an object recognition project in engineering …inglomayor.cl/edicion_17/seca/paper12.pdfinglomayor....

INGLOMAYOR. Section A Volume 17 (2019) Page 287 of 306. ISSN 0719 7578

An Object Recognition Project in Engineering Education using Project-Based Learning

M. Vargas, and T. Núñez,

Abstract—This work presented the application of the active learning methodology

called Project-based learning (PBL) for developing the artificial intelligence (AI) in

computer vision in the undergraduate engineering. The objective of the course was

to developed recognition of images capabilities using Deep Learning (DL)/Machine

Learning (ML) technics in real problems. The PBL learning methodology helped the

students in the search for real problems, develop complex solutions and generate

synergy among the team members. The main role of the professor was advice,

guide and motivate the students through the course. During the two first months, in

class were presented the computational techniques of DL for the classification of

image patterns through the use of inverted classes to reduce the time of the

learning curve. The pedagogic innovation with active learning methodologies

offered the professor the opportunity of creating a dynamic motivating learning

environment based in the experience. Each undergraduate engineering student

had the opportunity of developing the skills and techniques of his/her profession, in

a leadership environment, team work, proactivity and innovation. The results of the

work done by the student teams showed a variety of problematic solved; from the

automation of a navigation equipment with AI, detection of the disease of malaria

parasite, recognition of non-human individuals to the control of vehicular traffic.

Index Terms——Artificial intelligence, convolutional neural network, image recognition, project-based learning, vision computer I. INTRODUCCIÓN

El aprendizaje de técnicas de Inteligencia Artificial establece nuevos desafíos a la

docencia universitaria. Los cambios tecnológicos reducen los ciclos de vida de los

productos y servicios; el docente y los alumnos deben incorporar nuevas técnicas a

sus competencias durante el periodo electivo. En [1] se presenta la metodología

INGLOMAYOR. Section A Volume 17 (2019) 88 of 306. ISSN 0719 7578

aprendizaje basado en proyecto para el aprendizaje de la visión computacional, sus

principales ventajas están asociadas a la motivación por el aprendizaje individual y

en equipo, el descubrimiento de nuevos conceptos por parte de los alumnos y la

capacidad de desarrollar problemas reales mediante la presentación de un simple

problema. En [2] se presentan las debilidades de la metodología PBL respecto a la

dificultad de establecer niveles de compromiso y aprendizaje con todos los alumnos.

No obstante, las características de la metodología PBL están definidas por una

variedad de componentes que permiten reducir la deserción y la falta de motivación

o autoestima de los alumnos [3]–[5].Los componentes de la filosofía PBL

establecidos por los autores [6]–[8] son ; (1) definir un problema como punto de

partida, (2) la organización de proyectos, (3) la definición de los equipos, (4) la guía

o asesoría de los participantes por parte del docente, y (5) el aprendizaje

interdisciplinario.

La metodología PBL demuestra una gran capacidad para abordar variados

problemas en Ingeniería: el diseño de sistemas de software [9]–[11], los sistemas

eléctricos [4], [12]–[14], los sistemas energéticos [3], [15], [16], microelectronics

[17]–[20], aplicaciones médicas [21] y mechatronics [22], [23]. Las capacidades de

los laboratorios de las Universidades permiten a los estudiantes de ingeniería

desarrollar e implementar trabajos de gran complejidad. Los últimos años, las

técnicas de Deep Learning / Machine Learning permiten identificar y clasificar con

precisión imágenes de las múltiples bases de datos [24], [25]. La selección de la

técnica de clasificación de imágenes debe considerar los tiempos de respuesta, la

precisión de la categorización de la imagen o video, el gasto energético y el tamaño

y método de análisis de la imagen [26]. La técnicas de reconocimiento de imagenes

más expandidas por su precisión y velocidad de análisis son YOLO [27] y SSD [28]

basados en algoritmos extremo a extremo y el método de región propuesta con

Convolutional Neural Networks (CNNs) [29].

Los autores [30]–[33] presentan trabajos realizados por estudiantes mediante la

integración de los objetivos educacionales de ciencia y tecnológica, Ingeniería y

Matemática (STEM). El apoyo de expertos permite desarrollar equipos de alumnos

motivados, utilizando capacidades tecnológicas de fácil acceso como Raspberry


[34], Python [35] y sensores controladores de bajo costo [36]. Algunos problemas

complejos abordados en estas investigaciones de cursos semestrales son drones

autónomos [37], brazos robóticos con inteligencia artificial [30] y Deep Learning para

clasificación de bases de datos de imágenes [38]–[40].

II. MATERIALES Y MÉTODOS

La cooperación entre estudiantes para [41], es una poderosa herramienta de trabajo

en entornos complejos y desarrolla habilidades de aprendizaje y habilidades

profesionales en los estudiantes. Los métodos de enseñanza tradicionales limitan

los espacios de movimiento del estudiante, [41] indican el cambio dramático del

ambiente de aprendizaje y los requisitos para los participantes en el aula con

técnicas de metodología activa.

La enseñanza de la ingeniería y las ciencias a través de la creación de un

producto funcional debería mejorar utilizando las características principales de la

metodología PBL; (1) pequeños grupos de alumnos trabajan la mayor parte del

tiempo sin la presencia de un tutor, (2) las tareas abordadas son realistas,

profesionales y de gran magnitud, (3) las tareas solo cubren una pequeña parte de

los contenidos de la clase, (4 ) la lectura es importante para profundizar el contenido

técnico, (5) el trabajo en grupo está orientado a un producto, (6) los resultados de

aprendizaje son nuevos conocimientos y habilidades, (7) la división de tareas

permite obtener mejores resultados en los productos , (8) la mejora de las

habilidades está fuertemente interrelacionada con otros cursos de la capacitación,

(9) los estudiantes se centran en el trabajo del proyecto y menos en la clase, (10) la

responsabilidad individual es fundamental para el desarrollo del proyecto y (11) se

evalúa el producto final desarrollado por el equipo [42] - [44].

La aplicación de la metodología PBL transforma el rol del profesor, esta es la guía

de los grupos de trabajo. [45] señala la necesidad de realizar un trabajo de gran

alcance centrado en el estudiante, con grupos de trabajo colaborativo, para resolver

problemas reales. Los resultados del aprendizaje y las habilidades que se buscan

en la autogestión, el trabajo en equipo, el liderazgo, la gestión del tiempo, la


comunicación y la resolución de problemas y la capacidad para utilizar herramientas

de base tecnológica [46] - [49].

Este modelo permitió asignar responsabilidades a diferentes grupos de

estudiantes, quienes se transforman en actores activos de su educación [50] - [52].

El enfoque del proyecto es desintegrar el proyecto en problemas delimitados para

facilitar el trabajo en equipo, reunir la especialización de las tareas y aumentar la

profundidad del contenido aplicado por los equipos [53] - [55].

El objetivo final del curso es establecer un equipo de trabajo, buscar un problema

de la vida real y resolverlo usando las técnicas Aprendizaje profundo / Aprendizaje

automático para clasificación de imágenes. El proyecto se abordó desde la

perspectiva de la ingeniería, desarrollando (1) el diseño e ingeniería del producto,

(2) los estudios técnicos, (3) la ingeniería de software (4) el prototipo y (5) las

pruebas funcionales del producto [56 ] - [58].

Durante la planificación del semestre, se consideró la clase de inteligencia artificial

de tercer año, apoyada por un profesor y dos estudiantes de la clase del año

pasado. Las actividades se establecieron en un horario con entregas semanales de

actividades convergentes. Este modelo de trabajo permitió realizar múltiples

actividades paralelas, acelerando los términos del proyecto para la final del curso

[59], [60].

Los equipos de estudiantes (de 3 a 5 personas) pueden elegir los problemas

según sus habilidades técnicas, habilidades e intereses intelectuales. El desarrollo

del curso se realiza en el laboratorio compuesto por un (1) computador en alumno.

Las técnicas Deep Learning son preparadas y presentadas por los equipos usando

la metodología PBL. Cada exposición es seguida por una actividad de

retroalimentación del profesor y preguntas de los otros equipos. La actividad

semanal incluye una discusión respecto al portafolio de proyectos y sus posibles

soluciones tecnológicas.

Terminado la primera etapa de 6 semanas. Los equipos presentan al curso el

proyecto seleccionado, el estado del arte de problema y las técnicas requeridas

para la solución.


Durante la segunda etapa del curso de duración 8 semanas se establece dos

modos de comunicación, (1) la comunicación entre cada equipo y el profesor para

recibir asesoría en los puntos de mayor dificultad de proyecto y (2) una

comunicación entre todos los equipos y el profesor en sala de clases. Esta

comunicación en clases es fundamental para asegurar la entrega de todo el

contenido técnico del curso, y el aprendizaje entre pares; es necesario estimular las

opiniones entre los grupos para reducir la curva de aprendizaje para el desarrollo de

los proyectos.

Finalmente, en la tercera etapa de 2 semanas los alumnos deben validar sus

prototipos, entregar la documentación del proyecto y realizar una presentación final

con el prototipo funcional.

Los proyectos de visión artificial seleccionados por los equipos abordaron una

variedad de problemáticas desde la automatización de un equipo naval de

navegación autónoma con Inteligencia artificial, la detección de la enfermedad del

parasito de la malaria, reconocimiento de individuos no humanos hasta el control de

tráfico vehicular. Todos los equipos presentaron al final del curso los prototipos

funcionales de clasificación de imágenes.

III. CASE OF STUDY: CONVOLUTIONAL NEURAL NETWORK FOR FLOATING OBJECT

DETECTION

Esta última década los avances en el diseño y construcción de robots autónomos

marinos han mejorado sustancialmente para las aplicaciones en exploración,

ciencia oceanográfica e ingeniería marina. Los vehículos remotos deben ser

controlados por operarios humanos en tiempo real. Este trabajo es laborioso y

repetitivo, los operadores deben ser entrenados exhaustivamente para poder

enfrentar trayectorias complejas y poder reconocer el ambiente marino [29].

La autonomía de los equipos marinos puede abordarse mediante el uso de

sensores acústicos y visuales. El uso de sensores acústicos ha sido ampliamente

utilizado en aplicaciones marinas no obstante, la visualización de elementos

marinos en distancia cercanas a la embarcación requieren la utilización de sensores

visuales [61]. El uso de las técnicas de visión artificial conocidas con Deep Learning


permiten identificar con precisión equipos marinos, fauna marina y paisajes. Estos

sensores visuales deben tener la capacidad de reconocimiento de imágenes

basados en técnicas de visión artificial [62], [63].

Fig. 1. Prototipo de una embarcación de navegación automática alimentado con

energía solar.

A. Materiales del proyecto y métodos

El inicio del entrenamiento neuronal se realiza en un portátil Lenovo Ideapad 110

(Procesador a 2,5 GHz y capacidad de almacenamiento de 1 TB). MobileNet se

configura seleccionando imágenes de 224 píxeles que, aunque son de mejor

resolución y requieren más tiempo de procesamiento entregará una mayor precisión

de clasificación.

Dentro de la configuración se establecerá la aceptación de estas imágenes en

tamaños relativos. Junto con el proceso de configuración, se realiza la activación de

la herramienta de monitoreo Tensorboard que viene incorporada en Tensorflow.

La selección del modelo de red neuronal se realizó teniendo en cuenta algunos

parámetros restrictivos del sistema como el tamaño de la computadora de la

memoria RAM de 1 Gb y la memoria del disco de 32 Gb que viene en la placa

Raspberry [65]-[66].

El reentrenamiento se ejecuta cargando la base de datos de imágenes preparadas

para la capa inicial. Teniendo en cuenta las restricciones de luz visible de 500 a 700

nm, la posición de la cámara donde el sol no obstruye la captura de la imagen y el

tamaño / visibilidad del objeto, excluyendo las imágenes durante la noche con

visibilidad por debajo de los 400 nm. Cada categoría puede contener un mínimo de

20 imágenes [67] (sin distinción de tamaño), en este caso, se incluye un repertorio

de 300 imágenes para la categoría en formato ".jpg", obtenido de "image-net.org" y

De “Google Images”, fue considerado un entrenamiento de 500 pasos. El reciclaje


puede extenderse hasta 4.000 iteraciones, este método se utiliza para mejorar el

rendimiento de la prueba.

Los resultados obtenidos en los entrenamientos no detectan variaciones de

rendimiento utilizando ambos tipos de iteraciones (Figura 2) [68].

Fig. 2. Diagrama del proceso de reentrenamiento de la CNN

B. Resultados del proyecto

En la figura 3 y la tabla 1 se muestra la precisión de validación de las imágenes, o el

porcentaje de imágenes correctamente etiquetadas, el eje X muestra el progreso de

la capacitación y el eje Y la precisión para la resolución de entrada de 224 píxeles

para los diferentes tamaños relativos utilizados en las pruebas de los

entrenamientos de objetos flotantes (0.25, 0.50, 0.75 y 1.0).

La línea de tren presenta la precisión del modelo de datos de la capacitación,

mientras que la línea de validación muestra la precisión del conjunto de pruebas.

Para este caso, los gráficos del Tren tienen una tendencia ascendente, mientras

que los gráficos de Validación están debajo de ellos; el modelo está sobre ajustado,

el modelo comienza a memorizar el conjunto de entrenamiento en lugar de

comprender los patrones generales en los datos.


Fig. 3. Gráfico de ocurrencia por tamaños relativos de MobileNet

Para esta fase experimental se debe analizar el progreso de la entropía cruzada del

modelo para comprender la mejora del proceso de aprendizaje. El objetivo de la

capacitación es reducir la pérdida para asegurar el aprendizaje manteniendo la

tendencia decreciente a través del descarte de ruido a corto plazo.

TABLA I

ACCURACY DATA OF THE MODEL

Name Smoothed Value Step Relative Mobilenet 0.50 224/train 0.9195 0.9700 499.0 15s

Mobilenet 0.50 224/validation 0.8497 0.8500 499.0 15s

Mobilenet 0.75 224/train 0.9447 0.9800 499.0 15s

Mobilenet 0.75 224/ validation 0.8439 0.8900 499.0 15s

Mobilenet 1.0 224/train 0.9716 0.9400 499.0 16s

Mobilenet 1.0 224/ validation 0.8348 0.7900 499.0 156s

El script ejecutó 500 iteraciones de entrenamiento. Cada paso elige diez imágenes

al azar del conjunto de entrenamiento con sus cuellos de botella (penúltima capa

responsable de la clasificación) en la memoria caché e introduciéndolas en la capa

final para obtener predicciones. Esas predicciones se comparan con las etiquetas

reales para actualizar los pesos de la capa final a través del proceso de propagación

hacia atrás. La repetición del proceso mejora la precisión de la red neuronal una vez

que finaliza el experimento, se realiza una evaluación final de la precisión de la

prueba en un conjunto de nuevas imágenes. Esta evaluación de prueba es la mejor

estimación de rendimiento del modelo entrenado en la tarea de clasificación. Los

valores de precisión varían en el rango del 80% y el 95%. Cada experimento

modifica la capacidad predictiva debido al carácter aleatorio del proceso neuronal en

la selección de imágenes. Los resultados están representados en la figura 4; en el


eje X cantidad de iteraciones, eje Y la precisión de la resolución de entrada 224

píxeles con los diferentes tamaños relativos evaluados (0.25, 0.50, 0.75 y 1.0).

Fig. 4. Gráfico de cruzamiento entrópica por tamaños relativos en MobileNet

La gran cantidad de muestras en la base de datos aprovechan el algoritmo para

tener una mejor oportunidad de aprendizaje y la existencia de una base de datos

más específica para la capacitación permite mejorar la precisión del modelo [69]

[70]. Finalmente, los resultados obtenidos con la CNN modificada se comparan con

los resultados obtenidos utilizando otros CNN de referencia entrenados para la

detección de objetos flotantes y no flotantes [27], [71]–[73], Obteniendo un mejor

rendimiento en el reconocimiento y clasificación de imágenes. En la tabla 2 se

presentan los resultados de las pruebas realizadas en las categorías seleccionadas,

se puede comparar el resultado del reentrenamiento de una red y obtener mejores

resultados que las redes no capacitadas. [74].

TABLE II

AVERAGE PERCENTAGE OF THE ASSERTIVENESS OF RECOGNITION OF OBJECTS FOR

APPLIED METHODOLOGY.

Category Tensorflow CNN retrain

Matlab Inception Yolo

boat 0.9642 0.7595 0.3033 0.7420

dock maritime

0.8634 0.20000 0.5012 0.0000

iceberg 0.9140 0.6000 0.0000 0.0000

obstacle 0.9714 0.6000 0.0791 0.0000


people 0.9381 0.6800 0.0000 0.7960

sea animal

0.9675 0.8200 0.8376 0.0000

submarine 0.9995 0.9195 0.4692 0.1200

waterfowl 0.9724 1.0000 0.2720 0.8300

wave 0.9714 0.4800 0.3508 0.0000

C. Discusión del Proyecto

Capacitamos a una CNN para la detección de objetos flotantes en el mar para la

navegación de un embarque automático tripulado alimentado por energía solar con

un sistema central de frambuesa. Los resultados de la capacitación CNN propuesta

obtuvieron mejores resultados que la CNN de comparación. Esto sugiere un trabajo

futuro hacia la optimización del comportamiento de las decisiones de barcos

autónomos, por ejemplo, a través de la medición de la distancia, el tamaño y la

velocidad relativa de los objetos flotantes. Esperamos que esta experiencia ayude a

los profesionales en el proceso de volver a capacitar a la CNN y en la aplicación de

este método en la mejora del proceso de reconocimiento de imágenes.

La detección y el reconocimiento de objetos flotantes en el mar es un tema de gran

importancia en los campos de la protección civil, el cuidado del medio ambiente y

las aplicaciones para la navegación marítima. En este estudio, se propone el

reciclaje de una red neuronal convolucional (CNN) que detecta objetos flotantes en

tiempo real utilizando el prototipo de un barco de navegación autónomo, alimentado

a través de un sistema de energía solar. Para la detección de objetos flotantes, se

formó una red neuronal en 9 categorías que se compararon con otros métodos

existentes, logrando niveles de reconocimiento superiores a los métodos probados.

D. Evaluación

Las competencias evaluadas en cada proyecto corresponden al modelo de Tuning

para América Latina. El modelo de evaluación consideró una actividad matricial con

resultados de aprendizaje. La garantía de los resultados de aprendizaje de cada

estudiante se logró a través del cumplimiento de los factores de aprendizaje [75],

[76].


Para establecer la efectividad del método PBL se estableció un grupo de control (35

alumnos) para poder realizar una hipótesis nula de igualdad de medias entre los

promedios del grupo de control utilizando el método de aprendizaje de clases

magistrales y el curso con metodología PBL (42 alumnos). El test estadístico es

rechazado, es decir, el promedio del curso con metodología PBL es superior al

curso usado como grupo de control.

Ambos grupos inician el semestre con un test inicial de conocimiento y el test de

hipótesis aceptada; los dos cursos tienen conocimientos similares al inicio del

semestre.

IV. CONCLUSION

Mediante PBL, los alumnos de ingeniería desarrollaron el diseño del producto, (2)

los estudios técnicos, (3) el software de ingeniería (4) el prototipo y (5) las pruebas

funcionales del producto. Este trabajo multidisciplinario permitió a los estudiantes

desarrollar rápidamente la gestión de proyectos complejos de ingeniería.

El modelo demostró superar el modelo tradicional para proyectos de gran magnitud;

la mayoría de los estudiantes cumplieron con las fechas de entrega de tareas

asignadas, demostrando un nivel apropiado de trabajo y compromiso con el

proyecto. Al principio, los estudiantes se sentían perdidos ante una nueva

metodología de trabajo; la orientación del profesor permitió asegurar su curiosidad e

interés para resaltar las áreas seleccionadas por ellos, brindar apoyo a otros

equipos y llegar a la meta como un gran equipo.

La fuerza motriz de PBL puede copiarse en otro proyecto complejo para diferentes

áreas de estudio; Esto contribuye al desarrollo de habilidades personales, trabajo en

equipo, liderazgo, autonomía e iniciativa personal.

Finalmente, las directivas universitarias establecieron una contribución económica

para desarrollar la metodología de aprendizaje activo en otros cursos de Ingeniería.

La reutilización del conocimiento y las técnicas aprendidas por estudiantes y

profesores permite aumentar el desafío tecnológico para los cursos de ingeniería

superior, reduciendo el tiempo de aprendizaje en los equipos de estudiantes.


Las percepciones de los estudiantes durante el desarrollo del curso a través de las

técnicas de PBL se oponen, aceptan y rechazan el método; El análisis de las

experiencias permite visualizar los beneficios y proponer una mejora continua del

proceso de aprendizaje.

AGRADECIMIENTOS

This research has been supported by DICYT (Scientific and Technological Research

Bureau) of University of Santiago of Chile (USACH).

REFERENCIAS

[1] D. Gerónimo, J. Serrat, A. López, and R. Baldrich, “Traffic Sign Recognition for

Computer Vision Project-Based Learning,” Ieeexplore.Ieee.Org, vol. 56, no. 3, pp.

364–371, 2013.

[2] A. J. Swart, “Distance Learning Engineering Students Languish Under Project-

Based Learning, But Thrive in Case Studies and Practical Workshops,” IEEE

Trans. Educ., vol. 59, no. 2, pp. 98–104, 2016.

[3] G. Verbič, C. Keerthisinghe, and A. C. Chapman, “A Project-Based Cooperative

Approach to Teaching Sustainable Energy Systems,” IEEE Trans. Educ., vol. 60,

no. 3, pp. 221–228, 2017.

[4] A. S. Abdel-Khalik, A. M. Massoud, and S. Ahmed, “A Senior Project-Based

Multiphase Motor Drive System Development,” IEEE Trans. Educ., vol. 59, no. 4,

pp. 307–318, 2016.

[5] L. O. Seman, R. Hausmann, and E. A. Bezerra, “Agent-Based Simulation of

Learning Dissemination in a Project-Based Learning Context Considering the

Human Aspects,” IEEE Trans. Educ., vol. 61, no. 2, pp. 101–108, 2018.

[6] K. Edström and A. Kolmos, “PBL and CDIO: complementary models for

engineering education development,” Eur. J. Eng. Educ., 2014.

[7] A. Kolmos, “Problem-Based and Project-Based Learning,” 2009.

[8] C. Zhou, J. D. Nielsen, and A. KEolmos, “Foster creative engineers by PBL: A case


study of student satellite project (AAUSAT3) at Aalborg University in Denmark,” in

2011 2nd International Conference on Wireless Communication, Vehicular

Technology, Information Theory and Aerospace Electronic Systems Technology

(Wireless VITAE), 2011, pp. 1–5.

[9] R. O. Chaves, C. G. von Wangenheim, J. C. C. Furtado, S. R. B. Oliveira, A.

Santos, and E. L. Favero, “Experimental Evaluation of a Serious Game for

Teaching Software Process Modeling,” IEEE Trans. Educ., vol. 58, no. 4, pp. 289–

296, 2015.

[10] M. Marques, S. F. Ochoa, M. C. Bastarrica, and F. J. Gutierrez, “Enhancing the

Student Learning Experience in Software Engineering Project Courses,” IEEE


[11] O. Arbelaitz, J. I. Martı´n, and J. Muguerza, “Analysis of Introducing Active

Learning Methodologies in a Basic Computer Architecture Course,” IEEE Trans.

Educ., vol. 58, no. 2, pp. 110–116, 2015.

[12] F. Martinez-Rodrigo, L. C. H.-D. Lucas, S. de Pablo, and A. B. Rey-Boue, “Using

PBL to Improve Educational Outcomes and Student Satisfaction in the Teaching of

DC/DC and DC/AC Converters,” IEEE Trans. Educ., vol. 60, no. 3, pp. 229–237,

2017.

[13] Z. Zhang, C. T. Hansen, and M. A. E. Andersen, “Teaching Power Electronics with

a Design-Oriented, Project-Based Learning Method at the Technical University of

Denmark,” Educ. IEEE Trans., vol. PP, no. 99, p. 1, 2015.

[14] L. B. Oliveira, N. Paulino, J. P. Oliveira, R. Santos-Tavares, N. Pereira, and J.

Goes, “Undergraduate Electronics Projects Based on the Design of an Optical

Wireless Audio Transmission System,” IEEE Trans. Educ., vol. 60, no. 2, pp. 105–

111, 2017.

[15] Q. Hu, S. Member, F. Li, S. Member, and C. Chen, “A Smart Home Test Bed for

Undergraduate Education to Bridge the Curriculum Gap From Traditional Power

Systems to Modernized Smart Grids,” vol. 58, no. 1, pp. 32–38, 2015.

[16] P. I. Muoka, M. E. Haque, A. Gargoom, and M. Negnevitsky, “DSP-Based Hands-

On Laboratory Experiments for Photovoltaic Power Systems,” Educ. IEEE Trans.,

vol. 58, no. 1, pp. 39–47, 2015.


[17] G. Fuertes, M. Vargas, I. Soto, K. Witker, M. Peralta, and J. Sabattin, “Project-

Based Learning versus Cooperative Learning courses in Engineering Students,”

IEEE Lat. Am. Trans., vol. 13, no. 9, pp. 3113–3119, 2015.

[18] M. J. W. Lee, S. Nikolic, P. J. Vial, C. H. Ritz, W. Li, and T. Goldfinch, “Enhancing

Project-Based Learning Through Student and Industry Engagement in a Video-

Augmented 3-D Virtual Trade Fair,” IEEE Trans. Educ., vol. 59, no. 4, pp. 290–298,

2016.

[19] M. C. Rodriguez-Sanchez, A. Torrado-Carvajal, J. Vaquero, S. Borromeo, and J. A.

Hernandez-Tamames, “An Embedded Systems Course for Engineering Students

Using Open-Source Platforms in Wireless Scenarios,” IEEE Trans. Educ., vol. 59,

no. 4, pp. 248–254, 2016.

[20] I. Calvo, I. Cabanes, J. Quesada, and O. Barambones, “A Multidisciplinary PBL

Approach for Teaching Industrial Informatics and Robotics in Engineering,” IEEE


[21] A. Phatwongpaibool and W. Kaewapichai, “A laser scanner and machine vision

system for dental plaster model inspection,” in 2015 IEEE Student Symposium in

Biomedical Engineering & Sciences (ISSBES), 2015, pp. 7–10.

[22] J. M. Gómez-de-gabriel, A. Mandow, J. Fernández-lozano, and A. García-cerezo,

“Mobile Robot Lab Project to Introduce Engineering Students to Fault Diagnosis in

Mechatronic Systems,” vol. 58, no. 3, pp. 187–193, 2015.

[23] M. Garduño-Aparicio, J. Rodríguez-Reséndiz, G. Macias-Bobadilla, and S.

Thenozhi, “A Multidisciplinary Industrial Robot Approach for Teaching

Mechatronics-Related Courses,” IEEE Trans. Educ., vol. 61, no. 1, pp. 55–62,

2018.

[24] L. Tsung-Yi et al., “COCO - Common Objects in Context,” Microsoft COCO

dataset, 2019. [Online]. Available: http://cocodataset.org/#home.

[25] L. Yann, C. Corinna, and B. Chris, “MNIST handwritten digit database,” New

York University, 2018. [Online]. Available: http://yann.lecun.com/exdb/mnist/.

[26] G. Marani and J. Yuh, Introduction to autonomous manipulation : case study with

an underwater robot, SAUVIM. .

[27] J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018.


[28] W. Liu et al., “SSD: Single Shot MultiBox Detector,” 2016, pp. 21–37.

[29] L. Ji-yong, Z. Hao, H. Hai, Y. Xu, W. Zhaoliang, and W. Lei, “Design and Vision

Based Autonomous Capture of Sea Organism With Absorptive Type Remotely

Operated Vehicle,” IEEE Access, vol. 6, pp. 73871–73884, 2018.

[30] K. Radlak and M. Fojcik, “Integration of robotic arm manipulator with computer

vision in a project-based learning environment,” in 2015 IEEE Frontiers in

Education Conference (FIE), 2015, pp. 1–4.

[31] D. Nomiyama, N. Matsuhira, M. Sano, and T. Yamaguchi, “Enhancement of

interface robot using RT middleware and RSNP network protocol,” in 2015 IEEE

International Workshop on Advanced Robotics and its Social Impacts (ARSO),

2015, pp. 1–6.

[32] J. Lu and B. Smith, “Autonomous navigation in drone racecourse,” in 2017 IEEE

MIT Undergraduate Research Technology Conference (URTC), 2017, pp. 1–4.

[33] L. Ma and M. Alborati, “Enhancement of a VEX Robot with an Onboard Vision

System,” in 2018 IEEE 10th International Conference on Engineering Education

(ICEED), 2018, pp. 117–121.

[34] S. Mischie, “On teaching Raspberry Pi for undergraduate university programmes,”

in 2016 12th IEEE International Symposium on Electronics and

Telecommunications (ISETC), 2016, pp. 149–153.

[35] S. Spurlock, S. D.-J. of C. S. in Colleges, and undefined 2017, “Making computer

vision accessible for undergraduates,” dl.acm.org.

[36] K. McCullen, M. W.-J. of C. S. in Colleges, and undefined 2018, “Computer

science and robotics using the raspberry pi, arduino, and other SBCS,” dl.acm.org.

[37] S. Nair, A. Ramachandran, and P. Kundzicz, “Annotated reconstruction of 3D

spaces using drones,” in 2017 IEEE MIT Undergraduate Research Technology

Conference (URTC), 2017, pp. 1–5.

[38] G. Tirkes, C. C. Ekin, G. Engul, A. Bostan, and M. Karakaya, “An Undergraduate

Curriculum for Deep Learning,” in UBMK 2018 - 3rd International Conference on

Computer Science and Engineering, 2018, pp. 604–609.

[39] R. T. Meinhold, T. L. Hayes, and N. D. Cahill, “Efficiently computing piecewise flat

embeddings for data clustering and image segmentation,” in 2016 IEEE MIT


Undergraduate Research Technology Conference (URTC), 2016, pp. 1–4.

[40] A. Cooper and P. Hegde, “An indoor positioning system facilitated by computer

vision,” in 2016 IEEE MIT Undergraduate Research Technology Conference

(URTC), 2016, pp. 1–5.

[41] F. A. Phang, K. Mohd-Yusof, S. H. Syed Hassan, and M. Hassim, “AC 2012-2957 :

Enginnering Students´Perception on Learning Through Cooperative Problem-

Based Learning (CPBL) Engineering Students ’ Perception on Learning through

Cooperative Problem-Based Learning ( CPBL ) for the First Time,” 2012.

[42] N. Hosseinzadeh and M. R. Hesamzadeh, “Application of Project-Based Learning

(PBL) to the Teaching of Electrical Power Systems Engineering,” IEEE Trans.

Educ., vol. 55, no. 4, pp. 495–501, 2012.

[43] N. Ibrahim and S. Abd.Halim, “Implementation of Project Oriented Problem Based

Learning (POPBL) in Introduction to Programming Course,” Int. Res. Symp. Probl.

Based Learn. 2013, 2013.

[44] S. McLoone, B. Lawlor, and A. Meehan, “On Project Oriented Problem Based

Learning (POPBL) for a First Year Engineering Circuits Project,” in 25th IET Irish

Signals & Systems Conference 2014 and 2014 China-Ireland International

Conference on Information and Communities Technologies (ISSC 2014/CIICT

2014), 2014, pp. 386–391.

[45] J. Rodríguez, A. Laverón-Simavilla, J. M. del Cura, J. M. Ezquerro, V. Lapuerta,

and M. Cordero-Gracia, “Project Based Learning experiences in the space

engineering education at Technical University of Madrid,” Adv. Sp. Res., vol. 56,

no. 7, pp. 1319–1330, 2015.

[46] D. G. Lamar et al., “Experiences in the application of project-based learning in a

switching-mode power supplies course,” IEEE Trans. Educ., vol. 55, no. 1, pp. 69–

77, 2012.

[47] W. Gao et al., “The status, challenges, and future of additive manufacturing in

engineering,” Comput. Des., vol. 69, pp. 65–89, 2015.

[48] G. Senatore and D. Piker, “Interactive real-time physics: an intuitive approach to

form-finding and structural analysis for design and education,” Comput. Des., vol.

61, pp. 32–41, 2015.


[49] L. Calvo and C. Prieto, “The teaching of enhanced distillation processes using a

commercial simulator and a project-based learning approach,” Educ. Chem. Eng.,

vol. 17, pp. 65–74, 2016.

[50] Lijia, J. Wang, and S. Di School, “The C/C++ Integrative Teaching Based on CDIO

Education Model,” IERI Procedia, vol. 2, pp. 299–302, 2012.

[51] G. N. Nguyen, N. B. Le, and T. T. Nguyen, “CDIO as the foundations for

international.”

[52] Wenjie Liu and Yuntao Zhou, “Reform and practice of human machine interface

course based on CDIO,” 2013 8th Int. Conf. Comput. Sci. Educ., no. Iccse, pp. 3–

6, 2013.

[53] Z. Liang, H. Deng, and J. Tao, “Teaching Examples and Pedagogy of Mechanical

Manufacture based on the CDIO-Based Teaching Method,” Procedia Eng., vol. 15,

pp. 4084–4088, 2011.

[54] H. Chunfang and L. Li, “Research on CDIO and the influence of school-enterprise

cooperation in the CDIO,” in 2012 7th International Conference on Computer

Science & Education (ICCSE), 2012, pp. 1723–1726.

[55] M. Minin, A. Kriushova, and E. Muratova, “Assessment of the CDIO Syllabus

learning outcomes : from theory to practice,” no. September, pp. 680–685, 2015.

[56] M. Palma, I. de los Ríos, and E. Miñán, “Generic competences in engineering field:

a comparative study between Latin America and European Union,” Procedia - Soc.

Behav. Sci., vol. 15, pp. 576–585, 2011.

[57] C. Cárdenas, C. Martínez, and M. Muñoz, “Bringing Active Learning into

Engineering Curricula: Creating a Teaching Community,” Proc. 9th Int. CDIO Conf.,

2013.

[58] G. Fuertes, M. Vargas, I. Soto, K. Witker, M. Peralta, and J. Sabattin, “Project-

Based Learning versus Cooperative Learning courses in Engineering Students,”

IEEE Lat. Am. Trans., vol. 13, no. 9, pp. 3113–3119, 2015.

[59] A. Babuscia, J. L. Craig, and J. A. Connor, “Teaching practical leadership in MIT

satellite development class: CASTOR and Exoplanet projects,” Acta Astronaut.,

vol. 77, pp. 138–148, 2012.

[60] B. Jianfeng et al., “The Progress of CDIO Engineering Education Reform in


Several China Universities: A Review,” Procedia - Soc. Behav. Sci., vol. 93, pp.

381–385, 2013.

[61] I. Im, D. Shin, and J. Jeong, “Components for Smart Autonomous Ship Architecture

Based on Intelligent Information Technology,” Procedia Comput. Sci., vol. 134, pp.

91–98, 2018.

[62] C. Qiu, S. Zhang, C. Wang, Z. Yu, H. Zheng, and B. Zheng, “Improving Transfer

Learning and Squeeze- and-Excitation Networks for Small-Scale Fine-Grained Fish

Image Classification,” IEEE Access, vol. 6, pp. 78503–78512, 2018.

[63] L. Meng, T. Hirayama, and S. Oyanagi, “Underwater-Drone With Panoramic

Camera for Automatic Fish Recognition Based on Deep Learning,” IEEE Access,

vol. 6, pp. 17880–17886, 2018.

[64] J. Huang et al., “Speed/accuracy trade-offs for modern convolutional object

detectors,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017,

vol. 2017–Janua, pp. 3296–3305, 2017.

[65] B. Yang, X. Sun, E. Cao, W. Hu, and X. Chen, “Convolutional neural network for

smooth filtering detection,” IET Image Process., pp. 1432–1438, 2018.

[66] Chun Pan, Mingxia Sun, Zhiguo Yan, Jie Shao, Xiaoming Xu, and Di Wu, “Vehicle

logo recognition based on deep learning architecture in video surveillance for

intelligent traffic system,” IET Int. Conf. Smart Sustain. City 2013 (ICSSC 2013),

pp. 132–135, 2013.

[67] G. Antonellis et al., “Shake Table Test of Large-Scale Bridge Columns Supported

on Rocking Shallow Foundations,” J. Geotech. Geoenvironmental Eng., vol. 12, p.

04015009, 2015.

[68] İ. B. Akkaya and U. Halici, “Mouse face tracking using convolutional neural

networks,” IET Comput. Vis., vol. 12, no. 2, pp. 153–161, 2018.

[69] G. Morgan, K. Nazarpour, P. Degenaar, A. Alameer, and G. Ghazaei, “An

exploratory study on the use of convolutional neural networks for object grasp

classification,” 2nd IET Int. Conf. Intell. Signal Process. 2015, p. 5 .-5 ., 2015.

[70] J. Haupt, S. Kahl, D. Kowerko, and M. Eibl, “Large-scale plant classification using

deep convolutional neural networks,” CEUR Workshop Proc., vol. 2125, pp. 855–

862, 2018.


[71] A. Krizhevsky, I. Sutskever, and G. E. Hinton., “Imagenet classification with deep

convolutional neural networks. In Advances in neural information,” Adv. Neural Inf.

Process. Syst., pp. 1097–1105, 2012.

[72] S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network

Training by Reducing Internal Covariate Shift,” 2015.

[73] Q. Shaheen et al., “Towards Energy Saving in Computational Clouds: Taxonomy,

Review, and Open Challenges,” IEEE Access, vol. 6, pp. 29407–29418, 2018.

[74] L. Zhang et al., “Convolutional neural network-based multi-label classification of

PCB defects,” J. Eng., vol. 2018, no. 16, pp. 1612–1616, 2018.

[75] T. Voronchenko, T. Klimenko, and I. Kostina, “Learning to Live in a Global World:

Project-Based Learning in Multicultural Student Groups as a Pedagogy of

Tolerance Strategy,” Procedia - Soc. Behav. Sci., vol. 191, pp. 1489–1495, 2015.

[76] C. García, “Project-based Learning in Virtual Groups - Collaboration and Learning

Outcomes in a Virtual Training Course for Teachers,” Procedia - Soc. Behav. Sci.,

vol. 228, no. June, pp. 100–105, 2016.

Manuel Vargas, Universidad San Sebastián, Santiago, Chile,

investigador en la Facultad de Ingeniería y Tecnología de la

Universidad San Sebastián. Doctor en Ciencias de la Ingeniería,

Mención Ingeniería Industrial; Magíster en Ingeniería Industrial e Ingeniero Civil

Industrial de la Universidad de Santiago de Chile.

Miguel Alfaro, Universidad de Santiago de Chile, Santiago, Chile.

profesor en la Facultad de Ingeniería y Tecnología de la Universidad

de Santiago. Docteur en Production Automatisée, Université de Nancy

I (Université de Lorraine). Ingeniero Civil Industrial de la Universidad de Santiago

de Chile.

Sergio Beltrán, Universidad de Santiago de Chile, Santiago, Chile.

Ayudante en cursos de investigación e investigador adjunto en

proyectos tecnológicos. Estudiante de Ingeniería Civil Industrial de la

Universidad de Santiago de Chile.


Tabita Núñez, Universidad San Sebastián, Santiago, Chile. Ayudante

en cursos de investigación e investigador adjunto en proyectos

tecnológicos.

María Alejandra Peralta Muller, Académica del Departamento de

Enseñanza de las Ciencias Básicas de la Universidad Católica del

Norte, Magister en Educación de la Universidad de la República;

Licenciado en Matemática de la Universidad de la Serena.

Guillermo Fuertes, Universidad San Buenaventura, Cali, Colombia,

Profesor e Investigador. Doctor en Ingeniería Industrial, Magister en

Ciencias de la Ingeniería de la Universidad de Santiago de Chile,

Ingeniero Agroindustrial de la Universidad Nacional de Colombia.

Soledad Vargas, Universidad Santo Tomás, La Serena. Profesora

titular de la Escuela de Diseño y Jefa de Docencia de la carrera de

Periodismo en la Universidad Católica de Valparaíso.

Claudia Durán, Universidad Tecnológica Metropolitana, Santiago,

Chile. Profesora e Investigadora. Doctora en Ciencias de la Ingeniería,

Mención Ingeniería Industrial; Magíster en Ingeniería Industrial e Ingeniera Civil

Industrial de la Universidad de Santiago de Chile

an object recognition project in engineering …inglomayor.cl/edicion_17/seca/paper12.pdfinglomayor....

Documents