Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano

Sistema basado en inteligencia artificial para la traducción del lenguaje de señas colombiano. Utiliza la librería Mediapipe para la extracción de los puntos clave de las manos, y un modelo de aprendizaje automático entrenado para reconocer señas estáticas y dinámicas.

Autores:
Duarte Ñungo, Daniel Mauricio
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2025
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/5168
Acceso en línea:
https://hdl.handle.net/20.500.12313/5168
Palabra clave:
Lengua de señas colombiana - Máquina traductora
Lengua de señas colombiana - Aprendizaje automático
Lengua de señas colombiana - Traducción de gestos
Lenguaje de señas
Aprendizaje automático
Aprendizaje profundo
Mediapipe
Traducción de gestos
Sign language
Machine learning
Deep learning
Mediapipe
Gesture translation
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_1d5e6706e16852ac7244a68a85e5600e
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/5168
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
title Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
spellingShingle Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
Lengua de señas colombiana - Máquina traductora
Lengua de señas colombiana - Aprendizaje automático
Lengua de señas colombiana - Traducción de gestos
Lenguaje de señas
Aprendizaje automático
Aprendizaje profundo
Mediapipe
Traducción de gestos
Sign language
Machine learning
Deep learning
Mediapipe
Gesture translation
title_short Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
title_full Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
title_fullStr Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
title_full_unstemmed Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
title_sort Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano
dc.creator.fl_str_mv Duarte Ñungo, Daniel Mauricio
dc.contributor.advisor.none.fl_str_mv Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv Duarte Ñungo, Daniel Mauricio
dc.subject.armarc.none.fl_str_mv Lengua de señas colombiana - Máquina traductora
Lengua de señas colombiana - Aprendizaje automático
Lengua de señas colombiana - Traducción de gestos
topic Lengua de señas colombiana - Máquina traductora
Lengua de señas colombiana - Aprendizaje automático
Lengua de señas colombiana - Traducción de gestos
Lenguaje de señas
Aprendizaje automático
Aprendizaje profundo
Mediapipe
Traducción de gestos
Sign language
Machine learning
Deep learning
Mediapipe
Gesture translation
dc.subject.proposal.spa.fl_str_mv Lenguaje de señas
Aprendizaje automático
Aprendizaje profundo
Mediapipe
Traducción de gestos
dc.subject.proposal.eng.fl_str_mv Sign language
Machine learning
Deep learning
Mediapipe
Gesture translation
description Sistema basado en inteligencia artificial para la traducción del lenguaje de señas colombiano. Utiliza la librería Mediapipe para la extracción de los puntos clave de las manos, y un modelo de aprendizaje automático entrenado para reconocer señas estáticas y dinámicas.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-05-22T22:30:08Z
dc.date.available.none.fl_str_mv 2025-05-22T22:30:08Z
dc.date.issued.none.fl_str_mv 2025
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Duarte Ñungo, D. M. (2025). Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5168
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/5168
identifier_str_mv Duarte Ñungo, D. M. (2025). Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5168
url https://hdl.handle.net/20.500.12313/5168
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv [1] C. Díaz, M. Goycoolea, and F. Cardemil, "Hipoacusia: trascendencia, incidencia y prevalencia," Revista Médica Clínica Las Condes, vol. 27, no. 6, pp. 731–739, 2016. doi: 10.1016/j.rmclc.2016.11.003. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0716864016301055.
[2] INSOR, (2021). Informe técnico Estado Goce en Derechos de la Población sorda 2019.
[3] V. M. Acosta Rodríguez, "Los problemas de las personas sordas para su integración en el mundo laboral. Análisis de la realidad y propuesta de acción," Innovación Educativa, vol. 16, pp. 257-273, 2006.
[4] C. Chaparro, G. Escalante, y E. Samacá, "Las TIC como estrategia didáctica dentro del proceso educativo de estudiantes universitarios sordos," Revista Cuidado y Ocupación Humana, vol. 2, pp. 1–12, ISSN: 2322-6781.
[5] O. Henao Álvarez y D. A. Ramírez S., "Experiencias e investigaciones sobre las TIC aplicadas a la atención de personas con necesidades educativas," Facultad de Educación, Universidad de Antioquia, Medellín, Colombia.
[6] B. Pérez de Arado, "¿Lengua de señas?," Cultura Sorda, Mérida, Venezuela, 2011. [Online]. Available: https://cultura-sorda.org/lengua-de-senas/.
[7] N. Rozo Melo, "Introducción a la lengua de señas Colombiana," publicado el 4 de julio de 2023, actualizado el 8 de mayo de 2024. [Online]. Available: https://lenguasyliteraturasnativas.caroycuervo.gov.co/nuestras-lenguas/lengua-de-senas-colombiana/. [Accessed: Nov. 27, 2024].
[8] R. Y. Choi, A. S. Coyner, J. Kalpathy-Cramer, M. F. Chiang, and J. P. Campbell, "Introduction to machine learning, neural networks, and deep learning," Translational Vision Science & Technology, vol. 9, no. 2, p. 14, 2020.
[9] C. Molnar, Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. Morrisville, NC: Lulu Press, Inc., 2019. [Online]. Available: https://christophm.github.io/interpretable-ml-book/.
[10] V. Dignum, What Is Artificial Intelligence?, pp. 9–34, Springer International Publishing, Cham, 2019.
[11] Y. Yu, X. Si, C. Hu, and J. Zhang, "A review of recurrent neural networks: LSTM cells and network architectures," Neural Computation, vol. 31, no. 7, pp. 1235–1270, 2019. doi: https://doi.org/10.1162/neco_a_01199.
[12] R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed. Springer Nature, 2022.
[13] Google, "Hand Landmarker," Google AI, 2024. [Online]. Available: https://ai.google.dev/edge/mediapipe/solutions/vision/hand_landmarker?hl=es-419. [Accessed: 12-Mar-2025].
[14] M. M. Kamruzzaman, "Arabic Sign Language Recognition and Generating Arabic Speech Using Convolutional Neural Network," Wireless Communications and Mobile Computing, vol. 2020, Article ID 3685614, 9 pages, May 23, 2020. doi: https://doi.org/10.1155/2020/3685614.
[15] J. A. Muñoz-Galindez and R. Vargas-Cañas, "Modelo de interpretación de lengua de señas colombiano usando inteligencia artificial," Revista de Investigación, Desarrollo e Innovación, vol. 13, no. 2, pp. 357–366, 2023. doi: https://doi.org/10.19053/20278306.v13.n2.2023.16840 Rubiel Vargas-Cañas.
[16] D. Yang, C. Martinez, L. Visuña, H. Khandhar, C. Bhatt, and J. Carretero, "Detection and analysis of COVID-19 in medical images using deep learning techniques," Scientific Reports, vol. 11, no. 19638, 2021. doi: 10.1038/s41598-021-99015-3.
[17] J. Bukhari, M. Rehman, S. I. Malik, A. M. Kamboh, and A. Salman, "American Sign Language Translation through Sensory Glove; SignSpeak," International Journal of u- and e- Service, Science and Technology, vol. 8, no. 1, pp. 131–142, 2015. doi: 10.14257/ijunesst.2015.8.1.12.
[18] S. B. and T. Bagyammal, "American Sign Language Recognition for Alphabets Using MediaPipe and LSTM," Procedia Computer Science, vol. 215, pp. 642–651, 2022.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 83 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/ea1886f9-cf18-48d9-952a-68e62ea47af0/download
https://repositorio.unibague.edu.co/bitstreams/ce48bf99-d774-4573-8e2d-690b380e6b95/download
https://repositorio.unibague.edu.co/bitstreams/9e97dd08-5128-47b5-a081-4b2715cdb3a6/download
https://repositorio.unibague.edu.co/bitstreams/c5f15167-e840-4728-9a4c-2f45f9bab8d9/download
https://repositorio.unibague.edu.co/bitstreams/7ed83a8f-ad92-4a19-b975-eb621e97adc3/download
https://repositorio.unibague.edu.co/bitstreams/0c8efb02-dc4b-4101-816b-1e38c2246bd9/download
https://repositorio.unibague.edu.co/bitstreams/aaeff25c-d977-401b-9ecf-c206aea3a1a0/download
bitstream.checksum.fl_str_mv ea3644f845600d24dafee3191a898936
a0de29e95380acf27dec7a62387756ff
2fa3e590786b9c0f3ceba1b9656b7ac3
1e1bc29e4a308dc76c9e60959d8c9490
f0b6d0ba382191d41ba53feee5a8e6c6
84bd77dfefc98ae5a757ee3ffb25c473
adde008f45bef55cb801fb4ba972ea27
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059990879535104
spelling Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1Duarte Ñungo, Daniel Mauricio714c3212-b2d3-4dcf-bfad-e296ce604f1a-12025-05-22T22:30:08Z2025-05-22T22:30:08Z2025Sistema basado en inteligencia artificial para la traducción del lenguaje de señas colombiano. Utiliza la librería Mediapipe para la extracción de los puntos clave de las manos, y un modelo de aprendizaje automático entrenado para reconocer señas estáticas y dinámicas.Este documento aborda la implementación de aprendizaje de máquinas para la traducción del Lenguaje de Señas Colombiano (LSC) al español, con el propósito de facilitar la comunicación entre personas sordas y oyentes. Para ello, se desarrollaron dos modelos de aprendizaje profundo: una red neuronal profunda (DNN) para el reconocimiento de gestos estáticos y una red de memoria a largo y corto plazo (LSTM) para la identificación de gestos dinámicos. Se construyó una base de datos con 29 gestos representativos del LSC, a partir de los cuales se extrajeron puntos clave de las manos mediante MediaPipe. Este enfoque permitió optimizar la representación de los gestos, reduciendo la complejidad computacional en comparación con métodos basados en imágenes. El modelo de gestos estáticos alcanzó una precisión del 99%, mientras que el modelo de gestos dinámicos logró un 96%. Para la validación del sistema, se implementó un método de reconocimiento en tiempo real utilizando OpenCV, permitiendo la captura y procesamiento de video para la detección y predicción de gestos. Aunque los modelos demostraron un desempeño satisfactorio, se identificaron limitaciones como la imposibilidad de ejecutarlos simultáneamente. Como trabajos futuros, se propone la integración de ambos modelos en un único sistema, la ampliación del conjunto de gestos reconocidos y la optimización de la latencia para mejorar la experiencia del usuario en aplicaciones prácticas.This thesis presents the implementation of machine learning for the translation of Colombian Sign Language (LSC) into Spanish, aiming to facilitate communication between deaf and hearing individuals. To achieve this, two deep learning models were developed: a deep neural network (DNN) for static gesture recognition and a long short-term memory (LSTM) network for dynamic gesture identification. A dataset containing 29 representative LSC gestures was created, from which hand keypoints were extracted using MediaPipe. This approach optimized gesture representation, reducing computational complexity compared to image-based methods. The static gesture model achieved an accuracy of 99%, while the dynamic gesture model reached 96%. For system validation, a real-time recognition method was implemented using OpenCV, enabling video capture and processing for gesture detection and prediction. Although the models demonstrated satisfactory performance, certain limitations were identified, such as the inability to run both models simultaneously. Future work includes integrating both models into a unified system, expanding the recognized gesture set, and optimizing latency to enhance user experience in practical applications.PregradoIngeniero ElectrónicoIntroducción.....11 1.1 Planteamiento del problema y justificación del estudio.....11 1.2 Objetivos.....13 1.2.1 Objetivo General.....13 1.2.2 Objetivos específicos.....13 1.3 Estructura del documento.....13 Fundamentos y estado del arte.....16 2.1 Lenguaje de señas.....16 2.2 Aprendizaje de máquinas.....19 2.2.1 Aprendizaje Supervisado.....20 2.2.2 Aprendizaje profundo.....21 2.3 Visión por computador.....24 2.3.1 MediaPipe.....25 2.4 Aplicaciones.....27 Metodología.....32 3.1 Adquisición y preparación de datos.....34 3.2 Modelamiento.....40 3.2.1 Modelo para identificación de gestos estáticos.....41 3.2.2 Modelo para identificación de gestos dinámicos.....44 3.3 Evaluación.....51 3.3.1 Evaluación del entrenamiento del modelo DNN.....51 3.3.2 Evaluación del entrenamiento del modelo LSTM.....55 3.4 Despliegue.....64 Resultados.....67 4.1 Reconocimiento en tiempo real para gestos estáticos.....67 4.2 Reconocimiento en tiempo real para gestos dinámicos.....72 4.3 Comparación de resultados con trabajos previos.....77 Conclusiones y trabajos futuros.....79 5.1 Conclusiones.....79 5.2 Trabajos futuros.....80 Referencias bibliográficas.....8183 páginasapplication/pdfDuarte Ñungo, D. M. (2025). Implementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombiano. [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/5168https://hdl.handle.net/20.500.12313/5168spaUniversidad de IbaguéIngenieríaIbaguéElectrónica[1] C. Díaz, M. Goycoolea, and F. Cardemil, "Hipoacusia: trascendencia, incidencia y prevalencia," Revista Médica Clínica Las Condes, vol. 27, no. 6, pp. 731–739, 2016. doi: 10.1016/j.rmclc.2016.11.003. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0716864016301055.[2] INSOR, (2021). Informe técnico Estado Goce en Derechos de la Población sorda 2019.[3] V. M. Acosta Rodríguez, "Los problemas de las personas sordas para su integración en el mundo laboral. Análisis de la realidad y propuesta de acción," Innovación Educativa, vol. 16, pp. 257-273, 2006.[4] C. Chaparro, G. Escalante, y E. Samacá, "Las TIC como estrategia didáctica dentro del proceso educativo de estudiantes universitarios sordos," Revista Cuidado y Ocupación Humana, vol. 2, pp. 1–12, ISSN: 2322-6781.[5] O. Henao Álvarez y D. A. Ramírez S., "Experiencias e investigaciones sobre las TIC aplicadas a la atención de personas con necesidades educativas," Facultad de Educación, Universidad de Antioquia, Medellín, Colombia.[6] B. Pérez de Arado, "¿Lengua de señas?," Cultura Sorda, Mérida, Venezuela, 2011. [Online]. Available: https://cultura-sorda.org/lengua-de-senas/.[7] N. Rozo Melo, "Introducción a la lengua de señas Colombiana," publicado el 4 de julio de 2023, actualizado el 8 de mayo de 2024. [Online]. Available: https://lenguasyliteraturasnativas.caroycuervo.gov.co/nuestras-lenguas/lengua-de-senas-colombiana/. [Accessed: Nov. 27, 2024].[8] R. Y. Choi, A. S. Coyner, J. Kalpathy-Cramer, M. F. Chiang, and J. P. Campbell, "Introduction to machine learning, neural networks, and deep learning," Translational Vision Science & Technology, vol. 9, no. 2, p. 14, 2020.[9] C. Molnar, Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. Morrisville, NC: Lulu Press, Inc., 2019. [Online]. Available: https://christophm.github.io/interpretable-ml-book/.[10] V. Dignum, What Is Artificial Intelligence?, pp. 9–34, Springer International Publishing, Cham, 2019.[11] Y. Yu, X. Si, C. Hu, and J. Zhang, "A review of recurrent neural networks: LSTM cells and network architectures," Neural Computation, vol. 31, no. 7, pp. 1235–1270, 2019. doi: https://doi.org/10.1162/neco_a_01199.[12] R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed. Springer Nature, 2022.[13] Google, "Hand Landmarker," Google AI, 2024. [Online]. Available: https://ai.google.dev/edge/mediapipe/solutions/vision/hand_landmarker?hl=es-419. [Accessed: 12-Mar-2025].[14] M. M. Kamruzzaman, "Arabic Sign Language Recognition and Generating Arabic Speech Using Convolutional Neural Network," Wireless Communications and Mobile Computing, vol. 2020, Article ID 3685614, 9 pages, May 23, 2020. doi: https://doi.org/10.1155/2020/3685614.[15] J. A. Muñoz-Galindez and R. Vargas-Cañas, "Modelo de interpretación de lengua de señas colombiano usando inteligencia artificial," Revista de Investigación, Desarrollo e Innovación, vol. 13, no. 2, pp. 357–366, 2023. doi: https://doi.org/10.19053/20278306.v13.n2.2023.16840 Rubiel Vargas-Cañas.[16] D. Yang, C. Martinez, L. Visuña, H. Khandhar, C. Bhatt, and J. Carretero, "Detection and analysis of COVID-19 in medical images using deep learning techniques," Scientific Reports, vol. 11, no. 19638, 2021. doi: 10.1038/s41598-021-99015-3.[17] J. Bukhari, M. Rehman, S. I. Malik, A. M. Kamboh, and A. Salman, "American Sign Language Translation through Sensory Glove; SignSpeak," International Journal of u- and e- Service, Science and Technology, vol. 8, no. 1, pp. 131–142, 2015. doi: 10.14257/ijunesst.2015.8.1.12.[18] S. B. and T. Bagyammal, "American Sign Language Recognition for Alphabets Using MediaPipe and LSTM," Procedia Computer Science, vol. 215, pp. 642–651, 2022.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Lengua de señas colombiana - Máquina traductoraLengua de señas colombiana - Aprendizaje automáticoLengua de señas colombiana - Traducción de gestosLenguaje de señasAprendizaje automáticoAprendizaje profundoMediapipeTraducción de gestosSign languageMachine learningDeep learningMediapipeGesture translationImplementación de aprendizaje de máquinas para la traducción del lenguaje de señas colombianoTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf11222152https://repositorio.unibague.edu.co/bitstreams/ea1886f9-cf18-48d9-952a-68e62ea47af0/downloadea3644f845600d24dafee3191a898936MD51Formato autorización.pdfFormato autorización.pdfapplication/pdf150931https://repositorio.unibague.edu.co/bitstreams/ce48bf99-d774-4573-8e2d-690b380e6b95/downloada0de29e95380acf27dec7a62387756ffMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/9e97dd08-5128-47b5-a081-4b2715cdb3a6/download2fa3e590786b9c0f3ceba1b9656b7ac3MD53TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101877https://repositorio.unibague.edu.co/bitstreams/c5f15167-e840-4728-9a4c-2f45f9bab8d9/download1e1bc29e4a308dc76c9e60959d8c9490MD58Formato autorización.pdf.txtFormato autorización.pdf.txtExtracted texttext/plain3826https://repositorio.unibague.edu.co/bitstreams/7ed83a8f-ad92-4a19-b975-eb621e97adc3/downloadf0b6d0ba382191d41ba53feee5a8e6c6MD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg9718https://repositorio.unibague.edu.co/bitstreams/0c8efb02-dc4b-4101-816b-1e38c2246bd9/download84bd77dfefc98ae5a757ee3ffb25c473MD59Formato autorización.pdf.jpgFormato autorización.pdf.jpgIM Thumbnailimage/jpeg22709https://repositorio.unibague.edu.co/bitstreams/aaeff25c-d977-401b-9ecf-c206aea3a1a0/downloadadde008f45bef55cb801fb4ba972ea27MD51120.500.12313/5168oai:repositorio.unibague.edu.co:20.500.12313/51682025-08-13 01:16:58.782https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares