Instituto Tecnológico Metropolitano repourl:https://repositorio.itm.edu.co/ |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.uri.spa.fl_str_mv |
http://creativecommons. org/licenses/by-nc-nd/4.0/ |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.local.spa.fl_str_mv |
Acceso abierto |
dc.rights.creativecommons.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
rights_invalid_str_mv |
Acceso abierto Attribution-NonCommercial-NoDerivatives 4.0 International http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingenierías |
dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica |
dc.publisher.grantor.spa.fl_str_mv |
Instituto Tecnológico Metropolitano |
institution |
Instituto Tecnológico Metropolitano |
bitstream.url.fl_str_mv |
https://dspace-itm.metabuscador.org/bitstreams/d0a4c39d-e8ed-4d55-99f5-dc52f0974d47/download https://dspace-itm.metabuscador.org/bitstreams/a94f5fb2-fda1-4b70-9dcf-1d505316817d/download https://dspace-itm.metabuscador.org/bitstreams/a6acf322-286e-4980-ad11-e446fb23b96d/download https://dspace-itm.metabuscador.org/bitstreams/d1964a33-e0c7-41cb-a229-ef8749889f3b/download https://dspace-itm.metabuscador.org/bitstreams/5b153153-43d3-4918-befe-4a343f1ac823/download https://dspace-itm.metabuscador.org/bitstreams/78b946f5-63bb-4606-b365-5983bb809143/download https://dspace-itm.metabuscador.org/bitstreams/b0ba609f-06bb-45aa-a45d-c80dd499cdb7/download |
bitstream.checksum.fl_str_mv |
075c611fd70d251a0e43aa3aabc12368 6a2e04ba2bda73da38f292675a92e521 7734e4171dd7ba1c98e697a13b9e06eb 7d5623b652c9f48d8eb058c880f6d30e 4a78d607aaf064ac7f6f5ebb5b1f0ac0 bfc1441d7900d90dcc83a3550edc3b5a 38cb7382cbfa729a1d180e1a59da313f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Instituto Tecnológico Metropolitano de Medellín |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1837096900971462656 |
spelling |
Madrigal Mesa, Carlos AndrésErives, HéctorCuervo Restrepo, Juan CamiloChavarro Hurtado, Harlinsson Javier2024-02-27T18:33:11Z2024-02-27T18:33:11Z2018http://hdl.handle.net/20.500.12622/6350instname:Instituto Tecnológico Metropolitanoreponame:Repositorio Institucional Instituto Tecnológico Metropolitanorepourl:https://repositorio.itm.edu.co/Los sistemas embebidos son muy útiles para aplicaciones, ya que son compactos y sencillos de aprender a programar, pero a pesar de estas características tiene un problema, el cual son muy limitados debido a su baja capacidad de procesamiento para llevar a cabo tareas de Deep Learning. Otros de los problemas es el comportamiento de los módulos de PWM de las Raspberry no es óptimo, debido a que no es capaz de mantener un periodo constante, por ende, cada uno de los actuadores mantiene un pequeño movimiento mientras están energizados. En el presente trabajo de investigación se fundamentó en implementar una arquitectura de redes neuronales profundas - Deep Learning (DNN, por sus siglas en inglés) sobre el sistema embebido Raspberry pi, el cual se encarga de controlar una mano robótica. ¿Pero cómo lo hace? Por medio de una cámara se adquiere una imagen del objeto a detectar, y el DNN se encarga de reconocer el objeto y entregar el rectángulo delimitante sobre la imagen. Luego se procede a ordenar la activación de los mini servos para hacer cerrar los dedos de la mano robótica de una manera precisa para lograr agarrar el objeto adecuadamente. Para un mejor rendimiento del Deep Learning en la Raspberry se utiliza un modelo pre entrenado con pocas clases, es decir, un modelo que es capaz de reconocer pocos objetos. La programación se realizó en Python, apoyándonos con librerías como OpenCV y Caffe, ya que estas fueron las que dieron mejores resultados sobre la Raspberry pi. Se probaron otros modelos de librerías diferentes, pero requerían de mucho procesamiento o simplemente no funcionaban sobre el sistema operativo Raspbian de la Raspberry Pi. Para el diseño de la mano robótica nos apoyamos de un modelo ya existente, al cual se le realizo modificaciones para una mejor movilidad, se redimensionaron piezas y se añadieron nuevos modelos, también se cambiaron algunos materiales para dar mayor rendimiento al movimiento de la mano, el diseño del color se escogido de tal manera que resaltara a la vista del público. Actualmente hay muchas personas apostándole al Deep Learning sobre dispositivos embebidos, ya que estos dispositivos dependiendo de las aplicaciones son mucho más flexibles al implementar determinadas tareas debido a su tamaño reducido y bajo costo.Ingeniero Mecatrónicopregradoapplication/pdfspahttp://creativecommons. org/licenses/by-nc-nd/4.0/Raspberry Pi, Deep Learning, Python, Mano robóticaRaspberry Pi, Deep Learning, Python, Robotic handRedes neuronales (computadores), inteligencia artificial, robóticaAplicación de algoritmos de deep leanging en un sistema embebido para el control de una mano robóticaApplication of deep leanging algorithms in an embedded system for the control of a robotic handFacultad de IngenieríasIngeniería MecatrónicaInstituto Tecnológico MetropolitanoAcceso abiertoAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Trabajo de grado de pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisPublicationTHUMBNAILJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdf.jpgJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdf.jpgGenerated Thumbnailimage/jpeg4839https://dspace-itm.metabuscador.org/bitstreams/d0a4c39d-e8ed-4d55-99f5-dc52f0974d47/download075c611fd70d251a0e43aa3aabc12368MD54falseAnonymousREADCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdf.jpgCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdf.jpgGenerated Thumbnailimage/jpeg7376https://dspace-itm.metabuscador.org/bitstreams/a94f5fb2-fda1-4b70-9dcf-1d505316817d/download6a2e04ba2bda73da38f292675a92e521MD55falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81406https://dspace-itm.metabuscador.org/bitstreams/a6acf322-286e-4980-ad11-e446fb23b96d/download7734e4171dd7ba1c98e697a13b9e06ebMD53falseAnonymousREADORIGINALJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdfJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdfTrabajo de gradoapplication/pdf986797https://dspace-itm.metabuscador.org/bitstreams/d1964a33-e0c7-41cb-a229-ef8749889f3b/download7d5623b652c9f48d8eb058c880f6d30eMD51trueAnonymousREADCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdfCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdfCarta autorizaciónapplication/pdf121507https://dspace-itm.metabuscador.org/bitstreams/5b153153-43d3-4918-befe-4a343f1ac823/download4a78d607aaf064ac7f6f5ebb5b1f0ac0MD52falseAnonymousREAD2070-12-31TEXTJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdf.txtJuanCamilo_CuervoRestrepo_HarlinssonJ_ChavarroHurtado_2018.pdf.txtExtracted texttext/plain47781https://dspace-itm.metabuscador.org/bitstreams/78b946f5-63bb-4606-b365-5983bb809143/downloadbfc1441d7900d90dcc83a3550edc3b5aMD56falseAnonymousREADCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdf.txtCarta_autorizacion_JuanC_CuervoR_HarlinssonJ_ChavarroH_2018.pdf.txtExtracted texttext/plain4466https://dspace-itm.metabuscador.org/bitstreams/b0ba609f-06bb-45aa-a45d-c80dd499cdb7/download38cb7382cbfa729a1d180e1a59da313fMD57falseAnonymousREAD2070-12-3120.500.12622/6350oai:dspace-itm.metabuscador.org:20.500.12622/63502025-06-24 09:26:34.982open.accesshttps://dspace-itm.metabuscador.orgRepositorio Instituto Tecnológico Metropolitano de Medellínbdigital@metabiblioteca.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 |