an object recognition project in engineering …inglomayor.cl/edicion_17/seca/paper12.pdfinglomayor....
TRANSCRIPT
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) Page 288 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
INGLOMAYOR. Section A Volume 17 (2019) Page 289 of 306. ISSN 0719 7578
[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
INGLOMAYOR. Section A Volume 17 (2019) Page 290 of 306. ISSN 0719 7578
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.
INGLOMAYOR. Section A Volume 17 (2019) Page 291 of 306. ISSN 0719 7578
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
INGLOMAYOR. Section A Volume 17 (2019) Page 292 of 306. ISSN 0719 7578
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
INGLOMAYOR. Section A Volume 17 (2019) Page 293 of 306. ISSN 0719 7578
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.
INGLOMAYOR. Section A Volume 17 (2019) Page 294 of 306. ISSN 0719 7578
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
INGLOMAYOR. Section A Volume 17 (2019) Page 295 of 306. ISSN 0719 7578
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
INGLOMAYOR. Section A Volume 17 (2019) Page 296 of 306. ISSN 0719 7578
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].
INGLOMAYOR. Section A Volume 17 (2019) Page 297 of 306. ISSN 0719 7578
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.
INGLOMAYOR. Section A Volume 17 (2019) Page 298 of 306. ISSN 0719 7578
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
INGLOMAYOR. Section A Volume 17 (2019) Page 299 of 306. ISSN 0719 7578
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
Trans. Educ., vol. 61, no. 1, pp. 63–73, 2018.
[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.
INGLOMAYOR. Section A Volume 17 (2019) Page 300 of 306. ISSN 0719 7578
[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
Trans. Educ., vol. 61, no. 1, pp. 21–28, 2018.
[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.
INGLOMAYOR. Section A Volume 17 (2019) Page 301 of 306. ISSN 0719 7578
[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
INGLOMAYOR. Section A Volume 17 (2019) Page 302 of 306. ISSN 0719 7578
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.
INGLOMAYOR. Section A Volume 17 (2019) Page 303 of 306. ISSN 0719 7578
[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
INGLOMAYOR. Section A Volume 17 (2019) Page 304 of 306. ISSN 0719 7578
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.
INGLOMAYOR. Section A Volume 17 (2019) Page 305 of 306. ISSN 0719 7578
[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.
INGLOMAYOR. Section A Volume 17 (2019) Page 306 of 306. ISSN 0719 7578
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