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...

Full description

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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