jueves, 1 de octubre de 2015

Prototipo 2

Un nuevo miembro se une al proyecto esta vez se trata de RAPTOR , a diferencia de KEA es un prototipo mas pequeño que permite mejor su movilización  :) . (A diferencia de KEA que para transportarlo se necesitaba del carro jajajajaj ).

Bueno a lo que vamos, Ahora con este nuevo prototipo se pretende efectuar algunas pruebas con el software en el que se ha estado trabajando.

Como se trata de un quad-copter , hemos aumentado el tiempo de vuelo, aunque utilizamos similares motores para este prototipo, el peso se redujo y se lo adecuo con 2 baterías de litio de 5200mah.

Aun se esta testeando el desempeño del vuelo autónomo por que hay algunas fluctuaciones con el GPS .


Tuvimos que visitar el Campus Party por algunas razones y decidimos llevar para trastear un poco.


Comenzamos a calibra ESC  en la primera noche y a ver si podemos  levantar vuelo antes que amanezca.













jueves, 2 de julio de 2015

Grupo de desarrollo enfocado a la construcción y comercialización de drones.

Áreas de operación:
  • Inspección de infraestructuras 
  • Topografía 
  • Gestión de riesgos 
  • Desastres naturales (incendios, etc.) 
  Exploración de lugares de difícil acceso: 
  • Cuevas
  • Precipicios, etc. 
  Monitorización de sistemas de energía eólica
  Filmación de películas y fotografía deportiva
  Control medioambiental 
  Localización de bancos de pesca
  Caza y control de caza
  Investigación de la vida salvaje
  Medios de comunicación y entretenimiento 
  Agricultura, Industria.

  Movilidad y Tráfico Control y análisis de multitudes: 
  • Manifestaciones
  •  Conciertos, etc. 
  Seguridad.
  • Monitoreo de edificios
  • Control de áreas restringidas
  • Seguimiento de vehículos
  • Reconocimiento de placas
  • Monitoreo de tráfico vehicular
  • Respuesta a alarmas.

miércoles, 1 de julio de 2015

Pruebas pre-eliminares: Detección de movimiento de personas

Hemos realizado pruebas de detección de movimiento de personas, usando OpenCv y Python utilizando haarcascades y el método HOG, que consiste en un conjunto de características adecuadas para la detección de personas llamado Histogram of Oriented Gradients (HOG) este método se basa en evaluar histogramas locales normalizados de una imagen de gradientes orientados.  

Prueba 1.

Prueba 2

Prueba 3

martes, 30 de junio de 2015

Primeras pruebas: Detección de incendios


Imagen 1. Regiones oscuras "blob detection".
El método empleado para detectar este tipo de incendios se denomina "blob detection".

Este método consiste en un grupo de pixeles conectados en una imagen que comparten alguna propiedad. En la imagen según el método, la región oscura, corresponde a las regiones denominadas "blobs". 

Estas regiones son las de interés las que posteriormente se marcarán. Estos son algunos de los resultados obtenidos, del procesamiento de imágenes realizado.

Imagen 2. Prueba 1.

Imagen 3. Prueba 2.

[1] Detection blob. [En línea]. Disponible: <http://www.learnopencv.com/blob-detection-using-opencv-python-c/>. [Consulta del 30-06-2015].

Primeras pruebas de Detección y conteo de Vehículos


Empleando herramientas como la librería de procesamiento de imágenes opencv en Python, realizamos nuestras primeras pruebas empleando a KEA para grabar el tráfico vehicular.

Prueba 1.

Prueba 2.
El método consiste en un clasificador Haar, método desarrollado por Viola y Jones. Es un clasificador basado en árboles de decisión con entrenamiento supervisado. El entrenamiento se realiza determinando una serie de características basadas en sumas y restas de los niveles de intensidad de la imagen. Basándonos en estas características locales podemos obtener un detector de objetos robusto. También se denominan estos clasificadores mediante el nombre de cascada, ya que el resultado del clasificador es el fruto de varios clasificadores más simples o etapas [1].


[1] Clasificador Haar. Disponible. [En línea]. Disponible: <http://www.navasdesign.com/2013/04/16/clasificador-haar/>.  Consulta del [30-06-2015]

sábado, 30 de mayo de 2015