Jorge Enrique Luna-Taylor

El fitoplancton es un microorganismo marino que aporta mas del 50 % del oxígeno del planeta y constituye el eslabón primario en las cadenas tróficas marinas. Sin embargo, la actividad antropogénica ha generado el vertido de grandes volúmenes de contaminantes en los océanos, alterando la abundancia y distribución de estos organismos, en un contexto donde aún se desconoce la magnitud de su relación con el cambio climático. Con el objetivo de aportar herramientas para abordar esta problemática, en este trabajo se desarrollo un modelo computacional basado en redes neuronales artificiales para predecir la concentración de biomasa fitoplanctónica (clorofila-a) a partir de variables fisicoquímicas y físicas. El modelo fue entrenado con datos de la plataformaCopernicus Marine Service, correspondientes al Pacifico Tropical Oriental frente a Perú. Los resultados muestran un excelente desempeño, con una precisión del 98.5 %, un coeficiente de determinación (R2) de 0.9994, un error cuadrático medio de 0.0005 µmol/m2 y un error absoluto medio de 0.0100 µmol/m2. Estos resultados confirman la efectividad del modelo propuesto, cumpliendo con el objetivo planteado y ofreciendo una herramienta útil para el monitoreo ambiental marino.

This article presents the control of a mobile robot for the recognition and collection of plastic bottles applying artificial intelligence techniques. The robot was equipped with a mechanical arm with six degrees of freedom, on which two video cameras were mounted, so that the vertical movement of the arm allows changing the orientation of the cameras. In this way, it is possible to locate nearby and distant bottles, and not lose sight of them while the robot moves towards them. To recognize the bottles, a convolutional neural network was trained. To approach the bottles and collect them, a diffuse system was designed. The results show an accuracy of 95.3% in the recognition of the bottles and 87% in the approximation and collection process, with an average time of 43 seconds.

Las cámaras de seguridad y los sistemas de videovigilancia se han convertido en infraestructuras sumamente importantes para garantizar la seguridad de los ciudadanos. Sin embargo, el problema de inseguridad sigue en crecimiento debido en gran parte al fácil acceso a armas de fuego tipo pistola, la detección temprana de este tipo de armas es de suma importancia para ayudar a prevenir accidentes. El objetivo de este trabajo es implementar un sistema de visión estereoscópica que sea capaz de detectar en tiempo real este tipo de objetos con alta confianza ademas de lograr definir la distancia a la que se encuentra dicho objeto. Para dicha detección se implementó una arquitectura de redes neuronales convolucionales (CNN) con un algoritmo tipo YOLO, empleando aprendizaje transferido, junto con un algoritmo para la estimación estereoscópica de la distancia. El sistema presentado funciona con un valor de Intersección sobre unión (IoU) de 0.6 en el cual el se logró una precisión de 92.2 % además, el error promedio detectado en la estimación de distancia hasta un máximo de 3 metros es de 9.3 centimetros.

La agricultura en México enfrenta importantes desafíos en el área del agua. Una alternativa para enfrentar este problema es la implementación de técnicas agrícolas modernas que permitan métodos de agricultura de precisión en invernaderos que puedan producir durante todas las estaciones del año y con un uso más eficiente del agua. Para ello son necesarios sistemas inteligentes que permitan monitorear y controlar los recursos para el crecimiento de las plantas de acuerdo a las condiciones que presenten. Este artículo describe el diseño y entrenamiento de una red neuronal convolucional (CNN) para detectar el grado de deshidratación de plantas de lechuga romana a través de imágenes. Los experimentos muestran una precisión y sensibilidad del modelo del 83% en la identificación del nivel de deshidratación y del 98,8% en ambas métricas, considerando una tolerancia de más/menos un nivel de diferencia con respecto al real.

En la actualidad, la computación y la robótica están presentes en casi todos los aspectos de nuestra vida, desde los juegos de video hasta los sistemas de producción industrial y alimentaria. El rápido avance de estas tecnologías se debe principalmente al intercambio de información y conocimiento entre los diferentes sectores involucrados en su desarrollo. Sin embargo, en dichas disciplinas, todavía hay grandes retos teóricos y prácticos por resolver. Por todo lo anterior es importante contar con foros y publicaciones especializadas, donde converjan los expertos de diferentes áreas de conocimiento, que les permitan compartir sus experiencias, debatir ideas, crear vínculos y proponer soluciones a los principales problemas que se enfrentan. Con ese propósito, El Instituto Tecnológico de La Paz (ITLP) en colaboración con la revista PÄDI presentan este Número Especial sobre Avances y Perspectivas en Computación y Robótica. En el presente número especial se seleccionaron 28 artículos cuyos principales tópicos son: Reconocimiento de patrones Inteligencia artificial Teoría de control Robótica Ingeniería de software Redes de computadoras Programación Genética Criptografía Instrumentación Procesamiento de señales Visión artificial

En México, las áreas de robótica y computación han tenido un impulso importante en su desarrollo, donde numerosas aplicaciones emanadas de estas áreas han beneficiado a la industria, el medio ambiente y a la sociedad en general. Por lo tanto, la difusión de los avances recientes en robótica y computación de nuestro país, y de otras partes del mundo, tanto con especialistas del área como con el público en general, representa una excelente oportunidad para lograr una realimentación con nuestro entono social, educativo e industrial. Por tal motivo, el Número Especial de la revista Pädi dedicado a la Robótica y Computación es una valiosa oportunidad para difundir el conocimiento generado por miembros destacados de la comunidad científica y tecnológica en dichas áreas. La revista Pädi ofrece su contenido en forma de acceso abierto, gracias al apoyo de la Universidad Autónoma del Estado de Hidalgo (UAEH), y se ha posicionado como una excelente opción para publicar trabajos innovadores y del interés de la comunidad científica en diferentes campos de la ciencia.La colaboración iniciada entre el Instituto Tecnológico de La Paz (ITLP) y la UAEH, ha sido exitosa y prueba de ello es la publicación del presente número especial, gracias a la generosa invitación del Dr. Raúl Villafuerte Segura, Editor en Jefe de esta revista. Sin lugar a dudas, éste constituye un primer paso para continuar trabajando en futuros números especiales. Más aún, existe interés en continuar la difusión de futuras aportaciones en estos temas de investigadores y estudiantes de diferentes centros de investigación e instituciones de nivel superior del país, con la generación de un número especial cada año por parte del ITLP en la revista Pädi. Con respecto a los artículos presentados en este número especial, luego de un proceso de revisión arbitrado por un comité editorial, se seleccionaron un total de veintisiete artículos para el presente número especial, los cuales abordaron los siguientes tópicos: Visión artificial. Técnicas heurísticas. Sistemas de control. Procesamiento de señales. Reconocimiento de patrones. Mecatrónica. Ingeniería de software.

En este trabajo, se propone el diseño y construcción de un prototipo de robot autónomo para el reconocimiento de botellas de plástico, aplicando una estrategia de segmentación semántica, a través de redes neuronales convolucionales. Así mismo, se propone el diseño de un sistema de navegación basado en lógica difusa, para lograr que el robot se aproxime a las botellas identificadas. Los experimentos se realizaron en un ambiente controlado, alcanzando un 96.6% de precisión en las pruebas de reconocimiento, mientras que en las pruebas de navegación, el robot alcanzó en todos los casos la posición de las botellas identificadas.

La conservación de ecosistemas en zonas costeras debe contemplarse dentro de un marco sustentable con las actividades antropogénicas. Es relevante cuantificar el impacto que generan agentes externos, por lo que el objetivo de este trabajo es implementar un método para el monitoreo de la degradación en superficie de playa y vegetación litoral adyacente. Fueron recabadas capturas de imágenes aéreas de zonas costeras protegidas, obtenidas periódicamente mediante un vehículo drone. Se integró un dataset que contempla todas las fases estacionales y distingue 5 clases para su monitoreo: Mangle, vegetación rastrera, arena, mar y cerro-planicie. Para la segmentación semántica se implementaron y compararon distintas arquitecturas de redes neuronales convolucionales (CNN) empleando aprendizaje transferido. Los resultados han sido robustos en la clasificación, alcanzando una precisión global del 93.9% y entre 89.9-95.8% en las clases individuales. En la métrica Intersección sobre Unión, IoU, el rango fue entre 86.6-92.7%. En la detección de cambio son utilizadas series temporales para el monitoreo de clases. Este método ha sido aplicado al caso de estudio de la playa Ensenada Grande en el Parque Nacional Archipiélago Espíritu Santo.

En este proyecto, se presenta un sistema de reconocimiento y clasificación de objetos que se encuentran en su entorno, para un robot de asistencia, así como la estimación de la posición relativa de estos con respecto al robot. Para el reconocimiento y clasificación de los objetos, se aplicaron técnicas de visión artificial basadas en herramientas de segmentación semántica, como son redes neuronales convolucionales. Para la estimación de la posición relativa de los objetos, una vez identificados, se implementó una técnica de visión estereoscópica. Los resultados de los experimentos muestran un 90.6% de precisión en el reconocimiento y clasificación, y un error medio de 5 cm al estimar la posición relativa de los objetos.

Analysis of DNA microarray data has been very useful for experimental molecular biology, as it provides unprecedented opportunities to study a wide variety of biological processes. As a part of this analysis, biclustering has been consolidated as one of the first steps in the discovery of new knowledge. Biclustering consists in identifying clusters of genes that present coherent behavior patterns for a subset of experimental conditions. The measure to assess this consistency is a key factor in the quality of discovered biclusters. In this paper, we propose a new function (VF) to evaluate the coherence of biclusters. This function recognizes shifting, and positive and negative scaling patterns, more efficiently than well-known reported functions with a similar purpose. Also, the VF function identifies positive and negative scaling subpatterns, which may be of biological interest and have not previously been discussed in the literature. To assess the performance of the VF function, a biclustering genetic algorithm (BGA_VF) was also designed, and tested on both synthetic and real data. The results show that the BGA_VF algorithm obtains high percentages of significant biclusters and recognizes all the analyzed combinations of coherence patterns.