Sistema basado en reconocimiento de objetos para el apoyo a personas con discapacidad visual
Contenido principal de artículos
Palabras clave:
Motor Visual, Redes Neuronales, Redes Neuronales por Convolución, Visión Computacional, Discapacidad visual, Aplicaciones Móviles, Reconocimiento de Objetos
Resumen
Se sabe que las personas que sufren de una limitante visual o en su defecto son discapacitados visuales tienden a enfrentarse a retos como no saber el objeto ante ellos o reconocer el entorno en que se encuentran; por tal motivo estas personas suelen tener casi siempre un acompañante que los guíe en su mundo de oscuridad. Pero, en el caso de que esta persona no se encuentre, ya sea porque la persona discapacitada no cuenta con los recursos para contratar a alguien, o no tenga personas cercanas disponibles cuando él/ella lo necesite, es necesario alguna ayuda tecnológica que supla esa falencia. En este proyecto se propone el desarrollo de una aplicación móvil que sirva de apoyo a las personas con discapacidad visual. Esta aplicación tendrá la capacidad de reconocer objetos a partir de una cámara móvil y brindará esta información a la persona de manera audible.
Citas
[2] Fang, Q., Li, H., Luo, X., Ding, L., Luo, H., Rose, T. M., & An, W. (2018). Detecting nonhardhat-use by a deep learning method from far-field surveillance videos. Automation in Construction, 85, 1-9.
[3] Fukushima, K. (1988). Neocognitron: A hierarchical neural network capable of visual pattern recognition. Neural Networks, 1(2), 119–130.
[4] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In European conference on computer vision (pp. 21–37). Springer.
[5] Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 779–788).
[6] M. Massiris, C. Delrieux and J. Fernández, DETECCIÓN DE EQUIPOS DE PROTECCIÓN PERSONAL MEDIANTE RED NEURONAL CONVOLUCIONAL YOLO, 1st ed. 2020, pp. 1-8.
[7] YOLO9000: Better, Faster, Stronger, 1st ed. Estados Unidos Seattle, 2017. https://openaccess.thecvf.com/content_cvpr_2017/papers/Redmon_YOLO9000_Better_Faster_CVPR_2017_paper.pdf
[8] Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. ArXiv Preprint.
[9] C. Quintero, F. Merchán, A. Cornejo and J. Sánchez, Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados.
[10] MA Ansari, Krizhevsky, “Review of Deep Learning Techniques for Object Detection and Classification”.2018
[11] Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556 (2014).
[12] Guerrero Jaimes , O. Y., & Guerrero Jaimes , R. M. (2017). Las empresas de Norte de Santander y su perspectiva acerca de la seguridad y salud en el trabajo. Revista Investigación e Innovación en Ingenierias, 5(2), 26-45. doi:10.17081/invinno.5.2.2755
Barra lateral de artículos
Detalles de artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.