Mostrar el registro sencillo del ítem

Sexto Sentido: Prototipo mecatrónica de monitoreo y gestión de alertas para un transporte preventivo en bicicletas

dc.contributor.authorBravo Figueroa, Angela Valeria
dc.contributor.authorRivera Mueses, Jhonatan Stiven
dc.contributor.authorRosero Enriquez, Leonardo Daniel
dc.coverage.spatialColombia,Nariño,Pasto
dc.date.accessioned2024-10-04T14:57:11Z
dc.date.available2024-10-04T14:57:11Z
dc.date.issued2022-11-02
dc.date.submitted2024-09-11
dc.identifier.urihttps://hdl.handle.net/20.500.14112/28581
dc.description.abstractEl proyecto "Sexto Sentido" desarrolla un prototipo mecatrónico portátil destinado a mejorar la seguridad de los ciclistas mediante el monitoreo del entorno y la gestión de alertas para prevenir accidentes. Utilizando sensores y tecnologías de visión artificial, el dispositivo detecta vehículos y objetos peligrosos, proporcionando alertas visuales que ayudan a los ciclistas a reaccionar a tiempo y evitar siniestros.es_ES
dc.description.tableofcontentsIntroducción 1.1. Descripción del problema 1.1.1.Formulación del problema 1.2. Justificación 1.3. Objetivos 1.3.1. Objetivo general 1.3.2. Objetivos específicos 1.4. Marco referencial o fundamentos teóricos 1.4.1. Antecedentes 1.4.1.1. Criterios de búsqueda y base de datos 1.4.1.2. Vigencia de la temática 1.4.1.3. Descripción de artículos (Últimos 5 años en la historia). 1.4.1. Marco teórico 1.4.1.1. Seguridad Vial. 1.4.1.1.1. Factores de riesgo en la seguridad vial. 1.4.1.1.2. Tecnologías de seguridad vial. 1.4.1.1.3. Mobile Sensing. 1.4.1.1.3. Sensores en dispositivos móviles. 1.4.1.2. Internet de las cosas (IoT) 1.4.1.2.1. Sensores en la IoT. 1.4.2.1. ¿Qué es una red neuronal? 1.4.2.2. ¿Qué métodos existen para entrena una red neuronal? 1.4.2.3. Entrenamiento de red neuronal y creación de base de datos. 1.4.2. Marco conceptual 1.4.2.1. Ciclistas. 1.4.2.1.1. Características y comportamientos 1.4.2.1.2. Factores de riesgo en la seguridad vial. 1.4.2.1.2. Medida de prevención y seguridad. 1.4.2.2. Tecnología de detección móvil 1.4.2.2.1 Definición y características. 1.4.2.2.2 Tipos de sensores utilizados. 1.4.2.3. Aprendizaje automático. 1.4.2.3.1 Definición y conceptos relacionado. 1.4.2.3.2 Tipos de algoritmos de aprendizaje automático. 1.4.2.3.3 Aplicaciones en la detección de objetos y seguridad vial 1.4.3 Marco Teórico Contextual 1.4.3.1. Sistemas Inteligentes. 1.4.3.2. Tipos de Sensores. 1.4.4.Marco legal 1.5. Metodología 1.5.1. Tipo de investigación 1.5.2. Línea y sublinea de grupo de investigación 1.5.3. Hipótesis de la investigación 1.5.4. Descripción metodológica 1.5.4.1. Descripción Metodológica 2. Presentación de resultados 2.1 Procesamiento de la información 2.2.1. Etapa para la detección 2.2.2. Etapa de visualización de alertas 2.3.1. Diseño Electrónico 2.4. Validar el funcionamiento mediante Pruebas piloto 2.4.1. Parámetros de las pruebas 3. Conclusiones 4. Recomendaciones Referencias bibliográficas Anexoses_ES
dc.format.extent92 páginas
dc.format.mimetypeapplication/pdfes_ES
dc.language.isospaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.titleSexto Sentido: Prototipo mecatrónica de monitoreo y gestión de alertas para un transporte preventivo en bicicletases_ES
dcterms.bibliographicCitationA.Peña, Garcia, D., Fierro, M., P.Pierro, & C.Balanguer. (2010). Sistema de Visión del Humanoide HOAP-3 para la Detección e identificación de objetos mediante librerías OpenCV. Madrid.es_ES
dcterms.bibliographicCitationAgarwal, V., Murali, N., & Chandramouli, C. (2009). Agarwal, V.; Murali, N.V.;es_ES
dcterms.bibliographicCitationAldea, I. A., & Martín, M. P. (2020). Análisis de algoritmos de detección de características de OpenCV en Raspberry Pi. Sevilla.es_ES
dcterms.bibliographicCitationAliyu, A., Kolo, J. G., Mikail, O. O., Agajo, J., Umar, B., & Aguagba, O. I. (2017). An Ultrasonic Sensor Distance Induced Automatic. 2017 IEEE 3rd International Conference on Electro-Technology for National Development (NIGERCON).es_ES
dcterms.bibliographicCitationArmengol i Voltas, E., Belanche Muñoz, L., Moreno Ribas, A., Gavaldà Mestre, R., Gimeno Illa, J. M., López Ibánez, B., Béjar Alonso, J., Martín Muñoz, M., & Cortés García, U. (1994). Aprendizaje automático. Universitat Politecnica de Catalunya. Iniciativa Digital Politecnicaes_ES
dcterms.bibliographicCitationArmengol i Voltas, E., Belanche Muñoz, L., Moreno Ribas, A., Gavaldà Mestre, R., Gimeno Illa, J. M., López Ibánez, B., Béjar Alonso, J., Martín Muñoz, M., & Cortés García, U. (1994).es_ES
dcterms.bibliographicCitationAcuerdo No 025 de 201 política publica de la bicicleta https://concejodepasto.gov.co/wp-content/uploads/2021/08/ACUERDO-025- 2021.pdfes_ES
dcterms.bibliographicCitationBagnato, J. I. (2020, August 21). Modelos de Detección de Objetos. Aprende Machine Learning. Retrieved August 10, 2023, from https://www.aprendemachinelearning.com/modelos-de- deteccion-de-objetos/es_ES
dcterms.bibliographicCitationBahlmann, C., Kloeden, H., & Martin, M. (2018). Driver observation and analysis to support automated driving in real traffic situations. IEEE Transactions on Intelligent Transportation Systems, 20(3), 964-974.es_ES
dcterms.bibliographicCitationBrownlee, J. (2019, February 27). How to use Learning Curves to Diagnose Machine Learning Model Performance - MachineLearningMastery.com. Machine Learning Mastery.es_ES
dcterms.bibliographicCitationCabrera Arana Gustavo, N. V. (2015). La década de acción en seguridad vial en Medellín, Colombia. Medellín.es_ES
dcterms.bibliographicCitationCao, Y., Zhu, X., Min, X., & Cao, J. (2021). Vehicle and pedestrian detection in intelligent transportation systems: A review. IEEE Transactions on Intelligent Transportation Systems, 22(3), 1421-1439.es_ES
dcterms.bibliographicCitationCervellini Maria Paula, E. G. (2011). Sistema de sustitución sensorial visual-táctil para invidentes empleando sensores infrarrojos. Mar de Plata.es_ES
dcterms.bibliographicCitationCódigo Nacional De Transporte Terrestre. (2022). Obtenido de https://leyes.co/codigo_nacional_de_transito_terrestre/94.htmes_ES
dcterms.bibliographicCitationChandramouli, C. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 10.es_ES
dcterms.bibliographicCitationData Science Team. (2020, May 2). Tipos del algoritmo de aprendizaje automático — DATA SCIENCE. data science. Retrieved August 10, 2023, from https://datascience.eu/es/aprendizaje-automatico/los-algoritmos-de- aprendizaje- automatico-mas-populares/es_ES
dcterms.bibliographicCitationDu, J., Zhang, X., & Wang, Y. (2021). Internet of Things-based smart transportation system: A comprehensive survey. IEEE Internet of Things Journal, 8(4), 2314-2334.es_ES
dcterms.bibliographicCitationFarfán, M. P. (2014). Diseño de dispositivo basado en ultrasonido para desplazamiento de personas en condición de discapacidad visual. Lima.es_ES
dcterms.bibliographicCitationGageik, N., Benz, P., & Montenegro, S. (2015). Gageik, Nils; Benz, Paul; Montenegro, Geesmann, Sergio, H., Hanne, G., Stauffer, A., & Stauffer, J. (1991). The dangers of digitization. Nuclear Instruments and Methods in Physics Research.es_ES
dcterms.bibliographicCitationGómez, R., Oñate, E., Sánchez, D., & Pardo, F. (2019). An overview of the use of machine learning techniques for road traffic signal control. IEEE Transactions on Intelligent Transportation Systems, 20(11), 4038-4050.es_ES
dcterms.bibliographicCitationGonzález, A., Espinoza, M. F., Elías, F. A., Limas, M. C., Meré, J. B., & Vergara, E. P. (2006). Técnicas y Algoritmos Básicos de Visión Artificial. Logroño.es_ES
dcterms.bibliographicCitationGonzález, C. P. (2016). Detección y seguimiento de objetos por colores en una plataforma Raspberry Pi. Madrid.es_ES
dcterms.bibliographicCitationGriñan, J. (2004). La Seguridad Vial Del Ciclista. Desarrollo sostenible.es_ES
dcterms.bibliographicCitationG, A. F., M, A., P, E., S, K., & J, V. K. (2019). Object Detection Using Ultrasonic Sensor. International Journal of Innovative Technology and Exploring Engineering.es_ES
dcterms.bibliographicCitationHassan, S., Jumari, M. Z., Sahari, M. A., Bahtiar, M. A., Jaafar, M. H., Nadir, M. A., . . . Ikhsan, M. S. (2021). S. Hassan;M. Z. I. Jumari;M. A. A. Sahari;M. A. M. Bahtiar;M. H. Jaafar;M. A. M. Nadir;M. S. M. Zakaria;M. S. Yusof;M. Ismon;H. Zakaria;M. A. Azmi;N. M. Yusof;M. S. Ikhsan. AIP Conference Proceedings.es_ES
dcterms.bibliographicCitationIglesias Rodríguez, E., García Zaballos, A., u Puig Gabarró, P., & Benzaqué, I. (2019). Inteligencia artificial Gran oportunidad del siglo XXI. Banco Interlatinoamericano de Desarrollo. https://publications.iadb.org/publications/spanish/document/Inteligencia- artificial-Gran-oportunidad-del-siglo-XXI-Documento-de-reflexion-y-propuesta-de- actuacion.pdfes_ES
dcterms.bibliographicCitationIBM. (2019). ¿Qué son las redes neuronales? IBM. Retrieved August 10, 2023, from https://www.ibm.com/es-es/topics/neural-networks Inoue, S., & Kumar, P. (2018). IoT-based smart city architecture: Real-time traffic monitoring and control system. Procedia Computer Science, 132, 984-993. P. O'Mahony, "Intelligent Transportation Systems (ITS) in Smart Cities," in Smart Cities IntechOpen, 2020. https://doi.org/10.5772/intechopen.90628.es_ES
dcterms.bibliographicCitationJocher, G., Waxmann, S., (2024, 24 de marzo), Comprehesive Guide to Ultralytics YOLOv5, Ultralytics YOLOv8 Docs Comprehensive Guide to Ultralytics YOLOv5 - Ultralytics YOLOv8 Docses_ES
dcterms.bibliographicCitationKeyence. (sf). Keyecnce. Obtenido de https://www.keyence.com.mx/ss/products/sensor/sensorbasics/photoelectric/info/ Keyence. (sf). Keyecnce. Obtenido de https://www.keyence.com.mx/ss/products/sensor/sensorbasics/proximity/feature/es_ES
dcterms.bibliographicCitationLa, F. (2019, May 2). Inteligencia artificial: ¿Cómo aprenden las redes neuronales? Microsoft Learn. Retrieved August 10, 2023, from https://learn.microsoft.com/es- es/archive/msdn- magazine/2019/april/artificially-intelligent-how-do-neural-networks- learnes_ES
dcterms.bibliographicCitationLaport-lopez, F., Serrano, E., Bajo, J., & Campbell, A. T. (2019, marzo 8). A review of mobile sensing systems, applications, and opportunities. https://link.springer.com/article/10.1007/s10115-019-01346- 1#citeases_ES
dcterms.bibliographicCitationLa Máquina Oráculo. Retrieved August 10, 2023, from https://lamaquinaoraculo.com/deep- learning/overfitting-y-generalizacion/es_ES
dcterms.bibliographicCitationLiao, C., Wu, F., & Wei, W. (2017). Human pose estimation for mobile robot perception using convolutional neural networks. Robotics and Autonomous Systems, 93, 46- 60.es_ES
dcterms.bibliographicCitationLijarcio, J. (2016). Contribución de las aplicaciones móviles a la Seguridad vial. Drive Smart como ejemplo de aplicación. Universidad de Valencia, España.es_ES
dcterms.bibliographicCitationLijarcio, J. (2016). Contribución de las aplicaciones móviles a la Seguridad vial. Drive Smart como ejemplo de aplicación. Universidad de Valencia, España.es_ES
dcterms.bibliographicCitationLota, L. F. (2021). Fallecidos y lesionados por siniestros viales.es_ES
dcterms.bibliographicCitationLucho. (2021). ¿Cuáles son las leyes o normas que protegen al ciclista en Colombia? Obtenido de https://igpsport.co/cuales-son-las-leyes-o-normas-que-protegen-al- ciclista-en-colombia/es_ES
dcterms.bibliographicCitationMathur, A., & Tuli, S. (2020). A Comprehensive Survey of Deep Learning: Architectures, Techniques, Applications and Tools. arXiv preprint arXiv:2005.01987.es_ES
dcterms.bibliographicCitationMartínez, S. D. (2021). Fallecidos y Lesionados por Siniestros Viales. Agencia Nacional de Seguridad Vial. https://ansv.gov.co/sites/default/files/2022- 03/boletin_mensual_nacional_diciembre_0.pdfes_ES
dcterms.bibliographicCitationMinisterio de Transporte Argentina. (2021, Febrero). ¿HACIA UNA MOVILIDAD SUSTENTABLE Y SEGURA? Dirección Nacional de Observatorio Vial Febrero 2021. Argentina.gob.ar. Retrieved August 8, 2023, from https://www.argentina.gob.ar/sites/default/files/ansv_estudio_movilidad_sustentabl e_y_se gura_2021.pdfes_ES
dcterms.bibliographicCitationMinsalud. (2020). Boletines poblacionales: Personas con Discapacidad. Bogotá: Minsalud.es_ES
dcterms.bibliographicCitationMoreno, C. S., Bravo, C. A., Rincón, J. S., Marin, C. E., & Gracias, P. A. (2020). Viabilidad de las redes neuronales en la detección de objetos. Revista Ibérica de Sistemas y Tecnologías de Información, 981-1000.es_ES
dcterms.bibliographicCitationMurdock, V., & Marsh, M. (2019). Bike commuting safety: A systematic review of the literature. Journal of Transport & Health, 15, 100606.es_ES
dcterms.bibliographicCitationMustapha, B., Zayegh, A., & Begg, R. K. (2012). Multiple Sensors Based Obstacle Detection System . 2012 4th International Conference on Intelligent and Advanced Systems.es_ES
dcterms.bibliographicCitationNoland, R. B., & Quddus, M. A. (2004). A spatially disaggregated analysis of road casualties in England. Accident Analysis & Prevention, 36(6), 973-984.es_ES
dcterms.bibliographicCitationNHTSA. (2022). Seguridad de las Bicicletas. NHTSA. Retrieved August 8, 2023, from https://www.nhtsa.gov/es/seguridad-vial/seguridad-de-las- bicicletases_ES
dcterms.bibliographicCitationOjeda, J. A., Morales, M. J., & Cruz, E. M. (2008). DETECCIÓN DE OBJETOS POR MEDIO DE ESCANEO ULTRASÓNICO.es_ES
dcterms.bibliographicCitationPáez, K. V. (2019). Reconstrucción de un entorno en tres dimensiones mediante el uso de kinect v.2. Reconstrucción de un entorno en tres dimensiones mediante el uso de kinect v.2. Universidad de Las Américas (Ecuador), Quito.es_ES
dcterms.bibliographicCitationPérez, V. F. (2017). ESTABLECIMIENTO DE PARÁMETROS DE RIESGO PARA LA SEGURIDAD DE ADELANTAMIENTO EN CARRETERAS CONVENCIONALES. Valencia, España.es_ES
dcterms.bibliographicCitationPérez, C. (2020, December 15). Seguridad para ciclistas: todo lo que necesitas saber. Journey Sports. Retrieved August 8, 2023, from https://journey.app/blog/seguridad- para-ciclistas/es_ES
dcterms.bibliographicCitationPrieto, Á. M. (2020). Detección de objetos con Tiny LOve 3 sobre Raspberry Pi 3. Sevilla.es_ES
dcterms.bibliographicCitationQuintana, A. F., Herrara, D. M., & Salazar, L. E. (2012). Sistema de visión artificial para conteo de objetos en movimiento. El Hombre y la Máquina, 87-101.es_ES
dcterms.bibliographicCitationRamos, F. R. (2020). Detección de objetos usando cámaras y sensores LIDAR. Puebla.es_ES
dcterms.bibliographicCitationRedmon, 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).es_ES
dcterms.bibliographicCitationRed Hat Team. (2023, January 20). ¿Qué es el Internet de las cosas (IoT) y cómo funciona? Red Hat. Retrieved August 10, 2023, from https://www.redhat.com/es/topics/internet- of- things/what-is-iotes_ES
dcterms.bibliographicCitationReinoso, C. R. (2019). Implementación De Un Bastón Plegable Electrónico Con Radar. Quito. Rodriguez, J. C., & Plate, D. E. (2012). Diseño e Implementación De un dispositivo Medidor de Distancias.es_ES
dcterms.bibliographicCitationRetrieved August 10, 2023, from https://machinelearningmastery.com/learning-curves- for-diagnosing-machine-learning-model-performance/es_ES
dcterms.bibliographicCitationRodríguez, R. (2020). Overfitting y generalización • Un artículo de La Máquina Oráculo.es_ES
dcterms.bibliographicCitationSantillán, E. G. (2008). Detección y clasificación de objetos dentro. Ciudad de Mexica.es_ES
dcterms.bibliographicCitationSecretaria De Bienestar Social. (2019). La Gran Capital. Obtenido de www.pasto.gov.coes_ES
dcterms.bibliographicCitationSzegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).es_ES
dcterms.bibliographicCitationUNIR La Revista. (s.f.). UNIR la universidad en internet. Obtenido de https://www.unir.net/ingenieria/revista/sistemas-inteligentes/es_ES
dcterms.bibliographicCitationUreña, J., Mazo, M., Garcı ́ a, J., Hernández, Á., Bueno, E. (1999). J. Ureña; M. Mazo; J.J. García; A. Hernández; E. Bueno. Microprocessors and Microsystems 23.es_ES
dcterms.bibliographicCitationValenzuela, J. (2013). Análisis de la Capacidad de Gestión. Bogotá, Colombia.es_ES
dcterms.bibliographicCitationWu, J., Wang, Q., Li, W., & Li, Y. (2021). Deep learning-based object detection for autonomous driving: A survey. Neural Networks, 144, 287-313.es_ES
dcterms.bibliographicCitationXiong, Y., Liu, H., Gupta, S., Akin, B., Bender, G., Wang, Y., Kindermans, P., Tan, M., Vikas Singh, & Cheng, B. (2021, Junio 25). MobileDets: Searching for Object Detection Architectures for Mobile Accelerators. Ieee. https://ieeexplore.ieee.org/document/9578555es_ES
dcterms.bibliographicCitationXu, C., Liu, H., & Chen, G. (2018). An intelligent transportation system for urban traffic management. IEEE Network, 32(2), 38-44.es_ES
dcterms.bibliographicCitationXu, W., Yan, C., Jia, W., Ji, X., & Liu, J. (2018). Xu, Wenyuan; Yan, Chen; Jia, Weibin; Ji, Xiaoyu; Liu, Jianhao. IEEE Internet of Things Journal.es_ES
dcterms.bibliographicCitationZhang, J., Zheng, Y., & Qi, D. (2019). Smart transportation systems: Recent advances and challenges. IEEE Access, 7, 77439-77453.es_ES
dcterms.bibliographicCitationZhang, Z., & Sclaroff, S. (2018). Single-shot refinement neural network for object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4203-4212).es_ES
datacite.rightshttp://purl.org/coar/access_right/c_abf2es_ES
oaire.resourcetypehttp://purl.org/coar/resource_type/c_7a1fes_ES
oaire.versionhttp://purl.org/coar/version/c_b1a7d7d4d402bccees_ES
dc.audiencePúblico generales_ES
dc.contributor.tutorLópez, Ángelo
dc.identifier.instnameUniversidad Marianaes_ES
dc.identifier.reponameRepositorio Clara de Asíses_ES
dc.publisher.placePasto - Nariñoes_ES
dc.publisher.sedeSede 1es_ES
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.ccAtribución 4.0 Internacional*
dc.rights.ccAtribución 4.0 Internacional*
dc.rights.ccAtribución 4.0 Internacional*
dc.subject.keywordsSEGURIDAD VIALes_ES
dc.subject.keywordsCICLISTAes_ES
dc.subject.keywordsPROTOTIPO MECATRÓNICOes_ES
dc.subject.keywordsMONITOREO DE RIESGOSes_ES
dc.subject.keywordsVISIÓN ARTIFICIALes_ES
dc.subject.keywordsSENSORESes_ES
dc.subject.keywordsAPRENDIZAJE AUTOMÁTICOes_ES
dc.type.driverinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.hasversioninfo:eu-repo/semantics/draftes_ES
dc.type.spaTesises_ES


Ficheros en el ítem

Thumbnail
Nombre:
RAI-IM-99.pdf
Tamaño:
17.42Kb
Formato:
PDF
Descripción:
RAI IM-99
Ver/
Thumbnail
Nombre:
IM-99 Sexto Sentido Prototipo ...
Tamaño:
1.282Mb
Formato:
PDF
Descripción:
Trabajo de Grado
Ver/
Thumbnail
Nombre:
license_rdf
Tamaño:
908bytes
Formato:
application/rdf+xml
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

http://creativecommons.org/licenses/by/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como http://creativecommons.org/licenses/by/4.0/