Implementación de un sistema de imágenes y envío de mensajes por audio, utilizando Raspberry pi 3, para personas con discapacidad visual leve en un centro de rehabilitación en la ciudad de Lima-2024

• Autor: Allcca Castillo, Christian Jesus
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/10146
• Enlace del recurso: https://hdl.handle.net/20.500.12867/10146
• Nivel de acceso: acceso abierto
• Materia: Raspberry; Cámara Pi; Tensorflow; COCO-SSD; https://purl.org/pe-repo/ocde/ford#2.02.01

En este proyecto de investigación, se desarrolla un prototipo destinado a asistir a personas con baja visión mediante la captura de imágenes a través de una cámara conectada a una Raspberry Pi. El usuario utiliza gafas que integran dicha cámara, cuyas imágenes son procesadas por una Raspberry Pi 3. Además, se incluyen audífonos que emiten mensajes pregrabados para alertar al usuario sobre la presencia de objetos cercanos. Este procesamiento ocurre en tiempo real y de forma continua. El objetivo principal del prototipo es analizar y detectar objetos. Para ello, se configura la Raspberry Pi 3 de manera que habilite la cámara, y las imágenes obtenidas se procesan mediante la plataforma TensorFlow, que se encarga de la detección de objetos. Aunque inicialmente se usa la biblioteca Matplotlib, por su complejidad se opta por utilizar OpenCV, que ofrece una mayor accesibilidad y facilidad de uso. La Raspberry Pi 3 se coloca en el cinturón del usuario y se conecta a una batería, junto con un cable de un metro que conecta la cámara Pi. Los audífonos se conectan al puerto de audio, y al encender el sistema, este comienza a procesar y validar las imágenes, detectando objetos dentro de un rango estimado de manera continua. Los resultados muestran que los objetos capturados en condiciones de buena iluminación son detectados con mayor precisión (97.22%) en comparación con aquellos en condiciones de poca luz (84.72%). Se concluye, por tanto, que el prototipo es más efectivo en entornos bien iluminados para la detección de objetos.