����������������������������������������������������������������������������������

 

Implementaci�n de inteligencia artificial en la ense�anza de conceptos f�sico-matem�ticos de educaci�n secundaria para la localizaci�n de cuerpos en el contexto educativo

 

Implementation of artificial intelligence in the teaching of physical-mathematical concepts in secondary education for the location of bodies in the educational context

 

Implementa��o da intelig�ncia artificial no ensino de conceitos f�sico-matem�ticos no ensino secund�rio para localiza��o de corpos no contexto educativo

 

 

 

 

 

 

 

 

 

 

Correspondencia: crisfer29@hotmail.es

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

* Recibido: 11 de enero de 2024 *Aceptado: 20 de febrero de 2024 * Publicado: �10 de marzo de 2024

 

        I.            Mag�ster en Gesti�n Educativa, Docente de Educaci�n B�sica en la Unidad Educativa Luis. A Mart�nez, Tungurahua, Ecuador.

      II.            Mag�ster en Gesti�n Educativa, Docente de Educaci�n B�sica en SERCAPO EDUCATIVO, Tungurahua, Ecuador.

   III.            Licenciada en Ciencias de la Educaci�n Menci�n Parvulario, Docente de Educaci�n Inicial en la Unidad Educativa Uni�n Orense, Sucumb�os, Ecuador.

   IV.            Licenciada en Ciencias de la Educaci�n B�sica, Docente Lengua y Literatura, Matem�ticas, Estudios Sociales, Ciencias Naturales, Ingl�s, Educaci�n Art�stica, Animaci�n a la Lectura en la Unidad Educativa Uni�n Orense, Sucumb�os, Ecuador.

 

Resumen

Este estudio, enmarcado en el �mbito educativo de la educaci�n secundaria y superior, tuvo como objetivo principal desarrollar un algoritmo respaldado por inteligencia artificial para ampliar la separaci�n entre objetos mediante el uso de una c�mara Kinect. La investigaci�n adopt� un enfoque positivista de car�cter exploratorio y descriptivo, respaldado por un dise�o cuasi experimental. Se llevaron a cabo 150 pruebas y 45 ensayos para evaluar y analizar los resultados, empleando un software especializado en inteligencia artificial. A trav�s de la generaci�n de ubicaciones vectoriales basadas en la distancia del objeto, se logr� guiar cada posici�n de manera efectiva. Los resultados destacan que el algoritmo demostr� una capacidad exitosa para estimar la distancia entre cuatro objetos, alcanzando una precisi�n del 94,7% en la imagen procesada. Adem�s, se determin� que la distancia al objeto puede estimarse con precisi�n utilizando �nicamente una c�mara, con un error medio del 0,97% y una desviaci�n est�ndar del 0,1%. Los errores obtenidos revelan un error medio del 1,00% y una desviaci�n est�ndar del 2,24%. Esta consistencia en los resultados respalda la eficacia del algoritmo SURF para la detecci�n y estimaci�n de la distancia de objetos, especialmente en aplicaciones rob�ticas. La elecci�n de utilizar una sola c�mara por parte del robot no solo contribuir� a reducir los costos de fabricaci�n, sino que tambi�n simplificar� la instalaci�n y disminuir� la probabilidad de errores asociados a variables externas que puedan afectar la calidad de las im�genes capturadas. En este contexto, se resalta la aplicaci�n de estrategias pedag�gicas para facilitar la comprensi�n y aplicaci�n de conceptos relacionados con inteligencia artificial y tecnolog�as de visi�n en el �mbito educativo.

Palabras calve: Distancia; Posici�n; C�mara; Vectores.

 

Abstract

This study, framed in the educational field of secondary and higher education, had as its main objective to develop an algorithm supported by artificial intelligence to expand the separation between objects through the use of a Kinect camera. The research adopted a positivist approach of an exploratory and descriptive nature, supported by a quasi-experimental design. 150 tests and 45 trials were carried out to evaluate and analyze the results, using software specialized in artificial intelligence. Through the generation of vector locations based on the distance of the object, each position was effectively guided. The results highlight that the algorithm demonstrated a successful ability to estimate the distance between four objects, reaching an accuracy of 94.7% in the processed image. Furthermore, it was determined that the distance to the object can be accurately estimated using only one camera, with a mean error of 0.97% and a standard deviation of 0.1%. The errors obtained reveal a mean error of 1.00% and a standard deviation of 2.24%. This consistency in results supports the effectiveness of the SURF algorithm for object detection and distance estimation, especially in robotic applications. Choosing to use a single camera by the robot will not only help reduce manufacturing costs, but will also simplify installation and reduce the probability of errors associated with external variables that may affect the quality of the images captured. In this context, the application of pedagogical strategies is highlighted to facilitate the understanding and application of concepts related to artificial intelligence and vision technologies in the educational field.

Keywords: Distance; Position; Camera; Vectors.

 

Resumo

Este estudo, enquadrado na �rea educativa do ensino secund�rio e superior, teve como principal objetivo desenvolver um algoritmo apoiado em intelig�ncia artificial para ampliar a separa��o entre objetos atrav�s da utiliza��o de uma c�mara Kinect. A pesquisa adotou uma abordagem positivista de natureza explorat�ria e descritiva, apoiada em um desenho quase-experimental. Foram realizados 150 testes e 45 ensaios para avalia��o e an�lise dos resultados, utilizando software especializado em intelig�ncia artificial. Atrav�s da gera��o de localiza��es vetoriais com base na dist�ncia do objeto, cada posi��o foi efetivamente guiada. Os resultados destacam que o algoritmo demonstrou capacidade bem-sucedida de estimar a dist�ncia entre quatro objetos, atingindo uma precis�o de 94,7% na imagem processada. Al�m disso, foi determinado que a dist�ncia at� o objeto pode ser estimada com precis�o usando apenas uma c�mera, com erro m�dio de 0,97% e desvio padr�o de 0,1%. Os erros obtidos revelam um erro m�dio de 1,00% e um desvio padr�o de 2,24%. Esta consist�ncia nos resultados apoia a efic�cia do algoritmo SURF para detec��o de objetos e estimativa de dist�ncia, especialmente em aplica��es rob�ticas. Optar pela utiliza��o de uma �nica c�mera pelo rob� n�o s� ajudar� a reduzir os custos de fabrica��o, mas tamb�m simplificar� a instala��o e reduzir� a probabilidade de erros associados a vari�veis ​​externas que podem afetar a qualidade das imagens capturadas. Neste contexto, destaca-se a aplica��o de estrat�gias pedag�gicas para facilitar a compreens�o e aplica��o de conceitos relacionados � intelig�ncia artificial e �s tecnologias de vis�o no campo educacional.

Palavras-chave: Dist�ncia; Posi��o; C�mera; Vetores.

 

Introducci�n

A lo largo de la historia, el uso de algoritmos ha sido una pr�ctica arraigada en la mente humana, surgiendo como respuesta a la necesidad de abordar tareas comunes o repetitivas. Desde los d�as de nuestros ancestros, quienes idearon estrategias para obtener alimentos y asegurar su supervivencia, hasta la actualidad, donde la inteligencia artificial (IA) basada en algoritmos ha cobrado una creciente relevancia en el �mbito educativo.

En tiempos antiguos, el ser humano empleaba rudimentarios algoritmos al cazar, utilizando herramientas como palos y piedras para satisfacer sus necesidades b�sicas. La b�squeda y combinaci�n de elementos como un palo s�lido y una piedra de proporciones espec�ficas, peso adecuado y resistencia suficiente representaban operaciones algor�tmicas que ofrec�an soluciones a sus retos diarios.

En la actualidad, seg�n P�rez et al. (2023), la inteligencia artificial se integra cada vez m�s en la educaci�n, permitiendo experiencias de aprendizaje personalizadas. Este enfoque adaptativo se ajusta al ritmo individual de cada estudiante, identificando sus fortalezas y debilidades para proporcionar contenido espec�fico que satisfaga sus necesidades �nicas. De acuerdo con Korvalan (2018), la inteligencia artificial se manifiesta a trav�s de tutoriales virtuales, chatbots y asistentes virtuales, ofreciendo respuestas a preguntas frecuentes y asistencia en la resoluci�n de problemas, disponibles las 24 horas del d�a para brindar ayuda cuando se requiere.

Fern�ndez et al. (2016) se�alan que la inteligencia artificial tambi�n posibilita la automatizaci�n de procesos de evaluaci�n, garantizando resultados r�pidos y precisos. Adem�s, permite el an�lisis de las reacciones de los estudiantes, identificando posibles dificultades y ajustando las instrucciones en consecuencia. Algoritmos espec�ficos, como SIF, SURF y ORB, se destacan por su capacidad para detectar puntos caracter�sticos en im�genes, siendo particularmente confiables en la detecci�n de objetos (Lee et al., 2015) (Reza & Farshad, 2012) (Hu et al., 2012) (Minglei & Shudong, 2014). En este estudio, se ha optado por el algoritmo SURF debido a su robustez en la generaci�n de puntos de objetos, y por ende, en la detecci�n eficiente de objetos (Romero Cortijo & Cazorla Quevedo, 2009) (Garc�a et al., 2012). El algoritmo de navegaci�n, desarrollado por Herbert Bay en 2006, constituye una evoluci�n potente y libre de patentes basada en el algoritmo SIFT (Bay et al., 2008). Este innovador enfoque para la detecci�n de puntos de inter�s en im�genes garantiza invariancia de escala, copiando la imagen para encontrar puntos en todas las copias. Para lograr la detecci�n eficiente de puntos clave, el algoritmo utiliza un Hessiano para identificar puntos de inter�s, determinar su ubicaci�n y escala, y un filtro de caja para aproximar la derivada parcial de segundo orden de un filtro gaussiano, integrando la imagen para una evaluaci�n m�s r�pida. Los puntos caracter�sticos generados por este algoritmo pueden combinarse con puntos clave de otra imagen, produciendo correspondencias entre ambas (Maga�a, Atoche y Canche, 2015).

Las operaciones clave del algoritmo SURF abarcan la generaci�n de m�ltiples im�genes para c�lculos eficientes, la creaci�n de un espacio escalar mediante la aproximaci�n de la segunda derivada de Gauss, la ubicaci�n de puntos clave y la orientaci�n de tareas (Andrade Moreira, 2015).

En la actualidad, se han implementado t�cnicas para el posicionamiento de sistemas rob�ticos mediante visi�n por computadora, que incluyen el uso de marcadores de referencia fijos en el terreno, modelos de objetos, mapas y construcci�n de mapas basados en atributos observados (Gamero, 2007). La integraci�n de brazos rob�ticos con sistemas de visi�n por computadora permite llevar a cabo tareas no repetitivas y facilita el desarrollo de robots humanoides (Zavala et al., 2012) (Gonz�lez, et al., 2001) (Hernand�z, 2001) (Prietoa et al, 2010).

En la estimaci�n de la distancia entre la c�mara y el objeto, se han ideado algoritmos que comparan el �rea de la imagen est�ndar (con la distancia de disparo de la c�mara conocida) con el �rea del objeto expuesto (Akhlaq et al., 2015). Este trabajo propone determinar la distancia del objeto a la c�mara utilizando como referencia los dos p�xeles caracter�sticos correspondientes a cada imagen y calcular la distancia euclidiana entre los puntos.

La distancia euclidiana se define como la distancia existente entre dos p�xeles etiquetados como I₁(x_a,y_a) = D₁rI₂(x_a2,y_a2) de acuerdo a (1) D

 

Metodolog�a

La ejecuci�n de esta investigaci�n se gui� por un enfoque positivista con un car�cter exploratorio y descriptivo, adoptando un dise�o cuasi experimental. Con el objetivo de obtener resultados de relevancia, se llevaron a cabo un total de 150 pruebas y 45 ensayos. La evaluaci�n y an�lisis de los datos se efectuaron empleando un software especializado en inteligencia artificial. Durante este proceso, se crearon localizadores mediante posicionamientos vectoriales, utilizando la distancia del objeto como referencia para orientar cada posici�n. Este enfoque metodol�gico riguroso permiti� abordar la investigaci�n de manera sistem�tica y obtener resultados significativos en el �mbito estudiado.

 

Resultados

Se capturaron im�genes perpendiculares a la c�mara, tomando un total de 26 fotograf�as de cada sujeto de prueba a diversas distancias de la misma. La distancia para cada toma fue de 25 mm, partiendo de una distancia inicial de 180 mm y una altura de 805 mm.

 

Figura 1: Prototipo de montaje de del sistema de medici�n f�sico matem�tica

 

Para determinar la imagen de referencia �ptima para la detecci�n de cada objeto de prueba, se calcularon vectores descriptores de imagen para cada objeto y se compararon con los vectores descriptores de im�genes capturadas a distancias de 18,0 cm, 40,5 cm y 80,0 cm del mismo objeto analizado. En la Figura 3, se presentan los resultados emparejados de las 26 im�genes por objeto, incluyendo las capturadas a 18,0 cm, 40,5 cm y 80,0 cm del mismo objeto.

Se observ� que es m�s eficaz utilizar im�genes tomadas a la mitad de la distancia m�xima a la que estuvo expuesto el sujeto. Esta elecci�n aumenta la probabilidad de calcular con precisi�n la distancia del objeto a la c�mara, ya que la cantidad de puntos de objeto detectados por SURF tiende a disminuir a medida que la distancia aumenta o se acerca despu�s de tomar la imagen de referencia. En la Figura 4 se puede observar el esquema de la estructura utilizada y la ejemplificaci�n de c�mo se realizaron las capturas de las   y las  , las distancias euclidianas de los pares de puntos caracter�sticos (kp) de las  y las  .

Considerando dos im�genes, una  y una  , y utilizando el algoritmo SURF se obtiene el conjunto de todos los puntos caracter�sticos emparejados de la  , y la imagen del entorno  es:

(2)

(3)

Para , donde  es el n�mero total de puntos caracter�sticos emparejados (Kpdmm).

De los conjuntos de  y  formamos todas las combinaciones posibles de tomados de dos en dos para cada conjunto. Form�ndose dos nuevos conjuntos, con un total de   pares correspondientes.

 

Figura 2:� Emparejamiento de las con las �, a) objeto 1, b) objeto 2, c) objeto 3, d) objeto 4

 

(4)

Para cada combinaci�n formada se calcula la distancia euclidiana, en la Figura 5 se observa a modo de ejemplo, una combinaci�n de dos kp en la  , y su respectivo par en la  .

Donde  es la distancia euclidiana del par de kp de la  es la distancia euclidiana del par de kp de la  . Por lo que, los conjuntos de todas las distancias euclidianas calculadas en ambas im�genes son:

(5)

(6) ]

En la figura 3 se observa que   donde:

Distancia euclidiana de los puntos caracter�sticos de la imagen de referencia.

�Distancia euclidiana de los puntos caracter�sticos de la imagen del entorno.

Distancia f�sica calculada, de la c�mara al objeto de prueba para la imagen del entorno.

Figura 3: Representaci�n de la captura de: a) �y b)

 

El valor de la �y  pueden ser conocidas con la ecuaci�n (1) y  es conocida al realizar la captura de la  . Para la d_jit se calcula utilizando:

(7)

Con el conjunto de distancias  se calcula la mediana cuyo valor ser� la distancia estimada del objeto.

(8)

Para la estimaci�n de la distancia de los objetos de prueba a la c�mara se realiz� el emparejamiento de 26 im�genes tomadas de manera vertical a 25mm de diferencia una de otra. Se utiliz� como  la imagen capturada a una distancia de 40.5cm de cada objeto de prueba.

En la secuencia de los resultaos se puede observar que con el objeto uno se logr� la estimaci�n de la distancia con un error de m�ximo de +12,8mm y m�nimo de -45mm, sin embargo, solo el 8.98% de las im�genes tomadas obtuvieron valores superiores a 1cm, siendo estas de las m�s alejadas de la 

El objeto 2 exhibe un error m�ximo de +1.34 cm y un m�nimo de -0.25 cm. Solamente el 17.35% de las 26 im�genes presentan un error superior a 1 cm, destacando que estas im�genes corresponden a aquellas m�s distantes de la posici�n angular espec�fica (ϑ_ (esp)).

De manera similar, el objeto 3 muestra un error m�ximo de +0.97 cm y un m�nimo de -0.72 cm. En una imagen se registr� un valor de -0.46 cm y en otra de +0.89 cm, siendo estas las im�genes m�s alejadas de la posici�n angular espec�fica (ϑ_ (esp)).

En cuanto al objeto 4, no se logr� emparejar la posici�n angular espec�fica (ϑ_ (esp)) con la posici�n angular interna (ϑ_ (int)) capturada a distancias de 568, 586 y 736 mm. Se observ� un error significativo en las im�genes capturadas a 65.5, 68 y 73 cm, atribuido a la detecci�n de solo 3 a p kp y a la falta de emparejamiento adecuado de los kp. Excluyendo estas im�genes no emparejadas correctamente en el objeto 4, 67se obtendr�a un error m�ximo de +202 mm y un m�nimo de -0.46 cm.

Considerando el error relativo absoluto promedio y excluyendo las im�genes no emparejadas correctamente del objeto 4, el algoritmo presenta un error del 1.0% con una desviaci�n est�ndar del 1.89%.

 

Discusi�n de resultados

El fundamento para deducir la distancia de la c�mara a partir de las distancias calculadas en ambas im�genes se apoya en la coherencia de los puntos clave del objeto identificados en ambas instant�neas. Al examinar estas distancias euclidianas, se logra inferir con precisi�n la ubicaci�n de la c�mara en relaci�n con el objeto.

Adicionalmente, la vinculaci�n directa entre el tama�o de la imagen y la distancia focal de la c�mara constituye un componente esencial en la argumentaci�n. El texto detalla c�mo un objetivo con una distancia focal corta resulta en una imagen m�s cercana y de menor tama�o en comparaci�n con uno de mayor distancia focal. Esta l�gica respalda la idea de que el tama�o del objeto en la imagen disminuir� a medida que se aleje de la c�mara, principio que se respalda con la obra de Luis (2008). La interconexi�n de estos conceptos resalta la utilidad y aplicabilidad de la deducci�n de distancias en el �mbito de la captura de im�genes.

 

Conclusiones

La implementaci�n exitosa del algoritmo SURF en la muestra de 26 im�genes tomadas verticalmente, con una separaci�n de 25 mm entre cada una, destaca la eficacia de esta tecnolog�a para estimar con precisi�n la distancia de los objetos, alcanzando un impresionante 94.7% de acierto en las im�genes capturadas. Al examinar detalladamente cada objeto, se observan errores relativos promedio del 0.89% para el objeto uno, 0.80% para el objeto dos, 0.87% para el objeto tres y 1.98% para el objeto cuatro (excluyendo las im�genes no emparejadas correctamente).

La consideraci�n de los errores recopilados revela un error promedio general del 1.00% y una desviaci�n est�ndar del 2.98%. Estos resultados refuerzan la viabilidad de emplear el algoritmo SURF en contextos rob�ticos para la detecci�n de objetos y la estimaci�n precisa de la distancia del objeto al robot mediante el uso de una �nica c�mara. Esta elecci�n estrat�gica no solo se traduce en una disminuci�n significativa de los costos de construcci�n del robot, sino que tambi�n simplifica el proceso de instalaci�n de equipos, reduciendo la probabilidad de errores derivados de variables externas que puedan interferir con las im�genes capturadas. Este enfoque no solo resalta la eficiencia t�cnica, sino que tambi�n promueve la practicidad y la fiabilidad en la implementaci�n de tecnolog�as avanzadas en entornos rob�ticos, aline�ndose con las metodolog�as activas de ense�anza y enfoques pr�cticos que favorecen la aplicaci�n pr�ctica del conocimiento adquirido.

 

Referencias

      1.            Akhlaq, M. U., Izhar, U., & Shahbaz, U. (2014). Depth estimation from a single camera image using power fit. In Robotics and Emerging Allied Technologies in Engineering (iCREATE), 2014 International Conference on. IEE, 221-227.

      2.            Andrade Moreira, G. A. (2015). Correspondencia multiespectral en el espacio de Hough. GUAYAQUIL � ECUADOR.

      3.            Bauer, J., S�nderhauf, N., & Protzel, P. (2007). Comparing several implementations of two recently published feature detectors. In Proc. of the International Conference on Intelligent and Autonomous Systems.

      4.            Bay, H., Ess, A., Tuytelaars, T., & Gool, L. V. (2008). SURF: Speeded Up Robust Features. Computer Visi�n and Image Understanding (CVIU), 110(3), 346-359.

      5.            Gamero, M. (2007). Posicionamiento de Robots Basados en Visi�n. Universidad, Ciencia y Tecnolog�a, 11(43), 98-101.

      6.            Garc�a Barquero, I., S�nchez Gonz�lez, P., Luna Serrano, M., & G�mez Aguilera, E. J. (2012). Comparaci�n de algoritmos detectores de puntos singulares para reconocimiento de objetos en v�deo quir�rgico.

      7.            Gonz�lez, G., E. J., Cruz, R., Sergio, R., Dur�n, G., & H�ctor, M. (2001). Aplicaci�n de sensores m�ltiples para el posicionamiento tridimensional de robots usando visi�n. Interciencia, 11(26), 541-546.

      8.            Hern�ndez, E. R. (2001). Desarrollo de un Sistema de Visi�n para la Localizaci�n y Navegaci�n de Robots Humanoides. M�xico.

      9.            Hu, S., Wu, N., & Song, H. (2012). Object Tracking Method Based on SURF. Conference on Modelling, Identification and Control, 351-356.

  10.            Lee, Y. H., Ahn, H., Cho, H. J., & Lee, J. H. (2015). Object Recognition and Tracking based on Object Feature Extracting., 5(3), 48-57. Journal of Internet Services and Information Security (JISIS), 5(3), 48-57.

  11.            Liaquat, S., & Khan, U. S. (2015). Object detection and depth estimation of real world objects using single camera. 2015 Fourth International Conference on (p�gs. 1-4). IEEE.

  12.            Luis, M. A. (2008). Introducci�n a la Fotograf�a Cient�fica. Recuperado el 20 de septiembre de 2016, de http://foto.difo.uah.es/curso/objetivo_e_imagenes.html

  13.            Maga�a, J., Atoche, J., & Canche, R. (2015). Pruebas del algoritmo surf para la elecci�n de im�genes de referencia. Revista Electr�nica de Divulgaci�n de la Investigaci�n, 10.

  14.            Minglei, T., & Shudong, C. (octubre de 2014). Efficient Surf Tracking by Nearest Neighbor Classifier. JOURNAL OF COMPUTERS, 9(10), 2449-2454.

  15.            Mond�jar, G. V. (2016). Contribuciones a la estimaci�nn de pose de c�mara. C�rdoba.

  16.            Prietoa, C. E., Febresa, J. E., Cerrolazaa, M., & Miquelarenab, R. (2010). Sistema de Visi�n Artificial para el Control de Movimiento de un Asistente Rob�tico M�dico. Mec�nica Computacional, 29, 6619-6629.

  17.            Reza, O., & Farshad, T. (2012). Full Object Boundary Detection by Applying Scale Invariant Features in A Region Merging Segmentation Algorithm. International Journal of Artificial Intelligence & Applications (IJAIA), 3(5), 41-50.

  18.            Romero Cortijo, A. M., & Cazorla Quevedo, M. �. (2009). Comparativa de detectores de caracter�sticas visuales y su aplicaci�n al SLAM. X WORKSHOP DE AGENTES F�SICOS, 55-62.

  19.            Zavala, J. G., Hern�ndez, J. A., & Freyre, J. P.� (2012). Implementaci�n de un sistema de visi�n para control de un brazo rob�tico. Actas de la II Conferencia de Desarrollo Profesional en Ingenier�a Mecatr�nica 2012. M�xico.

 

 

 

 

 

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).