Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial
ilustraciones, diagramas, tablas
- Autores:
-
Del Rio Cuervo, Juan Camilo
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81613
- Palabra clave:
- 620 - Ingeniería y operaciones afines
Accidentes de transporte
Transportation accidents
Accidentes de tránsito
Traffic accidents
Movilidad
Datos Abiertos
Reconocimiento de Objetos
Inteligencia Artificial
Mobility
Open Data
Object Recognition
Artificial Intelligence
- Rights
- openAccess
- License
- Reconocimiento 4.0 Internacional
| id |
UNACIONAL2_b291e6a8d81e84c52ea99e50fff6fac1 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81613 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| dc.title.translated.eng.fl_str_mv |
Understanding road citizen behaviors from open data and artificial intelligence |
| title |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| spellingShingle |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial 620 - Ingeniería y operaciones afines Accidentes de transporte Transportation accidents Accidentes de tránsito Traffic accidents Movilidad Datos Abiertos Reconocimiento de Objetos Inteligencia Artificial Mobility Open Data Object Recognition Artificial Intelligence |
| title_short |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| title_full |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| title_fullStr |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| title_full_unstemmed |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| title_sort |
Entendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificial |
| dc.creator.fl_str_mv |
Del Rio Cuervo, Juan Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Ospina Arango, Juan David |
| dc.contributor.author.none.fl_str_mv |
Del Rio Cuervo, Juan Camilo |
| dc.subject.ddc.spa.fl_str_mv |
620 - Ingeniería y operaciones afines |
| topic |
620 - Ingeniería y operaciones afines Accidentes de transporte Transportation accidents Accidentes de tránsito Traffic accidents Movilidad Datos Abiertos Reconocimiento de Objetos Inteligencia Artificial Mobility Open Data Object Recognition Artificial Intelligence |
| dc.subject.lemb.none.fl_str_mv |
Accidentes de transporte Transportation accidents Accidentes de tránsito Traffic accidents |
| dc.subject.proposal.spa.fl_str_mv |
Movilidad Datos Abiertos Reconocimiento de Objetos Inteligencia Artificial |
| dc.subject.proposal.eng.fl_str_mv |
Mobility Open Data Object Recognition Artificial Intelligence |
| description |
ilustraciones, diagramas, tablas |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-21T15:06:41Z |
| dc.date.available.none.fl_str_mv |
2022-06-21T15:06:41Z |
| dc.date.issued.none.fl_str_mv |
2022-03-03 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81613 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81613 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Agencia Nacional de Seguridad Vial. (2020). Histórico de víctimas. Obtenido de https://ansv.gov.co/es/observatorio/estad%C3%ADsticas/historico-victimas Alcaldía de Medellín. (2018). Prácticas ciudadanas para una movilidad segura y sostenible. Medellín. Alcaldía de Medellín. (1 de Febrero de 2021). Cámaras CCTV Movilidad. Obtenido de https://geomedellin-m-medellin.opendata.arcgis.com/datasets/camaras-cctvmovilidad-simm Anaya, J., Ponz, A., García, F., & Talavera, E. (2017). Motorcycle detection for ADAS through camera and V2V Communication, a comparative analysis of two modern technologies. Expert Systems With Applications, 77, 148-159. doi:http://dx.doi.org/10.1016/j.eswa.2017.01.032 Binh, T., & Kim, H. (2013). Novel and efficient pedstrian detection using bidirectional PCA. Pattern Recognition, 46(8), 2220-2227. doi:https://doi.org/10.1016/j.patcog.2013.01.007 Congreso de la República. (2002). Ley 769 de 2002. Bogotá, D.C. de Goma, J., Bautista, R., Eviota, M., & Lopena, V. (2020). Detecting Red-Light Runners (RLR) and Speeding Violation through Video Capture. 2020 IEEE 7th International Conference on Industrial Engineering and Applications(774-778). doi:10.1109/ICIEA49774.2020.9102059. Espinosa, J., Valestín, S., & Branch, J. (2019). EspiNet V2: a region based deep learning model for detecting motorcycles in urban scenarios. Dyna, 86(211), 317-326. doi:http://doi.org/10.15446/dyna.v86n211.81639 Guo, L., Ge, P., Zhang, M., Li, L., & Zhao, Y. (2012). Pedestrian detection for intelligent transportation systems combining AdaBoost algorithm and support vector machine. Expert Systems with Applications, 39, 4274-4286. doi:10.1016/j.eswa.2011.09.106 Jaganathan, D., prabhu, V., Chinnasamy, A., & Suresh, A. (2020). Detection of Two wheeler Driver Safety Using. European Journal of Molecular & Clinical Medicine, 7(6), 2292-2298. Jin, Y., Zhang, Y., Cen, Y., Li, Y., Mladenovic, V., & Voronin, V. (2021). Pedestrian detection with super-resolution reconstruction for low-quality image. Pattern Recognition, 115, 107846. doi:https://doi.org/10.1016/j.patcog.2021.107846 Lin, H., Deng, J., Albers, D., & Wilhelm, F. (2020). Helmet Use Detection of Tracked Motorcycles Using CNN-Based Multi-Task Learning. IEEE Access, 8, 162073- 162084. doi:10.1109/ACCESS.2020.3021357 Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path Aggregation Network for Instance Segmentation. arXiv:1803.01534. Medellín cómo vamos. (2020). Informe de calidad de vida de Medellín 2016-2019. Medellín. Organización Mundial de la Salud. (Julio de 2017). 10 datos sobre la seguridad vial en el mundo. Obtenido de https://www.who.int/features/factfiles/roadsafety/es/ Organización Panamericana de la Salud. (2019). Estado de la seguridad Vial en la Región de las Américas. Washington, D.C. Pramanik, A., Sarkar, S., & Maiti, J. (2021). A real-time video surveillance system for traffic pre-events detection. Accident Analysis and Prevention, 154, 106019. doi:https://doi.org/10.1016/j.aap.2021.106019 Redmon, J., Divvala, S., Farhadi, A., & Girshick, R. (2016). You Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. EEE Conference on Computer Vision and Pattern Recognition, 779-788. doi:10.1109/CVPR.2016.91 Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(6), 1137-1149. doi:10.1109/TPAMI.2016.2577031 Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., . . . Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115, 211-252. doi:https://doi.org/10.1007/s11263-015-0816-y Silva, R., Aires, K., Veras, R., Santos, T., Kalyf, L., & Soares, A. (2013). Automatic Motorcycle Detection on Public Roads. Clei Electronic Journal, 16(3). Tzutalin, D. (2015). labelImg. Obtenido de Github: https://github.com/tzutalin/labelImg Ultralytics. (18 de May de 2020). YOLOv5. Obtenido de GitHub: https://github.com/ultralytics/yolov5 Velastín, S., Fernández, R., Espinosa, J., & Bay, A. (2020). Detecting, Tracking and Counting People Getting On/Off a Metropolitan Train Using a Standard Video Camera. Sensors, 20(21), 6251. doi:10.3390/s20216251 Wang, C. Y., Liao, H. Y., Yeh, I. H., Wu, Y. H., Chen, P. Y., & Hsieh, J. W. (2019). CSPNET: A new backbone that can enhance learning capability of CNN. arXiv:1911.11929. Wilhelm, F., & Lin, H. (2020). Detecting motorcycle helmet use with deep learning. Accident Analysis & Prevention, 134, 105319. doi:https://doi.org/10.1016/j.aap.2019.105319 Xu, F., & Gao, M. (2010). Human detection and tracking based on HOG and particle filter. 2010 3rd International Congress on Image and Signal Processing, 1503-1507. doi:10.1109/CISP.2010.5646273 Zhang, S. (2020). Prediction of Pedestrians' Red Light Violations Using Deep Learning. Orlando. Zhao, X., He, Z., Zhang, S., & Liang, D. (2015). Robust pedestrian detection in thermal infrared imagery using a shape distribution histogram feature and modified sparse representation classification. Pattern Recognition, 48, 1947-1960. doi:dx.doi.org/10.1016/j.patcog.2014.12.013 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Reconocimiento 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
viii, 41 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.city.none.fl_str_mv |
Medellín, Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Analítica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de la Computación y la Decisión |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81613/5/1146440721.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81613/6/license.txt https://repositorio.unal.edu.co/bitstream/unal/81613/7/1146440721.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
b2fa14fac947b389e875fb012a25021e 8153f7789df02f0a4c9e079953658ab2 4668f2c92ed872fa4dfddd6fcfc8c794 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814090237133979648 |
| spelling |
Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Ospina Arango, Juan Davidedf83bbf7ec721a45e9a06233842cb74Del Rio Cuervo, Juan Camilo2b53e93c33192ba8cd1352e9646b7f556002022-06-21T15:06:41Z2022-06-21T15:06:41Z2022-03-03https://repositorio.unal.edu.co/handle/unal/81613Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramas, tablasA nivel mundial la accidentalidad vial sigue siendo la segunda causa de muerte en adultos, siendo los peatones y motociclistas las personas con mayor índice de mortalidad y lesiones en los incidentes de tránsito. Es por esto por lo que el presente trabajo tiene como objetivo generar una metodología basada en inteligencia artificial para la identificación y cuantificación automática del comportamiento vial, tanto para peatones como para motociclistas. Para esto, se hizo uso de datos abiertos con el fin de obtener información relevante que permitió el entrenamiento de un modelo de detección de objetos con el cual se puedan extraer características suficientes para medir si las acciones de las personas en la vía son las adecuadas o no. Una vez entrenado el modelo de detección, cuya sensibilidad y especificidad fue mayor del 90%, se logró establecer que el comportamiento de los peatones en el área de estudio tiende a ser inadecuado, ya que más del 70% de estos incumplen las normas de tránsito al encontrarse ubicados por donde deben de transitar los vehículos. Igualmente, se encontró que más de la mitad de los motociclistas realizan acciones que pueden aumentar la probabilidad de verse involucrados en algún incidente de tránsito, siendo transitar entre carriles la acción que mayor nivel de incurrencia tiene. Con los resultados obtenidos a partir de esta prueba de concepto, se logró establecer que los métodos de reconocimiento de patrones basados en inteligencia artificial pueden ser de utilidad al momento de reconocer y cuantificar los comportamientos de los agentes viales en tiempo real. (Texto tomado de la fuente)Worldwide, road accidents continue to be the second cause of death in adults, with pedestrians and motorcyclists being the people with the highest rate of mortality and injuries in traffic incidents. Therefore, the present work aims to generate a methodology based on artificial intelligence for the automatic identification and quantification of road behavior, both for pedestrians and motorcyclists. For this, open data was used to obtain relevant information that allowed the training of an object detection model with which sufficient characteristics can be extracted to measure whether the actions of the people on the road are appropriate or not. Once the detection model was trained, whose sensitivity and specificity were greater than 90%, it was possible to establish that the behavior of pedestrians in the study area tends to be inappropriate, since more than 70% of these do not comply with traffic regulations because they are located where vehicles must travel. Likewise, it was found that more than half of the motorcyclists carry out actions that can increase the probability of being involved in a traffic incident, with traveling between lanes being the action with the highest level of incurrence. With the results obtained from this proof of concept, it was possible to establish that pattern recognition methods based on artificial intelligence can be useful when recognizing and quantifying the behavior of road agents in real-time.MaestríaMagíster en Ingeniería - AnalíticaInteligencia ArtificialÁrea Curricular de Ingeniería de Sistemas e Informáticaviii, 41 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - AnalíticaDepartamento de la Computación y la DecisiónFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín620 - Ingeniería y operaciones afinesAccidentes de transporteTransportation accidentsAccidentes de tránsitoTraffic accidentsMovilidadDatos AbiertosReconocimiento de ObjetosInteligencia ArtificialMobilityOpen DataObject RecognitionArtificial IntelligenceEntendiendo comportamientos ciudadanos viales a partir de datos abiertos e inteligencia artificialUnderstanding road citizen behaviors from open data and artificial intelligenceTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMMedellín, ColombiaAgencia Nacional de Seguridad Vial. (2020). Histórico de víctimas. Obtenido de https://ansv.gov.co/es/observatorio/estad%C3%ADsticas/historico-victimasAlcaldía de Medellín. (2018). Prácticas ciudadanas para una movilidad segura y sostenible. Medellín.Alcaldía de Medellín. (1 de Febrero de 2021). Cámaras CCTV Movilidad. Obtenido de https://geomedellin-m-medellin.opendata.arcgis.com/datasets/camaras-cctvmovilidad-simmAnaya, J., Ponz, A., García, F., & Talavera, E. (2017). Motorcycle detection for ADAS through camera and V2V Communication, a comparative analysis of two modern technologies. Expert Systems With Applications, 77, 148-159. doi:http://dx.doi.org/10.1016/j.eswa.2017.01.032Binh, T., & Kim, H. (2013). Novel and efficient pedstrian detection using bidirectional PCA. Pattern Recognition, 46(8), 2220-2227. doi:https://doi.org/10.1016/j.patcog.2013.01.007Congreso de la República. (2002). Ley 769 de 2002. Bogotá, D.C.de Goma, J., Bautista, R., Eviota, M., & Lopena, V. (2020). Detecting Red-Light Runners (RLR) and Speeding Violation through Video Capture. 2020 IEEE 7th International Conference on Industrial Engineering and Applications(774-778). doi:10.1109/ICIEA49774.2020.9102059.Espinosa, J., Valestín, S., & Branch, J. (2019). EspiNet V2: a region based deep learning model for detecting motorcycles in urban scenarios. Dyna, 86(211), 317-326. doi:http://doi.org/10.15446/dyna.v86n211.81639Guo, L., Ge, P., Zhang, M., Li, L., & Zhao, Y. (2012). Pedestrian detection for intelligent transportation systems combining AdaBoost algorithm and support vector machine. Expert Systems with Applications, 39, 4274-4286. doi:10.1016/j.eswa.2011.09.106Jaganathan, D., prabhu, V., Chinnasamy, A., & Suresh, A. (2020). Detection of Two wheeler Driver Safety Using. European Journal of Molecular & Clinical Medicine, 7(6), 2292-2298.Jin, Y., Zhang, Y., Cen, Y., Li, Y., Mladenovic, V., & Voronin, V. (2021). Pedestrian detection with super-resolution reconstruction for low-quality image. Pattern Recognition, 115, 107846. doi:https://doi.org/10.1016/j.patcog.2021.107846Lin, H., Deng, J., Albers, D., & Wilhelm, F. (2020). Helmet Use Detection of Tracked Motorcycles Using CNN-Based Multi-Task Learning. IEEE Access, 8, 162073- 162084. doi:10.1109/ACCESS.2020.3021357Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path Aggregation Network for Instance Segmentation. arXiv:1803.01534.Medellín cómo vamos. (2020). Informe de calidad de vida de Medellín 2016-2019. Medellín.Organización Mundial de la Salud. (Julio de 2017). 10 datos sobre la seguridad vial en el mundo. Obtenido de https://www.who.int/features/factfiles/roadsafety/es/Organización Panamericana de la Salud. (2019). Estado de la seguridad Vial en la Región de las Américas. Washington, D.C.Pramanik, A., Sarkar, S., & Maiti, J. (2021). A real-time video surveillance system for traffic pre-events detection. Accident Analysis and Prevention, 154, 106019. doi:https://doi.org/10.1016/j.aap.2021.106019Redmon, J., Divvala, S., Farhadi, A., & Girshick, R. (2016). You Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640.Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. EEE Conference on Computer Vision and Pattern Recognition, 779-788. doi:10.1109/CVPR.2016.91Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(6), 1137-1149. doi:10.1109/TPAMI.2016.2577031Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., . . . Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115, 211-252. doi:https://doi.org/10.1007/s11263-015-0816-ySilva, R., Aires, K., Veras, R., Santos, T., Kalyf, L., & Soares, A. (2013). Automatic Motorcycle Detection on Public Roads. Clei Electronic Journal, 16(3).Tzutalin, D. (2015). labelImg. Obtenido de Github: https://github.com/tzutalin/labelImg Ultralytics. (18 de May de 2020). YOLOv5. Obtenido de GitHub: https://github.com/ultralytics/yolov5Velastín, S., Fernández, R., Espinosa, J., & Bay, A. (2020). Detecting, Tracking and Counting People Getting On/Off a Metropolitan Train Using a Standard Video Camera. Sensors, 20(21), 6251. doi:10.3390/s20216251Wang, C. Y., Liao, H. Y., Yeh, I. H., Wu, Y. H., Chen, P. Y., & Hsieh, J. W. (2019). CSPNET: A new backbone that can enhance learning capability of CNN. arXiv:1911.11929.Wilhelm, F., & Lin, H. (2020). Detecting motorcycle helmet use with deep learning. Accident Analysis & Prevention, 134, 105319. doi:https://doi.org/10.1016/j.aap.2019.105319Xu, F., & Gao, M. (2010). Human detection and tracking based on HOG and particle filter. 2010 3rd International Congress on Image and Signal Processing, 1503-1507. doi:10.1109/CISP.2010.5646273Zhang, S. (2020). Prediction of Pedestrians' Red Light Violations Using Deep Learning. Orlando.Zhao, X., He, Z., Zhang, S., & Liang, D. (2015). Robust pedestrian detection in thermal infrared imagery using a shape distribution histogram feature and modified sparse representation classification. Pattern Recognition, 48, 1947-1960. doi:dx.doi.org/10.1016/j.patcog.2014.12.013EstudiantesInvestigadoresMaestrosPúblico generalORIGINAL1146440721.2022.pdf1146440721.2022.pdfTesis de Maestría en Ingeniería - Analíticaapplication/pdf2023622https://repositorio.unal.edu.co/bitstream/unal/81613/5/1146440721.2022.pdfb2fa14fac947b389e875fb012a25021eMD55LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81613/6/license.txt8153f7789df02f0a4c9e079953658ab2MD56THUMBNAIL1146440721.2022.pdf.jpg1146440721.2022.pdf.jpgGenerated Thumbnailimage/jpeg4746https://repositorio.unal.edu.co/bitstream/unal/81613/7/1146440721.2022.pdf.jpg4668f2c92ed872fa4dfddd6fcfc8c794MD57unal/81613oai:repositorio.unal.edu.co:unal/816132024-08-06 23:10:14.791Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |