Red neuronal convolucional para control de activación y paro de un dispositivo electrónico

Mario Alexis Ibarra Yáñez; Mauricio Jesús Labastida Cuevas; Kevin Uriel Chávez Castro; David Tinoco-Varela; José de Jesús Morales Romero

Autores/as

Mario Alexis Ibarra Yáñez Facultad de Estudios Superiores Cuautitlán https://orcid.org/0009-0000-4600-1250
Mauricio Jesús Labastida Cuevas Facultad de Estudios Superiores Cuautitlán https://orcid.org/0009-0001-3838-8173
Kevin Uriel Chávez Castro Facultad de Estudios Superiores Cuautitlán https://orcid.org/0009-0007-5618-7213
David Tinoco-Varela Facultad de Estudios Superiores Cuautitlán https://orcid.org/0000-0002-1919-7451
José de Jesús Morales Romero Facultad de Estudios Superiores Cuautitlán https://orcid.org/0000-0001-8015-5739

Palabras clave:

Visión artificial, Redes neuronales convolucionales, Control inalámbrico

Resumen

Hoy en día, los sistemas de visión artificial han tomado gran relevancia en diversos tipos de sistemas, realizando tareas tales como detección de rostros, detección de objetos, mapeo, etc. Estos sistemas descansan sobre diferentes algoritmos y herramientas computacionales para su funcionamiento, tales como las redes neuronales convolucionales. En este artículo se presenta un sistema de visión artificial que ha sido entrenado para poder activar o desactivar un robot móvil mediante el uso de una red neuronal convolucional (CNN). Tiene la característica de que realiza un control inalámbrico por medio de Wi-Fi y la tarjeta ESP32-CAM. Uno de los principales aportes de este trabajo es que la CNN ha sido entrenada con una base de datos de creación propia y que se puede considerar pequeña, con la finalidad de identificar tres clases de salida (o de control): “pelota”, “stop” y “nada”. El funcionamiento general del sistema consiste en la captura de imágenes del entorno por medio de la ESP32-CAM. Los datos capturados se transmiten vía Wi-Fi a una estación de cómputo con MATLAB para el procesamiento mediante una CNN, posteriormente MATLAB envía la respuesta y la clasificación resultante nuevamente a la ESP32-CAM. En función de la respuesta, el dispositivo electrónico móvil es activado, desactivado o permanece inmóvil. Adicionalmente, se creó una interfaz gráfica que muestra los datos esenciales relacionados a la captura de imagen y la respuesta de la red neuronal. El sistema tuvo una eficacia entre el 85% y el 90% en su funcionamiento, lo que se considera una respuesta adecuada a un entrenamiento con una base de datos pequeña.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Almusawi, H. A., Al-Jabali, M., Khaled, A. M., Péter, K., & Géza, H. (2022, October). Self-driving robotic car utilizing image processing and machine learning. In IOP Conference Series: Materials Science and Engineering (Vol. 1256, No. 1, p. 012024). IOP Publishing.

Amer, K., Samy, M., Shaker, M., & ElHelw, M. (2021, January). Deep convolutional neural network based autonomous drone navigation. In Thirteenth International Conference on Machine Vision (Vol. 11605, pp. 16-24). SPIE.

Bojarski, M., Del Testa, D., Dworakowski, D., Firner, B., Flepp, B., Goyal, P., ... & Zieba, K. (2016). End to end learning for self-driving cars. arXiv preprint arXiv:1604.07316.

Cahyono, F. Y. A., Suharto, N., & Mustafa, L. D. (2022). Design and build a home security system based on an ESP32-CAM microcontroller with Telegram notification. Journal of Telecommunication Network (Jurnal Jaringan Telekomunikasi), 12(2), 58-64.

Coşkun, M., Uçar, A., Yildirim, Ö., & Demir, Y. (2017, November). Face recognition based on convolutional neural network. In 2017 International Conference on Modern Electrical and Energy Systems (MEES) (pp. 376-379). IEEE.

Elhattab, K., Abouelmehdi, K., & Elatar, S. (2023, October). New model to monitor plant growth remotely using ESP32-CAM and mobile application. In 2023 10th International Conference on Wireless Networks and Mobile Communications (WINCOM) (pp. 1-6). IEEE.

Jain, A. K. (2018, March). Working model of self-driving car using convolutional neural network, Raspberry Pi and Arduino. In 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA) (pp. 1630-1635). IEEE.

Lu, J., Tang, S., Wang, J., Zhu, H., & Wang, Y. (2019, June). A review on object detection based on deep convolutional neural networks for autonomous driving. In 2019 Chinese Control and Decision Conference (CCDC) (pp. 5301-5308). IEEE.

Naranjo-Torres, J., Mora, M., Hernández-García, R., Barrientos, R. J., Fredes, C., & Valenzuela, A. (2020). A review of convolutional neural network applied to fruit image processing. Applied Sciences, 10(10), 3443.

Prathapagiri, D., & Kosalendra, E. (2021). Wi-Fi door lock system using ESP32-CAM based on IoT. The International Journal of Analytical and Experimental Modal Analysis, 13(7), 2000-2003.

Raju, N., Navya, A., Koteswaramma, N., Mounika, B., & Rajeshwari, T. (2022). IoT-based door access control system using ESP32-CAM. International Journal of Engineering Inventions, 11(12), 9-15.

Rausch, V., Hansen, A., Solowjow, E., Liu, C., Kreuzer, E., & Hedrick, J. K. (2017, May). Learning a deep neural net policy for end-to-end control of autonomous vehicles. In 2017 American Control Conference (ACC) (pp. 4914-4919). IEEE.

Rusimamto, P. W., Endryansyah, L. A., Harimurti, R., & Anistyasari, Y. (2021). Implementation of Arduino Pro Mini and ESP32-CAM for temperature monitoring on automatic thermogun IoT-based. Indonesian Journal of Electrical Engineering and Computer Science, 23(3), 1366-1375.

Sadeghi Esfahlani, S., Sanaei, A., Ghorabian, M., & Shirvani, H. (2022). The deep convolutional neural network role in the autonomous navigation of mobile robots (SROBO). Remote Sensing, 14(14), 3324.

Sainath, V., & Reddy, S. (2021, August). Deep learning for autonomous driving system. In 2021 Second International Conference on Electronics and Sustainable Communication Systems (ICESC) (pp. 1744-1749). IEEE.

Sakhare, K. V., Tewari, T., & Vyas, V. (2020). Review of vehicle detection systems in advanced driver assistant systems. Archives of Computational Methods in Engineering, 27(2), 591-610.

Sanango Tufiño, A. A. (2022). Desarrollo de un sistema de visión artificial basado en redes convolucionales para la detección de las señales de tránsito implementado sobre un vehículo autónomo.

Seth, A., James, A., & Mukhopadhyay, S. C. (2020). 1/10th scale autonomous vehicle based on convolutional neural network. International Journal on Smart Sensing and Intelligent Systems, 13(1), 1-17.

Shoeb, M., Ali, M. A., Shadeel, M., & Bari, D. M. A. (2022). Self-driving car using OpenCV2 and machine learning. The International Journal of Analytical and Experimental Modal Analysis.

Williams, H. A., Jones, M. H., Nejati, M., Seabright, M. J., Bell, J., Penhall, N. D., ... & MacDonald, B. A. (2019). Robotic kiwifruit harvesting using machine vision, convolutional neural networks, and robotic arms. Biosystems Engineering, 181, 140-156.