Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas
Los incendios se están convirtiendo en una verdadera problemática en Bogotá, Colombia debido a la advertencia global. Por lo tanto, se realizará un análisis en la Universidad Militar Nueva Granada. La detección remota hiperespectral desde plataformas satelitales, ha sido una herramienta útil para an...
- Autores:
-
Díaz Rincón, Daniel Esteban
Aguirre Jiménez, María Alejandra
- Tipo de recurso:
- Fecha de publicación:
- 2018
- Institución:
- Universidad Militar Nueva Granada
- Repositorio:
- Repositorio UMNG
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unimilitar.edu.co:10654/17523
- Acceso en línea:
- http://hdl.handle.net/10654/17523
- Palabra clave:
- PREVENCION DE INCENDIOS
VISION POR COMPUTADOR
DETECCION A DISTANCIA
Genetic programming
Multispectral images
Pedestrian detector
Remote sensing
ROS
Thresholding
UAS
Vegetation indices
Programación genética
Imágenes multiespectrales
Detector de personas
Teledetección
ROS
Umbralización
Sistemas aéreos no tripulados
Indices de vegetación
- Rights
- License
- Derechos Reservados - Universidad Militar Nueva Granada, 2018
id |
UNIMILTAR2_c4d22af8eca8e66b9ad0f13c0e878ca8 |
---|---|
oai_identifier_str |
oai:repository.unimilitar.edu.co:10654/17523 |
network_acronym_str |
UNIMILTAR2 |
network_name_str |
Repositorio UMNG |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
dc.title.translated.spa.fl_str_mv |
Fire Prevention using optical and thermal sensing based on UAV |
title |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
spellingShingle |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas PREVENCION DE INCENDIOS VISION POR COMPUTADOR DETECCION A DISTANCIA Genetic programming Multispectral images Pedestrian detector Remote sensing ROS Thresholding UAS Vegetation indices Programación genética Imágenes multiespectrales Detector de personas Teledetección ROS Umbralización Sistemas aéreos no tripulados Indices de vegetación |
title_short |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
title_full |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
title_fullStr |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
title_full_unstemmed |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
title_sort |
Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreas |
dc.creator.fl_str_mv |
Díaz Rincón, Daniel Esteban Aguirre Jiménez, María Alejandra |
dc.contributor.advisor.spa.fl_str_mv |
Solaque, Leonardo |
dc.contributor.author.spa.fl_str_mv |
Díaz Rincón, Daniel Esteban Aguirre Jiménez, María Alejandra |
dc.subject.lemb.spa.fl_str_mv |
PREVENCION DE INCENDIOS VISION POR COMPUTADOR DETECCION A DISTANCIA |
topic |
PREVENCION DE INCENDIOS VISION POR COMPUTADOR DETECCION A DISTANCIA Genetic programming Multispectral images Pedestrian detector Remote sensing ROS Thresholding UAS Vegetation indices Programación genética Imágenes multiespectrales Detector de personas Teledetección ROS Umbralización Sistemas aéreos no tripulados Indices de vegetación |
dc.subject.keywords.spa.fl_str_mv |
Genetic programming Multispectral images Pedestrian detector Remote sensing ROS Thresholding UAS Vegetation indices |
dc.subject.proposal.spa.fl_str_mv |
Programación genética Imágenes multiespectrales Detector de personas Teledetección ROS Umbralización Sistemas aéreos no tripulados Indices de vegetación |
description |
Los incendios se están convirtiendo en una verdadera problemática en Bogotá, Colombia debido a la advertencia global. Por lo tanto, se realizará un análisis en la Universidad Militar Nueva Granada. La detección remota hiperespectral desde plataformas satelitales, ha sido una herramienta útil para analizar y monitorear el comportamiento de los entornos naturales. Sin embargo, los períodos de muestreo son largos, y las condiciones climáticas podrían afectar la leyenda de la imagen debido a las nubes. Además, las bases de datos en bruto son enormes, y su estudio es consume mucho tiempo humano-maquina. Por tales razones, los vehículos aéreos no tripulados brindan una alternativa adecuada ya que la altura operativa de vuelo puede generar imágenes de calidad mayor resolución espacial en áreas específicas, y herramientas como una cámara multiespectral se pueden unir para contribuir con los objetivos. La calibración es un requisito ya que los parámetros de radiancia, reflectancia y captura de cámara se comportan en respuesta a la luz circundante, estos elementos afectan cualquier adquisición multiespectral y el cálculo de cualquier índice de vegetación. Uno de los índices más utilizados, el NDVI (índice de vegetación de diferencia normalizada) mide la clorofila y la biomasa verde en una parcela de terreno, utilizando el reflejo de la luz solar en longitudes de onda definidas del espectro visible e infrarrojo cercano. La biomasa muerta o en descomposición (combustible para fuego), podría detectarse mediante un índice de vegetación, ya que su respuesta a la clorofila sigue activa a pesar de su condición, sin embargo, la cercanía espectral con la tierra y los edificios, hace que el umbralizar sea un trabajo difícil . Por lo tanto, este estudio analiza el uso de diferentes indices que involucren las cinco bandas predeterminadas (azul, verde, rojo, infrarrojo cercano y borde rojo) de la cámara RedEdge (fabricada por MicaSense), en conjunto de un algoritmo de programación genética que explora una cantidad desconocida de programas en busca de una solución adecuada dentro de la aleatoriedad. Además, la detección de peatones que se encuentran en el área de trabajo (considerada como una amenaza de incendio) y una visualización en tiempo real de la escena serán abarcados en el texto. |
publishDate |
2018 |
dc.date.accessioned.none.fl_str_mv |
2018-05-16T17:07:33Z 2019-12-26T22:08:14Z |
dc.date.available.none.fl_str_mv |
2018-05-16T17:07:33Z 2019-12-26T22:08:14Z |
dc.date.issued.none.fl_str_mv |
2018-04-19 |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.local.spa.fl_str_mv |
Trabajo de grado |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.dcmi-type-vocabulary.spa.fl_str_mv |
Text |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10654/17523 |
url |
http://hdl.handle.net/10654/17523 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.references.spa.fl_str_mv |
J. K. Erazo P., C. A. Hervas P., U. de Cuenca, D. de I. de la U. de Cuenca, and DIUC, “Sistema de detección de incendios forestales mediante redes sensoriales inalámbricas (Zigbee),” MASKANA, I+D+ingeniería, pp. 1–11, 2014. P. Schneider, D. A. Roberts, and P. C. Kyriakidis, “A VARI-based relative greenness from MODIS data for computing the Fire Potential Index,” Remote Sens. Environ., vol. 112, no. 3, pp. 1151–1167, 2008. D. Amaya and D. Armenteras, “Incidencia De Incendios Sobre La Vegetación De Cundinamarca Y Bogotá Dc (Colombia), Entre 2001 Y 2010,” 2012. D. Haboudane, J. R. Miller, E. Pattey, P. J. Zarco-Tejada, and I. B. Strachan, “Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture,” Remote Sens. Environ., vol. 90, no. 3, pp. 337–352, 2004. E. Chuvieco, “Remote Sensing of Large Wildfires,” no. April 2016, pp. 1–221, 1991. S. S. Panda, D. P. Ames, and S. Panigrahi, “Application of vegetation indices for agricultural crop yield prediction using neural network techniques,” Remote Sens., vol. 2, no. 3, pp. 673–696, 2010. J. Verbesselt, P. Joensson, S. Lhermitte, J. Van Aardt, and P. Coppin, “Evaluating satellite and climate data derived indices as fire risk indictros in savanna ecosystems,” IEEE, Trans. Geosci. Remote Sens., vol. 44, no. 44, pp. 1622–1632, 2006. D. W. Casbeer, D. B. Kingston, R. W. Beard, and T. W. Mc lain, “Cooperative forest fire surveillance using a team of small unmanned air vehicles,” Int. J. Syst. Sci., vol. 37, no. 6, pp. 351–360, 2006. J. M. Aranda, A. J. De Castro, S. B. J. Meléndez, and F. López, “Teledetección Precoz De Incendios Forestales Mediante Sensores Ir : Discriminación Espectral De Falsas Alarmas Mfi =,” pp. 271–274, 1999. M. Huesca, F. González-Alonso, J. M. Cuevas, S. Merino-De-Miguel, and M. Es, “Comparación de dos algoritmos para la estima- ción de áreas quemadas a partir de imágenes MODIS. Aplicación a los incendios de Canarias de Julio 2007.” J. A. Jiménez, “Determinación del estado hídrico de la vegetación mediante teledetección basada en vehículos aéreos no tripulados,” p. 135, 2009. L. Merino, F. Caballero, J. R. Martinez-de Dios, J. Ferruz, and A. Ollero, “A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires,” J. F. Robot., vol. 23, no. 3–4, pp. 165–184, 2006. “Tabla Micasense.” [Online]. Available: https://support.micasense.com/hc/en-us/articles/225950667-RedEdge-Manual-Specifications. Micasense, “Micasense RedEdge,” Camera RedEdge. [Online]. Available: https://www.micasense.com/rededge-m/. [Accessed: 25-Jan-2018]. T. W. S. S. FLIR, “FLIR VUE PRO.” [Online]. Available: http://www.flir.com/suas/vuepro/. [Accessed: 25-Jan-2018]. DJI, “Matrice 600 pro.” [Online]. Available: https://www.dji.com/matrice600-pro. [Accessed: 25-Jan-2018]. “Matrice 600 PRO.” [Online]. Available: http://www.aerialmediapros.com/store/images/product/d/dji-matrice-600-build-your-own-custom-package-512px-512px.jpg. DELL, “ALIENWARE ALPHA.” [Online]. Available: http://www.dell.com/en-us/shop/cty/pdp/spd/alienware-alpha-r2-desktop?~ck=mn. [Accessed: 25-Jan-2018]. “ALIENWARE ALPHA.” [Online]. Available: http://www.dell.com/en-us/shop/dell-desktop-computers/alienware-alpha/spd/alienware-alpha-r2-desktop/dkcwa04bcombo?bvstate=pg:2/ct:r. MathWorks, “Acerca de MathWorks, Products.” [Online]. Available: https://la.mathworks.com/company/aboutus/products.html. [Accessed: 26-Jan-2018]. MathWorks, “Image Processing Toolbox.” [Online]. Available: https://la.mathworks.com/products/image.html. [Accessed: 26-Jan-2018]. OpenCV, “OpenCV.” [Online]. Available: https://opencv.org/. [Accessed: 26-Jan-2018]. OpenCV, “OpenCV Change Logs.” [Online]. Available: https://github.com/opencv/opencv/wiki/ChangeLog. [Accessed: 26-Jan-2018]. ROS, “About ROS.” [Online]. Available: http://www.ros.org/about-ros/. [Accessed: 28-Jan-2018]. ROS, “Integration with Other Libraries.” [Online]. Available: http://www.ros.org/integration/. [Accessed: 28-Jan-2018]. © 2014 IDEAM. Adscrito al Ministerio de Ambiente y Desarrollo Sostenible de Colombia, “RADIACIÓN SOLAR - IDEAM,” Radiación solar . [Online]. Available: http://www.ideam.gov.co/web/tiempo-y-clima/radiacion-solar. [Accessed: 17-Apr-2018]. B. Fontal, “El Espectro Electromagnético y sus Aplicaciones,” Esc. la Ing., vol. 1, p. 24, 2005. L. Carrasco-Ríos, “Efecto de la radiación ultravioleta-B en plantas,” Idesia (Arica), vol. 27, no. 3, pp. 59–76, 2009. G. D. Chistian, Quimica Analitica. 1985. “Espectro electromagnetico.” [Online]. Available: http://partner.cab.inta-csic.es/imagenes/campos.gif. M. Aguilar Gutiérrez and J. J. de Damborenea, Bioelectromagnetismo : campos eléctricos y magnéticos y seres vivos. Consejo Superior de Investigaciones Científicas, 2001. D. A. Skoog, D. M. West, F. J. Holler, and V. Berenguer Navarro, Fundamentos de química analítica. Reverté, 1997. “Espectro Electromagentico, Bandas.” [Online]. Available: https://k38.kn3.net/taringa/1/6/4/0/9/6/99/jeancarlodaboin/CB9.jpg?724. S. Gandía Franco and J. Meliá Miralles, La teledetección en el seguimiento de los fenómenos naturales : recursos renovables, agricultura. Universidad de Valencia, 1991. “Technology Fundamentals: The Sun as an Energy Resouce.” [Online]. Available: http://www.volker-quaschning.de/articles/fundamentals1/index.php. [Accessed: 27-Feb-2018]. C. Di Bella and G. Posse, “La teledetección como herramienta para la prevención, seguimiento y evaluación de incendios e inundaciones,” Rev. cinetifica y Tec. Ecol. y medio Ambient., vol. 17, no. 3, pp. 39–52, 2008. C. Pérez Gutiérrez and A. L. Muñoz Nieto, Teledetección : nociones y aplicaciones. Carlos Pérez Gutiérrez, Ángel Luis Muñoz Nieto, 2006. N. Jimenez, “Evaluación del impacto de la sequía sobre la vegetación natural mediante teledetección en el SE español,” 2010. Fires foundation, “Cámaras de Imagenes Térmicas TIC (Thermal Imaging Cámaras) | FIRES Foundation.” [Online]. Available: http://fundacionfires.org/camaras-de-imagenes-termicas-tic-thermal-imaging-camaras/. [Accessed: 21-Feb-2018]. A. Arozarena Villar, “TELEDETECCIÓN Y SISTEMAS DE TRATAMIENTO DIGITAL DE IMAGENES.” Instituto de Nuevas Tecnologías de la Imagen, “Aplicaciones de imágenes multiespectrales,” 2009. [Online]. Available: http://www.init.uji.es/index.php?option=com_content&view=article&id=94:aplicacionesdeimagenesmultiespectrales&catid=57:servicios-vision-por-ordenador&Itemid=47&lang=es. [Accessed: 04-Feb-2018]. grupo Á. Álava ingenieros, “¿Qué diferencia una imagen multiespectral de una hiperespectral?,” ÁLAVA INGENIEROS, 2018. [Online]. Available: http://www.grupoalava.com/ingenieros/actualidad/que-diferencia-una-imagen-multiespectral-de-una-hiperespectral/. J. L. Chavez, Tratamiento digital de imagenes multiespectrales. Lulu Com, 2012. “Exposure - Glossary - Federal Agencies Digitization Guidelines Initiative.” [Online]. Available: http://www.digitizationguidelines.gov/term.php?term=exposure. [Accessed: 26-Feb-2018]. “Gain (image) - Glossary - Federal Agencies Digitization Guidelines Initiative.” [Online]. Available: http://www.digitizationguidelines.gov/term.php?term=gainimage. [Accessed: 26-Feb-2018]. S. Del Pozo, P. Rodríguez-Gonzálvez, D. Hernández-López, and B. Felipe-García, “Vicarious radiometric calibration of a multispectral camera on board an unmanned aerial system,” Remote Sens., vol. 6, no. 3, pp. 1918–1937, 2014. Open Source Computer Vision, “OpenCV: Geometric Transformations of Images,” 2017. [Online]. Available: https://docs.opencv.org/3.4.0/da/d6e/tutorial_py_geometric_transformations.html. [Accessed: 26-Feb-2018]. J. J. B. Rojas, M. L. Guerrero, J. C. Acevedo, A. Padilla Vivanco, and G. U. Serrano, “Segmentación de imágenes de color,” vol. 50, no. 6, pp. 579–587, 2004. N. La Serna Palomino and U. Román Concha, “Técnicas de Segmentación en Procesamiento Digital de Imágenes,” Rev. Ing. Sist. e Informática, vol. 6, no. 2, pp. 9–16, 2009. D. L. Pham and J. L. Prince, “An Adaptive Fuzzy C-Means Algorithm for Image Segmentation in the Presence of Intensity Inhomogeneities,” Pattern Recognit. Lett., vol. 20, no. 1, pp. 57–68, 1999. G. T. Shrivakshan and C. Chandrasekar, “A Comparison of various Edge Detection Techniques used in Image Processing.” C. Ibarra Castanedo, S. Member, D. A. González, H. Bendada, and X. Maldague, “Análisis de imágenes en Termografía Infrarroja,” 2005. Matthew Walker, “Introduction to Genetic Programming,” 2001. F. D. Banzhaf, W., Nordin, P., Keller, R. E., & Francone, Genetic programming: an introduction, Vol.1. San Francisco, 1998. D. García-cervigón and J. José, “Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS / RPAS y aplicaciones de estos a la agricultura de precisión .,” p. 78, 2015. C. Gonzaga Aguilar, “Aplicación de Índices de Vegetación Derivados de Imágenes Satelitales Landsat 7 ETM + y ASTER para la Caracterización de la Cobertura Vegetal en la Zona Centro de la Provincia De Loja, Ecuador,” p. 103, 2014. U. De and N. Y. De, “Trabajo Fin de Grado Análisis de imágenes multiespectrales aéreas de vegetación,” 2017. H. Geospatial et al., “Atmospherically Resistant Vegetation Index ( ARVI ) Difference Vegetation Index ( DVI ) Enhanced Vegetation Index ( EVI ) Global Environmental Monitoring Index ( GEMI ) Green Atmospherically Resistant Index ( GARI ) Green Difference Vegetation Index ( GDV,” pp. 1–6, 2016. M. F. Garbulsky, J. Peñuelas, J. Gamon, Y. Inoue, and I. Filella, “Remote Sensing of Environment,” ELSEVIER, 2011. J. A. Gamon, “The Photochemical Reflectance Index (PRI) – a measure of photosynthetic light-use efficiency,” 2010. J. Xue and B. Su, “Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications,” J. Sensors, vol. 2017, pp. 1–17, May 2017. SINERGISE, “NDWI (Normalized Difference Water Index) | Sentinel.” [Online]. Available: https://www.sentinel-hub.com/eoproducts/ndwi-normalized-difference-water-index. [Accessed: 26-Feb-2018]. S. K. McFEETERS, “The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features,” Int. J. Remote Sens., vol. 17, no. 7, pp. 1425–1432, May 1996. J. Oliver, M. Directores, A. A. Colomer, G. P. Fajarnés, and J. O. Moll, “Detección de Personas en secuencias de vídeo en tiempo real Valencia, 3 de Diciembre de 2007.” D. Catalán, V. Daniel, and P. Dallo, “Detección automática de personas mediante Histograma de Gradientes Orientados,” Universidad Publica de Navarra, 2017. PR Sys Design, “perClass: Support vector classifier,” 2017. [Online]. Available: http://perclass.com/doc/guide/classifiers/svm.html. [Accessed: 25-Feb-2018]. Alexander Mordvintsev and Abid K, “Introduction to SURF (Speeded-Up Robust Features) — OpenCV-Python Tutorials 1 documentation,” 2013. [Online]. Available: http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_surf_intro/py_surf_intro.html. [Accessed: 26-Feb-2018]. R. Khanna, I. Sa, J. Nieto, and R. Siegwart, “On field radiometric calibration for multispectral cameras,” in 2017 IEEE International Conference on Robotics and Automation (ICRA), 2017, pp. 6503–6509. Micasense, “RedEdge Camera Radiometric Calibration Model – MicaSense Knowledge Base,” 2017. [Online]. Available: https://support.micasense.com/hc/en-us/articles/115000351194-RedEdge-Camera-Radiometric-Calibration-Model. [Accessed: 26-Feb-2018]. “Use of Calibrated Reflectance Panels For RedEdge Data – MicaSense Knowledge Base,” 2017. [Online]. Available: https://support.micasense.com/hc/en-us/articles/115000765514-Use-of-Calibrated-Reflectance-Panels-For-RedEdge-Data. [Accessed: 26-Feb-2018]. MicaSense, “MicaSense RedEdge Image Processing Tutorials,” 2017. [Online]. Available: https://github.com/micasense/imageprocessing. J.-Y. Tinevez, “@tree.” [Online]. Available: https://tinevez.github.io/matlab-tree/. [Accessed: 27-Feb-2018]. PrecisionHawk, “PrecisionMapper | Drone & UAV Mapping Analytics.” [Online]. Available: http://www.precisionhawk.com/precisionmapper. [Accessed: 28-Feb-2018]. H. Cruz, M. Eckert, J. Meneses, and J.-F. Martínez, “Efficient Forest Fire Detection Index for Application in Unmanned Aerial Systems (UASs),” Sensors, vol. 16, no. 6, p. 893, Jun. 2016. |
dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Militar Nueva Granada, 2018 |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas |
rights_invalid_str_mv |
Derechos Reservados - Universidad Militar Nueva Granada, 2018 https://creativecommons.org/licenses/by-nc-nd/2.5/co/ Atribución-NoComercial-SinDerivadas http://purl.org/coar/access_right/c_abf2 |
dc.format.extent.spa.fl_str_mv |
95 páginas : fotos, ilustraciones. |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.coverage.spatial.spa.fl_str_mv |
Calle 100 |
dc.publisher.department.spa.fl_str_mv |
Facultad de Ingenieríad |
dc.publisher.program.spa.fl_str_mv |
Ingeniería en Mecatrónica |
dc.publisher.faculty.spa.fl_str_mv |
Ingenieria - Ingenieria en Mecatrónica |
dc.publisher.grantor.spa.fl_str_mv |
Universidad Militar Nueva Granada |
institution |
Universidad Militar Nueva Granada |
bitstream.url.fl_str_mv |
http://repository.unimilitar.edu.co/bitstream/10654/17523/1/DiazRinconDanielEsteban2018.pdf http://repository.unimilitar.edu.co/bitstream/10654/17523/2/DiazRinconDanielEsteban2018%28Articulo%29.pdf http://repository.unimilitar.edu.co/bitstream/10654/17523/3/license.txt http://repository.unimilitar.edu.co/bitstream/10654/17523/4/DiazRinconDanielEsteban2018.pdf.txt http://repository.unimilitar.edu.co/bitstream/10654/17523/5/DiazRinconDanielEsteban2018%28Articulo%29.pdf.txt http://repository.unimilitar.edu.co/bitstream/10654/17523/6/DiazRinconDanielEsteban2018.pdf.jpg http://repository.unimilitar.edu.co/bitstream/10654/17523/7/DiazRinconDanielEsteban2018%28Articulo%29.pdf.jpg |
bitstream.checksum.fl_str_mv |
cab1c99e684d1939c53f7b8765db4648 d8996dba10b4c9a50e4e18a881aae0e5 57c1b5429c07cf705f9d5e4ce515a2f6 242da1bab1492d4a38acbb247bf44dcb 1e1eb70237540184375ff615871a505a ad3f8ec01dca1813ab263b508ad73c43 2c576f4b9ba21a753b11b844ac27b7cc |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional UMNG |
repository.mail.fl_str_mv |
bibliodigital@unimilitar.edu.co |
_version_ |
1808417885264019456 |
spelling |
Solaque, LeonardoDíaz Rincón, Daniel EstebanAguirre Jiménez, María AlejandraIngeniero en MecatrónicaIngeniero en MecatrónicaCalle 1002018-05-16T17:07:33Z2019-12-26T22:08:14Z2018-05-16T17:07:33Z2019-12-26T22:08:14Z2018-04-19http://hdl.handle.net/10654/17523Los incendios se están convirtiendo en una verdadera problemática en Bogotá, Colombia debido a la advertencia global. Por lo tanto, se realizará un análisis en la Universidad Militar Nueva Granada. La detección remota hiperespectral desde plataformas satelitales, ha sido una herramienta útil para analizar y monitorear el comportamiento de los entornos naturales. Sin embargo, los períodos de muestreo son largos, y las condiciones climáticas podrían afectar la leyenda de la imagen debido a las nubes. Además, las bases de datos en bruto son enormes, y su estudio es consume mucho tiempo humano-maquina. Por tales razones, los vehículos aéreos no tripulados brindan una alternativa adecuada ya que la altura operativa de vuelo puede generar imágenes de calidad mayor resolución espacial en áreas específicas, y herramientas como una cámara multiespectral se pueden unir para contribuir con los objetivos. La calibración es un requisito ya que los parámetros de radiancia, reflectancia y captura de cámara se comportan en respuesta a la luz circundante, estos elementos afectan cualquier adquisición multiespectral y el cálculo de cualquier índice de vegetación. Uno de los índices más utilizados, el NDVI (índice de vegetación de diferencia normalizada) mide la clorofila y la biomasa verde en una parcela de terreno, utilizando el reflejo de la luz solar en longitudes de onda definidas del espectro visible e infrarrojo cercano. La biomasa muerta o en descomposición (combustible para fuego), podría detectarse mediante un índice de vegetación, ya que su respuesta a la clorofila sigue activa a pesar de su condición, sin embargo, la cercanía espectral con la tierra y los edificios, hace que el umbralizar sea un trabajo difícil . Por lo tanto, este estudio analiza el uso de diferentes indices que involucren las cinco bandas predeterminadas (azul, verde, rojo, infrarrojo cercano y borde rojo) de la cámara RedEdge (fabricada por MicaSense), en conjunto de un algoritmo de programación genética que explora una cantidad desconocida de programas en busca de una solución adecuada dentro de la aleatoriedad. Además, la detección de peatones que se encuentran en el área de trabajo (considerada como una amenaza de incendio) y una visualización en tiempo real de la escena serán abarcados en el texto.1. INTRODUCCION 1 1.2 Estado del arte 2 1.2.1 Imágenes satelitales 2 Remote Sensing of Large Wildfires 2 Evaluating Satellite and Climate Data-Derived Indices as Fire Risk Indicators in Savanna Ecosystems 3 AVARI-based relative greenness from MODIS data for computing the Fire Potential Index 4 Incidencia de incendios sobre la vegetación de Cundinamarca y Bogotá D.C. (Colombia), entre 2001 y 2010 6 1.2.2 Uso de vehículos aéreos no tripulados 7 Cooperative Forest Fire Surveillance Using a Team of Small Unmanned Air Vehicles 7 Determinación del estado hídrico de la vegetación mediante teledección basada en vehículos aéreos no tripulados 8 A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires 9 1.2.3 Sistemas de redes sensoriales 9 Sistemas de detección de incendios forestales mediante redes sensoriales inalámbricas (Zigbee) 9 1.3 Objetivos 11 1.3.1 Objetivo general 11 1.3.2 Objetivos específicos 11 1.4 Contenido del documento 11 2. MARCO TEÓRICO 12 2.1 Elementos utilizados 12 2.1.1 Cámara Micasense RedEdge 12 2.1.2 Cámara FLIR VUE PRO 13 2.1.3 Matrice 600 PRO 14 2.1.4 ALIENWARE ALPHA 14 2.1.5 Landsat 8 15 2.2 Software empleado 15 2.2.1 Matlab MathWorks 15 2.2.2 OpenCV (Open Source Computer Vision Library) 16 2.2.3 ROS 16 2.3 Marco conceptual 16 2.3.1 Radiación solar 16 2.3.2 Espectro electromagnético 16 2.3.3 Irradiancia 19 2.3.4 Radiancia 19 2.3.5 Teledetección 19 2.3.6 Imágenes térmicas 19 2.3.7 Imágenes multiespectrales 20 2.3.8 Definiciones claves en calibrar las imágenes multiespectrales 21 Exposición en imágenes digitales 21 Ganancia en imágenes digitales 21 Viñeteado 21 2.3.9 Transformaciones geométricas 22 2.3.10 Algoritmos para el procesamiento de imágenes 22 Segmentación de imágenes 22 Algoritmos para imágenes térmicas 23 2.3.11 Programación genética 23 Selección aleatoria de la población 24 Función de idoneidad 25 Elitismo 25 Selección por ruleta 25 Cruzamiento 25 Mutación 26 2.3.12 Índices de vegetación 26 NDVI (Normalized Difference Vegetation Index) 27 PRI (Photosynthetic Efficiency Index) 27 VDVI (Visible-Band Difference Vegetation Index) 27 DVI (Difference Vegetation Index) 28 GARI (Green Atmospherically Resistant Index) 28 NDWI (Normalized Difference Water Index) 28 EVI (Enhanced Vegetation Index) 28 SR (Simple Ratio) 29 2.3.13 Índices de color 29 ExG (Excess Green) 29 FDI (Fire Detection Index) 29 FFDI (Forest Fire Detection Index) 30 2.3.14 Algoritmos para detección de personas 30 HOG 30 SVM 31 3. PROCEDIMIENTO 33 3.1 Registro de imágenes 33 3.2 Detección de focos de incendios a partir de imágenes multiespectrales 34 3.2.1 Procedimiento offline 35 Correcciones geométricas 35 Modelo de calibración radiométrica para la cámara multiespectral 37 Calculo de los índices de vegetación 43 Segmentación de las imágenes 45 Población 45 Selección y segmentación 47 Función de idoneidad 48 Elitismo 50 Ruleta y cruzamiento 50 Mutación 51 3.2.2 Procedimiento Online 51 Adquisición y procesamiento de imágenes 52 3.2.3 Detección de personas 53 4. PRUEBAS Y RESULTADOS EXPERIMENTALES 55 4.1 Detección de focos de incendios a partir de imágenes multiespectrales 55 4.1.1 Correcciones geométricas 55 4.1.2 Stitching 56 4.1.3 Resultado programación genética 59 4.1.4 Eficiencia del algoritmo 61 4.1.5 Comparación de la detección de vegetación muerta online-offline 64 4.1.6 Detección de personas 66 4.1.7 Detección de incendios 67 5. CONCLUSIONES 68 6. LISTA DE REFERENCIAS 69 7. ANEXOS 75Fires are becoming a real problematic in Bogota, Colombia because of global warming. Thus, a deep analysis in the Universidad Militar Nueva Granada will be done. Hyperspectral remote sensing from satellite platforms has been a helpful tool to analyze and monitor the behavior of natural environments. Nevertheless, the revisit periods are long, and the weather condition could affect the image caption, because of clouds. Furthermore, raw databases are huge, and its study is (human and machine) time consuming. For such reasons, UAS (Unmanned Aircraft Systems) provide a suitable alternative as their lower operating height can generate quality images for its higher spatial resolution in specific areas, and tools as a multispectral camera can be attached to achieved similar goals. Calibration is a requirement as radiance, reflectance and camera capture parameters, behave in response of the surrounding light, these elements affect any multispectral acquisition and the calculation of any vegetation index. One of the most used indices, the NDVI (Normalized Difference Vegetation Index) measures the chlorophyll and green biomass on a patch of land, using the reflection of the sunlight into defined wavelengths of the visible and near infrared spectrum. Because of dead or decaying biomass (fire fuel), it could be detected by a vegetation index, as its chlorophyll response is still active despite its condition, however, the spectral closeness with the dirt and the human buildings, makes the thresholding a tough job. Therefore, this study discusses the use of multiple indices involving the five default bands (blue, green, red, near infrared and red edge) of the RedEdge camera (manufactured by MicaSense), together with a genetic programming code that explores an unknown quantity of decision trees in search of a suitable solution within the randomness. Also, the detection of pedestrians found on the workspace (considered as a fire threat) and a real-time visualization of the scene once it is postprocessed, take place throughout the text.Pregrado95 páginas : fotos, ilustraciones.application/pdfspaDerechos Reservados - Universidad Militar Nueva Granada, 2018https://creativecommons.org/licenses/by-nc-nd/2.5/co/Atribución-NoComercial-SinDerivadashttp://purl.org/coar/access_right/c_abf2Prevención de incendios mediante el uso de visión artificial embarcada en plataformas aéreasFire Prevention using optical and thermal sensing based on UAVinfo:eu-repo/semantics/bachelorThesisTrabajo de gradoinfo:eu-repo/semantics/bachelorThesisTexthttp://purl.org/coar/resource_type/c_7a1fPREVENCION DE INCENDIOSVISION POR COMPUTADORDETECCION A DISTANCIAGenetic programmingMultispectral imagesPedestrian detectorRemote sensingROSThresholdingUASVegetation indicesProgramación genéticaImágenes multiespectralesDetector de personasTeledetecciónROSUmbralizaciónSistemas aéreos no tripuladosIndices de vegetaciónFacultad de IngenieríadIngeniería en MecatrónicaIngenieria - Ingenieria en MecatrónicaUniversidad Militar Nueva GranadaJ. K. Erazo P., C. A. Hervas P., U. de Cuenca, D. de I. de la U. de Cuenca, and DIUC, “Sistema de detección de incendios forestales mediante redes sensoriales inalámbricas (Zigbee),” MASKANA, I+D+ingeniería, pp. 1–11, 2014.P. Schneider, D. A. Roberts, and P. C. Kyriakidis, “A VARI-based relative greenness from MODIS data for computing the Fire Potential Index,” Remote Sens. Environ., vol. 112, no. 3, pp. 1151–1167, 2008.D. Amaya and D. Armenteras, “Incidencia De Incendios Sobre La Vegetación De Cundinamarca Y Bogotá Dc (Colombia), Entre 2001 Y 2010,” 2012.D. Haboudane, J. R. Miller, E. Pattey, P. J. Zarco-Tejada, and I. B. Strachan, “Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture,” Remote Sens. Environ., vol. 90, no. 3, pp. 337–352, 2004.E. Chuvieco, “Remote Sensing of Large Wildfires,” no. April 2016, pp. 1–221, 1991.S. S. Panda, D. P. Ames, and S. Panigrahi, “Application of vegetation indices for agricultural crop yield prediction using neural network techniques,” Remote Sens., vol. 2, no. 3, pp. 673–696, 2010.J. Verbesselt, P. Joensson, S. Lhermitte, J. Van Aardt, and P. Coppin, “Evaluating satellite and climate data derived indices as fire risk indictros in savanna ecosystems,” IEEE, Trans. Geosci. Remote Sens., vol. 44, no. 44, pp. 1622–1632, 2006.D. W. Casbeer, D. B. Kingston, R. W. Beard, and T. W. Mc lain, “Cooperative forest fire surveillance using a team of small unmanned air vehicles,” Int. J. Syst. Sci., vol. 37, no. 6, pp. 351–360, 2006.J. M. Aranda, A. J. De Castro, S. B. J. Meléndez, and F. López, “Teledetección Precoz De Incendios Forestales Mediante Sensores Ir : Discriminación Espectral De Falsas Alarmas Mfi =,” pp. 271–274, 1999.M. Huesca, F. González-Alonso, J. M. Cuevas, S. Merino-De-Miguel, and M. Es, “Comparación de dos algoritmos para la estima- ción de áreas quemadas a partir de imágenes MODIS. Aplicación a los incendios de Canarias de Julio 2007.”J. A. Jiménez, “Determinación del estado hídrico de la vegetación mediante teledetección basada en vehículos aéreos no tripulados,” p. 135, 2009.L. Merino, F. Caballero, J. R. Martinez-de Dios, J. Ferruz, and A. Ollero, “A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires,” J. F. Robot., vol. 23, no. 3–4, pp. 165–184, 2006.“Tabla Micasense.” [Online]. Available: https://support.micasense.com/hc/en-us/articles/225950667-RedEdge-Manual-Specifications.Micasense, “Micasense RedEdge,” Camera RedEdge. [Online]. Available: https://www.micasense.com/rededge-m/. [Accessed: 25-Jan-2018].T. W. S. S. FLIR, “FLIR VUE PRO.” [Online]. Available: http://www.flir.com/suas/vuepro/. [Accessed: 25-Jan-2018].DJI, “Matrice 600 pro.” [Online]. Available: https://www.dji.com/matrice600-pro. [Accessed: 25-Jan-2018].“Matrice 600 PRO.” [Online]. Available: http://www.aerialmediapros.com/store/images/product/d/dji-matrice-600-build-your-own-custom-package-512px-512px.jpg.DELL, “ALIENWARE ALPHA.” [Online]. Available: http://www.dell.com/en-us/shop/cty/pdp/spd/alienware-alpha-r2-desktop?~ck=mn. [Accessed: 25-Jan-2018].“ALIENWARE ALPHA.” [Online]. Available: http://www.dell.com/en-us/shop/dell-desktop-computers/alienware-alpha/spd/alienware-alpha-r2-desktop/dkcwa04bcombo?bvstate=pg:2/ct:r.MathWorks, “Acerca de MathWorks, Products.” [Online]. Available: https://la.mathworks.com/company/aboutus/products.html. [Accessed: 26-Jan-2018].MathWorks, “Image Processing Toolbox.” [Online]. Available: https://la.mathworks.com/products/image.html. [Accessed: 26-Jan-2018].OpenCV, “OpenCV.” [Online]. Available: https://opencv.org/. [Accessed: 26-Jan-2018].OpenCV, “OpenCV Change Logs.” [Online]. Available: https://github.com/opencv/opencv/wiki/ChangeLog. [Accessed: 26-Jan-2018].ROS, “About ROS.” [Online]. Available: http://www.ros.org/about-ros/. [Accessed: 28-Jan-2018].ROS, “Integration with Other Libraries.” [Online]. Available: http://www.ros.org/integration/. [Accessed: 28-Jan-2018].© 2014 IDEAM. Adscrito al Ministerio de Ambiente y Desarrollo Sostenible de Colombia, “RADIACIÓN SOLAR - IDEAM,” Radiación solar . [Online]. Available: http://www.ideam.gov.co/web/tiempo-y-clima/radiacion-solar. [Accessed: 17-Apr-2018].B. Fontal, “El Espectro Electromagnético y sus Aplicaciones,” Esc. la Ing., vol. 1, p. 24, 2005.L. Carrasco-Ríos, “Efecto de la radiación ultravioleta-B en plantas,” Idesia (Arica), vol. 27, no. 3, pp. 59–76, 2009.G. D. Chistian, Quimica Analitica. 1985.“Espectro electromagnetico.” [Online]. Available: http://partner.cab.inta-csic.es/imagenes/campos.gif.M. Aguilar Gutiérrez and J. J. de Damborenea, Bioelectromagnetismo : campos eléctricos y magnéticos y seres vivos. Consejo Superior de Investigaciones Científicas, 2001.D. A. Skoog, D. M. West, F. J. Holler, and V. Berenguer Navarro, Fundamentos de química analítica. Reverté, 1997.“Espectro Electromagentico, Bandas.” [Online]. Available: https://k38.kn3.net/taringa/1/6/4/0/9/6/99/jeancarlodaboin/CB9.jpg?724.S. Gandía Franco and J. Meliá Miralles, La teledetección en el seguimiento de los fenómenos naturales : recursos renovables, agricultura. Universidad de Valencia, 1991.“Technology Fundamentals: The Sun as an Energy Resouce.” [Online]. Available: http://www.volker-quaschning.de/articles/fundamentals1/index.php. [Accessed: 27-Feb-2018].C. Di Bella and G. Posse, “La teledetección como herramienta para la prevención, seguimiento y evaluación de incendios e inundaciones,” Rev. cinetifica y Tec. Ecol. y medio Ambient., vol. 17, no. 3, pp. 39–52, 2008.C. Pérez Gutiérrez and A. L. Muñoz Nieto, Teledetección : nociones y aplicaciones. Carlos Pérez Gutiérrez, Ángel Luis Muñoz Nieto, 2006.N. Jimenez, “Evaluación del impacto de la sequía sobre la vegetación natural mediante teledetección en el SE español,” 2010.Fires foundation, “Cámaras de Imagenes Térmicas TIC (Thermal Imaging Cámaras) | FIRES Foundation.” [Online]. Available: http://fundacionfires.org/camaras-de-imagenes-termicas-tic-thermal-imaging-camaras/. [Accessed: 21-Feb-2018].A. Arozarena Villar, “TELEDETECCIÓN Y SISTEMAS DE TRATAMIENTO DIGITAL DE IMAGENES.”Instituto de Nuevas Tecnologías de la Imagen, “Aplicaciones de imágenes multiespectrales,” 2009. [Online]. Available: http://www.init.uji.es/index.php?option=com_content&view=article&id=94:aplicacionesdeimagenesmultiespectrales&catid=57:servicios-vision-por-ordenador&Itemid=47&lang=es. [Accessed: 04-Feb-2018].grupo Á. Álava ingenieros, “¿Qué diferencia una imagen multiespectral de una hiperespectral?,” ÁLAVA INGENIEROS, 2018. [Online]. Available: http://www.grupoalava.com/ingenieros/actualidad/que-diferencia-una-imagen-multiespectral-de-una-hiperespectral/.J. L. Chavez, Tratamiento digital de imagenes multiespectrales. Lulu Com, 2012.“Exposure - Glossary - Federal Agencies Digitization Guidelines Initiative.” [Online]. Available: http://www.digitizationguidelines.gov/term.php?term=exposure. [Accessed: 26-Feb-2018].“Gain (image) - Glossary - Federal Agencies Digitization Guidelines Initiative.” [Online]. Available: http://www.digitizationguidelines.gov/term.php?term=gainimage. [Accessed: 26-Feb-2018].S. Del Pozo, P. Rodríguez-Gonzálvez, D. Hernández-López, and B. Felipe-García, “Vicarious radiometric calibration of a multispectral camera on board an unmanned aerial system,” Remote Sens., vol. 6, no. 3, pp. 1918–1937, 2014.Open Source Computer Vision, “OpenCV: Geometric Transformations of Images,” 2017. [Online]. Available: https://docs.opencv.org/3.4.0/da/d6e/tutorial_py_geometric_transformations.html. [Accessed: 26-Feb-2018].J. J. B. Rojas, M. L. Guerrero, J. C. Acevedo, A. Padilla Vivanco, and G. U. Serrano, “Segmentación de imágenes de color,” vol. 50, no. 6, pp. 579–587, 2004.N. La Serna Palomino and U. Román Concha, “Técnicas de Segmentación en Procesamiento Digital de Imágenes,” Rev. Ing. Sist. e Informática, vol. 6, no. 2, pp. 9–16, 2009.D. L. Pham and J. L. Prince, “An Adaptive Fuzzy C-Means Algorithm for Image Segmentation in the Presence of Intensity Inhomogeneities,” Pattern Recognit. Lett., vol. 20, no. 1, pp. 57–68, 1999.G. T. Shrivakshan and C. Chandrasekar, “A Comparison of various Edge Detection Techniques used in Image Processing.”C. Ibarra Castanedo, S. Member, D. A. González, H. Bendada, and X. Maldague, “Análisis de imágenes en Termografía Infrarroja,” 2005.Matthew Walker, “Introduction to Genetic Programming,” 2001.F. D. Banzhaf, W., Nordin, P., Keller, R. E., & Francone, Genetic programming: an introduction, Vol.1. San Francisco, 1998.D. García-cervigón and J. José, “Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde UAS / RPAS y aplicaciones de estos a la agricultura de precisión .,” p. 78, 2015.C. Gonzaga Aguilar, “Aplicación de Índices de Vegetación Derivados de Imágenes Satelitales Landsat 7 ETM + y ASTER para la Caracterización de la Cobertura Vegetal en la Zona Centro de la Provincia De Loja, Ecuador,” p. 103, 2014.U. De and N. Y. De, “Trabajo Fin de Grado Análisis de imágenes multiespectrales aéreas de vegetación,” 2017.H. Geospatial et al., “Atmospherically Resistant Vegetation Index ( ARVI ) Difference Vegetation Index ( DVI ) Enhanced Vegetation Index ( EVI ) Global Environmental Monitoring Index ( GEMI ) Green Atmospherically Resistant Index ( GARI ) Green Difference Vegetation Index ( GDV,” pp. 1–6, 2016.M. F. Garbulsky, J. Peñuelas, J. Gamon, Y. Inoue, and I. Filella, “Remote Sensing of Environment,” ELSEVIER, 2011.J. A. Gamon, “The Photochemical Reflectance Index (PRI) – a measure of photosynthetic light-use efficiency,” 2010.J. Xue and B. Su, “Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications,” J. Sensors, vol. 2017, pp. 1–17, May 2017.SINERGISE, “NDWI (Normalized Difference Water Index) | Sentinel.” [Online]. Available: https://www.sentinel-hub.com/eoproducts/ndwi-normalized-difference-water-index. [Accessed: 26-Feb-2018].S. K. McFEETERS, “The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features,” Int. J. Remote Sens., vol. 17, no. 7, pp. 1425–1432, May 1996.J. Oliver, M. Directores, A. A. Colomer, G. P. Fajarnés, and J. O. Moll, “Detección de Personas en secuencias de vídeo en tiempo real Valencia, 3 de Diciembre de 2007.”D. Catalán, V. Daniel, and P. Dallo, “Detección automática de personas mediante Histograma de Gradientes Orientados,” Universidad Publica de Navarra, 2017.PR Sys Design, “perClass: Support vector classifier,” 2017. [Online]. Available: http://perclass.com/doc/guide/classifiers/svm.html. [Accessed: 25-Feb-2018].Alexander Mordvintsev and Abid K, “Introduction to SURF (Speeded-Up Robust Features) — OpenCV-Python Tutorials 1 documentation,” 2013. [Online]. Available: http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_surf_intro/py_surf_intro.html. [Accessed: 26-Feb-2018].R. Khanna, I. Sa, J. Nieto, and R. Siegwart, “On field radiometric calibration for multispectral cameras,” in 2017 IEEE International Conference on Robotics and Automation (ICRA), 2017, pp. 6503–6509.Micasense, “RedEdge Camera Radiometric Calibration Model – MicaSense Knowledge Base,” 2017. [Online]. Available: https://support.micasense.com/hc/en-us/articles/115000351194-RedEdge-Camera-Radiometric-Calibration-Model. [Accessed: 26-Feb-2018].“Use of Calibrated Reflectance Panels For RedEdge Data – MicaSense Knowledge Base,” 2017. [Online]. Available: https://support.micasense.com/hc/en-us/articles/115000765514-Use-of-Calibrated-Reflectance-Panels-For-RedEdge-Data. [Accessed: 26-Feb-2018].MicaSense, “MicaSense RedEdge Image Processing Tutorials,” 2017. [Online]. Available: https://github.com/micasense/imageprocessing.J.-Y. Tinevez, “@tree.” [Online]. Available: https://tinevez.github.io/matlab-tree/. [Accessed: 27-Feb-2018].PrecisionHawk, “PrecisionMapper | Drone & UAV Mapping Analytics.” [Online]. Available: http://www.precisionhawk.com/precisionmapper. [Accessed: 28-Feb-2018].H. Cruz, M. Eckert, J. Meneses, and J.-F. Martínez, “Efficient Forest Fire Detection Index for Application in Unmanned Aerial Systems (UASs),” Sensors, vol. 16, no. 6, p. 893, Jun. 2016.ORIGINALDiazRinconDanielEsteban2018.pdfDocumento principalapplication/pdf3549289http://repository.unimilitar.edu.co/bitstream/10654/17523/1/DiazRinconDanielEsteban2018.pdfcab1c99e684d1939c53f7b8765db4648MD51DiazRinconDanielEsteban2018(Articulo).pdfArticuloapplication/pdf663789http://repository.unimilitar.edu.co/bitstream/10654/17523/2/DiazRinconDanielEsteban2018%28Articulo%29.pdfd8996dba10b4c9a50e4e18a881aae0e5MD52LICENSElicense.txttext/plain1521http://repository.unimilitar.edu.co/bitstream/10654/17523/3/license.txt57c1b5429c07cf705f9d5e4ce515a2f6MD53TEXTDiazRinconDanielEsteban2018.pdf.txtExtracted texttext/plain146847http://repository.unimilitar.edu.co/bitstream/10654/17523/4/DiazRinconDanielEsteban2018.pdf.txt242da1bab1492d4a38acbb247bf44dcbMD54DiazRinconDanielEsteban2018(Articulo).pdf.txtExtracted texttext/plain32858http://repository.unimilitar.edu.co/bitstream/10654/17523/5/DiazRinconDanielEsteban2018%28Articulo%29.pdf.txt1e1eb70237540184375ff615871a505aMD55THUMBNAILDiazRinconDanielEsteban2018.pdf.jpgIM Thumbnailimage/jpeg5527http://repository.unimilitar.edu.co/bitstream/10654/17523/6/DiazRinconDanielEsteban2018.pdf.jpgad3f8ec01dca1813ab263b508ad73c43MD56DiazRinconDanielEsteban2018(Articulo).pdf.jpgIM Thumbnailimage/jpeg9744http://repository.unimilitar.edu.co/bitstream/10654/17523/7/DiazRinconDanielEsteban2018%28Articulo%29.pdf.jpg2c576f4b9ba21a753b11b844ac27b7ccMD5710654/17523oai:repository.unimilitar.edu.co:10654/175232020-06-30 13:06:21.156Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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 |