Técnicas de inteligencia artificial para el reconocimiento automático del alfabeto braille: un enfoque aplicado a la inclusión educativa
DOI:
https://doi.org/10.70208/3007.8245.v5.n3.278Palabras clave:
pattern recognition, braille, visión por computador, inclusión educativa, reconocimiento de patronesResumen
La discapacidad visual constituye una de las principales barreras para el acceso equitativo a la educación, especialmente cuando el uso del sistema braille no puede ser comprendido por docentes y estudiantes videntes. En respuesta a esta problemática, esta investigación desarrolló un software de reconocimiento automático del alfabeto braille mediante técnicas de inteligencia artificial y visión por computador. Se utilizó una base de datos de 1319 imágenes de símbolos braille procesadas en MATLAB, aplicando algoritmos supervisados como Fine Tree, Linear Discriminant, Naive Bayes, Support Vector Machines y K-Nearest Neighbors. Los modelos fueron entrenados, validados y comparados a través de métricas de precisión, sensibilidad y velocidad de procesamiento. Los resultados evidenciaron niveles de exactitud superiores al 99 % en los clasificadores más robustos, destacando el desempeño del modelo SVM. Estos hallazgos confirman la viabilidad de la propuesta como herramienta de traducción en tiempo real entre braille y alfabeto latino, contribuyendo a la reducción de barreras comunicacionales y al fortalecimiento de entornos educativos inclusivos.
Citas
Aldabas, E., & Rubira, E. (2002). Introducción al reconocimiento de patrones. Barcelona: UPC-Campus Terrassa-DEE-EUETIT Colom. Recuperado de https://d1wqtxts1xzle7.cloudfront.net/46151977/06_reconocimiento_de_patrones.pdf
Alvarado, J., & Fernández, J. (2012). Análisis de textura en imágenes a escala de grises, utilizando patrones locales binarios (LBP). Recuperado de https://www.researchgate.net/publication/303674884
Amat, J. (2016a). Validación de modelos de regresión: Cross-validation, OneLeaveOut, Bootstrap. Recuperado de https://www.cienciadedatos.net/documentos/30_cross-validation_oneleaveout_bootstrap
Amat, J. (2016b). Análisis discriminante lineal. Recuperado de https://www.cienciadedatos.net/documentos/28_linear_discriminant_analysis_lda_y_quadratic_discriminant_analysis_qda
Ariza, F., Alba, V., & Rodríguez, J. (2018). Control estricto de matrices de confusión por medio de distribuciones multinomiales. Recuperado de https://www.researchgate.net/publication/326718169
Basogaín, X. (2009). Redes neuronales artificiales y sus aplicaciones. Recuperado de https://ocw.ehu.eus/pluginfile.php/9047/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del-curso.pdf
Benavides, R. (2017). Curvas ROC (Receiver-Operating-Characteristic) y sus aplicaciones. Universidad de Sevilla. Recuperado de https://idus.us.es/bitstream/handle/11441/63201
Brownlee, J. (2018, agosto 31). Cómo utilizar curvas ROC y curvas de recuperación de precisión para la clasificación en Python. Recuperado de https://machinelearningmastery.com/roc-curves-and-precision-recall-curves-for-classification-in-python/
Chaparro, J., Giraldo, B., & Rodón, S. (2013). Evaluación del clasificador Naive Bayes como herramienta de diagnóstico en unidades de cuidados intensivos. Revista de Tecnología / Journal Technology, 87–93. Recuperado de https://www.researchgate.net/publication/294724781
CONADIS. (2019). Estadísticas de discapacidad. Recuperado de https://www.consejodiscapacidades.gob.ec/estadisticas-de-discapacidad/
Di Tulio, N. (2017, noviembre 30). Braileo: una app que apuesta a la inclusión. Educar. Recuperado de http://globalbackend.educ.ar/sitios/educar/recursos/ver?id=131881
Discapanet.es. (2020). El alfabeto braille. Recuperado de https://www.discapnet.es/areas-tematicas/tecnologia-inclusiva/productos-de-apoyo/guias-tecnicas/el-alfabeto-braille
Escobar, A., et al. (2014). Análisis comparativo de técnicas de accesibilidad para personas ciegas. Recuperado de http://www.esvial.org/wp-content/files/CAFVIR2014pp187-195.pdf
Fernández, E. (2014). Análisis de clasificadores bayesianos. Universidad de Buenos Aires. Recuperado de http://materias.fi.uba.ar/7550/clasificadores-bayesianos.pdf
García, P., Verdú, R., Larrey, J., & Morales, J. (2008). Algoritmo KNN basado en información mutua para clasificación de patrones con valores perdidos. Recuperado de https://www.researchgate.net/publication/260909129
Heras, D. (2017). Clasificador de imágenes de frutas basado en inteligencia artificial. Revista Killkana Técnica, 21–30. Recuperado de https://www.researchgate.net/publication/321176883
IT User. (2017, agosto 7). La Inteligencia Artificial ayuda a las personas con discapacidad visual. Recuperado de https://www.ituser.es/it-user/2017/08/la-inteligencia-artificial-ayuda-a-las-personas-con-discapacidad-visual
Lucas, M. (2018). Tecnología en el aula de educación musical con alumnos ciegos: Proceso de ida y vuelta (Tesis de maestría). Universidad Internacional de Valencia. Recuperado de https://www.mercedeslucas.com/images/Tecnologia_en_el_aula_de_educacion_musical.pdf
Maldonado, S., & Weber, R. (2012). Modelos de selección de atributos para Support Vector Machines. Revista Ingeniería de Sistemas, 26, 49–70. Recuperado de http://www.dii.uchile.cl/~ris/RISXXVI/maldonado1.pdf
Martín, J. (2016). Support Vector Regression: Propiedades y aplicaciones. Universidad de Sevilla. Recuperado de https://idus.us.es/bitstream/handle/11441/43808
Martínez, A., & Polo, J. (2004). Guía didáctica para la lectoescritura braille. Madrid: Organización Nacional de Ciegos Españoles (ONCE).
Merino, M. (2019, marzo 13). Seeing AI, la app de Microsoft que va describiendo el contenido de las fotos a las personas ciegas. Xataka. Recuperado de https://www.xataka.com/inteligencia-artificial/seeing-ai-app-microsoft
Microsoft. (2020, mayo 21). Seeing AI. Recuperado de https://www.microsoft.com/en-us/ai/seeing-ai
Ojeda, J., & Bolaños, J. (2015). Uso de representaciones semióticas en el aprendizaje de operaciones básicas en aulas con integración de población ciega (Trabajo de grado). Universidad Distrital Francisco José de Caldas. Recuperado de http://repository.udistrital.edu.co/bitstream/11349/2407
ONU. (2011, diciembre 3). Día Internacional de las Personas con Discapacidad. Naciones Unidas. Recuperado de https://www.un.org/es/events/disabilitiesday/2011/
Ordoñez, C. (2005). Formatos de imagen digital. Revista Digital Universitaria, 6(5). Recuperado de http://www.revista.unam.mx/vol.6/num5/art50/may_art50.pdf
Radhika, K., & Varadarajan, S. (2018). Ensemble subspace discriminant classification of satellite images. Journal of Scientific & Industrial Research, 77(11), 633–638. Recuperado de http://nopr.niscair.res.in/bitstream/123456789/45383/1/JSIR%2077%2811%29%20633-638.pdf
Rodríguez, J. (2020). Modelos reproductivos del color: RGB, CMYK y LAB. Recuperado de https://www.logo-arte.com/blog-6.htm
Sancho, F. (2020). Aprendizaje supervisado y no supervisado. Recuperado de http://www.cs.us.es/~fsancho/?e=77
Servimedia. (2020). Tecnología accesible e inclusión. Recuperado de https://www.servimedia.es/noticias/1135159
The MathWorks Inc. (2020). Classification Learner App: Train classification models. Recuperado de https://es.mathworks.com/help/stats/train-classification-models-in-classification-learner-app.html
The MathWorks Inc. (2020). Vision Toolbox: Blob analysis system object. Recuperado de https://es.mathworks.com/help/vision/ref/vision.blobanalysis-system-object.html
The MathWorks Inc. (2020). MATLAB software. Recuperado de https://es.mathworks.com/products/matlab.html
Todo Noticias. (2018, abril 9). Braileo: la app que traduce el lenguaje braille al español. Recuperado de https://tn.com.ar/salud/lo-ultimo/braileo-la-app-que-traduce-el-lenguaje-braille-al-espanol_861753
Universia. (2016, diciembre 15). Braileo: una app para interpretar textos en braille creada por estudiantes de la UTN. Recuperado de https://noticias.universia.com.ar/educacion/noticia/2016/12/15/1147519/braileo-app-interpretar-textos-braille-creada-estudiantes-utn.html
Universidad Internacional de Valencia. (2020). Cómo funciona el software de reconocimiento de imágenes. Recuperado de https://www.universidadviu.com/reconocimiento-de-imagenes-software-y-ejemplos/
Valdivia, C. (2016). Diseño de un sistema de visión artificial para la clasificación de chirimoyas basado en medidas. Pontificia Universidad Católica del Perú. Recuperado de https://pdfs.semanticscholar.org/74ef/fba2ced3d12bfdbcb1078b4987827ab00319.pdf
Villar, C., & Cuevas, C. (2015). Condensación controlada en k-nn y su aplicación para la identificación del color en tiempo real. Revista de Matemática, 23(1), 143–154. Recuperado de https://www.scielo.sa.cr/pdf/rmta/v23n1/1409-2433-rmta-23-01-00143.pdf
