Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Rasp Python PDI Silabo Min
Rasp Python PDI Silabo Min
python, procesamiento
digital de señales, imágenes e ia
45 horas
DESCRIPCIÓN
El curso esta dirigido a estudiantes o profesionales que desean realizar
aplicaciones en Procesamiento Digital de Señales e Imágenes empleando la
Raspberry Pi, para ofrecer un mayor valor agregado a distintas soluciones
tecnológicas que se requieran.
requisitos
Este curso requiere tener conocimientos en algún lenguaje de programa-
cion.
materiales certificado
Acceso al aula virtual Umaker, donde Culminando el curso recibirás un certi-
encontrarás todas las grabaciones ficado, a nombre de la empresa
de las clases. UMAKER, validando los conocimientos
adquiridos en el curso Raspberry Pi:
Manual del curso . Aplicaciones Python, Procesamiento
Digital de Señales, Imágenes e IA.
raspberry pi: aplicaciones
python, procesamiento
digital de señales, imágenes e ia
Clase 1:
Python
• Entradas y salidas.
• If, else , While , For.
• Funciones.
• Modulos.
GPIO I:
• Descripción de los GPIO de Raspberry.
• El modulo GPIO y sus metodos I.
• Configuración de canales: Setwarnings, setmode, setup.
• Salidas: output.
• Entradas : input, declaración de resistencias pull up / pull down por software.
Clase 2:
• Laboratorio I:
• Parpadeo de un led.
• Manejo de pulsadores.
• Introducción a la programación orientada a objetos .
• Objetos, clases, metodos, atributos.
• PWM.
• Descripcion del PWM.
• El servomotor SG90.
• Laboratorio II:
• Control de servomotores.
• GPIO II
• El modulo GPIO y sus metodos II.
• La clase PWM y sus metodos: start, ChangedFrecuency, ChangeDutyCycle, stop.
Clase 3:
Comunicación Serial
• SPI.
• Spidev y sus metodos: open , readbytes , writesbytes, xfer.
• El conversor analogico digital MCP3204.
• Comunicacion SPI para el ADC externo.
• Bus de comunicación I2C.
• Sensor inercial MPU6050.
Clase 5:
Introduccion al Procesamiento Digital de Señales
• El modulo Scipy y Numpy de Python para PDS.
• Modelamiento de sistemas continuos LTI.
• Transformada de Laplace.
• Series y transformada de fourier.
• El conversor A/D , Teorema de muestreo.
• Análisis del efecto del proceso muestreo sobre aliasing espectral.
• Laboratorio: Análisis espectral de una señal de voz mediante un microfono
con Raspberry y Python.
Clase 6:
• Transformada Z y sus propiedades aplicado a señales y sistemas discretos.
• Sistemas discretos y ecuación en diferencia.
• Introducción a los filtros analógicos.
• Diseño de filtro IIR Butterworth analógico.
• Diseño de filtro IIR Butterworth digital mediante transformación bilineal.
• Laboratorio: Diseño e implementación de Filtros IIR butterworth para filtrado
de señal de voz.
Clase 9:
• Manejo del puntero del mouse en la Raspberry.
• Diseño de filtro Notch digital.
• Laboratorio 1: Control de giro de servomotor por medio de señal EOG.
• Laboratorio 2: Control del puntero del mouse mediante señal EOG.
Clase 10:
• Introducción a la visión artificial.
• Espacio de color de imágenes digitales.
• Manipulación de la raspi-camera.
• Filtros de suavizado.
• Segmentación de imágenes digitales.
• Laboratorio: Sistema de detección de objetos basados en espacio de color HSV.
Clase 11:
• Introducción a las transformaciones geométricas.
• Transformaciones AFIN.
• Introducción a los filtros morfológicos.
• Operación de dilatación.
• Operación de erosión.
• Características de objetos binarios.
• Laboratorio: Reducción del ruido de imágenes segmentadas mediante
elementos estructurales.
Clase 12:
Clase 13:
• Introducción a la extracción de características.
• Detección de bordes y esquinas.
• Técnica de extracción eigenfaces y fisherfaces.
• Haarcascade para detección de rostros.
• Laboratorio: Sistema de reconocimiento de rostros basado en características
eigenfaces para el accionamiento de servomotor.
Clase 14:
• Introducción a las redes neuronales en TensorFlow y Keras.
• Red neuronal perceptron.
• Red neuronal multicapa perceptron.
• Red neuronal multicapa en TensorFlow.
• Red neuronal multicapa en Keras.
• Laboratorio: Clasificación de señales ECG empleando red neuronal multicapa en
la Raspberry Pi.
Clase 15:
• Introducción a las redes neuronales convolucionales.
• Sistema de clasificación de imágenes basados en CNN.
• Detección vs. Clasificación.
• Detector de objetos basados en Yolo V3.
• Laboratorio: Robot móvil para la detección y conteo de vehículos basados
en Raspberry Pi.