Implementación de un clasificador basado en deep learning para detector en una comunicación óptica por cámara.
| dc.contributor.advisor | Saavedra Mondaca, Gabriel Alejandro | es |
| dc.contributor.author | Vera Vera, Francisca Valentina | es |
| dc.date.accessioned | 2026-01-27T17:11:04Z | |
| dc.date.available | 2026-01-27T17:11:04Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil en Telecomunicaciones. | es |
| dc.description.abstract | La infraestructura de comunicaciones inalámbricas basada en radiofrecuencia enfrenta una creciente saturación debido al aumento de dispositivos que requieren conexiones rápidas y de alta capacidad. En este contexto, las comunicaciones ópticas inalámbricas (OWC) se presentan como una solución eficaz, aunque no todas sus ramas buscan descongestionar el espectro de radiofrecuencia; algunas se centran en la reducción de costos. Las comunicaciones ópticas por cámaras (OCC) destacan al aprovechar la infraestructura existente, como cámaras de teléfonos móviles y sistemas de seguridad, sin requerir hardware adicional, lo cual reduce significativa mente los costos. En este trabajo, se propone implementó un sistema OCC utilizando una matriz de 8x8 LEDs como transmisor y una cámara CMOS como receptor, centrándose en la correcta clasificación de los símbolos recibidos. Para ello, se grabaron secuencias de símbolos generados por la ma triz LED bajo diversas condiciones, utilizando la modulación CSK (Color-Shift Keying) para codificar la información y diferenciar los símbolos mediante el color. Con un total de 8 símbolos distintos, estos se transmitieron a una frecuencia específica para ser capturados y procesados por la cámara. Este enfoque podría facilitar una interacción eficiente entre máquinas, vehículos (V2V), dispositivos IoT y otros sistemas conectados. Los datos generados a partir de la interacción entre la matriz LED y la cámara se utilizaron para entrenar un modelo basado en YOLOv8, alcanzando una precisión global del 98.4%. Este resultado demuestra la robustez del modelo para detectar y clasificar colores con alta precisión, reduciendo significativamente los errores en la transmisión de datos. Esto respalda el potencial de la OCC como una tecnología viable en entornos que no requieren infraestructura de alta velocidad. Además, se promueve el desarrollo de sistemas de bajo costo con capacidad para una adopción masiva, ofreciendo soluciones accesibles y sostenibles sin la necesidad de grandes inversiones en nuevos equipos. | es |
| dc.description.abstract | Wireless communication infrastructure based on radiofrequency is facing increasing satura tion due to the growing number of devices demanding fast and high-capacity connections. In this context, optical wireless communications (OWC) emerge as an effective solution. However, not all branches of OWC aim to alleviate radiofrequency spectrum congestion; some focus on cost reduction. Camera-based optical communications (OCC) stand out by leveraging existing infrastructure, such as mobile phone cameras and security systems, without requiring additional hardware, thereby significantly reducing costs. In this work, an OCC system was implemented using an 8x8 LED array as the transmitter and a CMOS camera as the receiver, with a focus on the accurate classification of received sym bols. Sequences of symbols generated by the LED array were recorded under various conditions, utilizing CSK (Color-Shift Keying) modulation to encode the information and differentiate sym bols by color. A total of 8 distinct symbols were transmitted at a specific frequency, captured, and processed by the camera. This approach has the potential to enable efficient interaction between machines, vehicles (V2V), IoT devices, and other connected systems. The data generated from the interaction between the LED array and the camera were used to train a YOLOv8-based model, achieving an overall accuracy of 98.4%. This result demonstra tes the model’s robustness in detecting and classifying colors with high precision, significantly reducing data transmission errors. It underscores the potential of OCC as a viable technology in environments that do not require high-speed infrastructure. Moreover, it promotes the develop ment of low-cost systems with the capacity for mass adoption, offering accessible and sustainable solutions without the need for substantial investments in new equipment. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/13667 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Comunicación óptica | es |
| dc.subject | Video digital | es |
| dc.subject | Smartphones | es |
| dc.subject | Inteligencia artificial | es |
| dc.title | Implementación de un clasificador basado en deep learning para detector en una comunicación óptica por cámara. | es |
| dc.type | Thesis | en |