Apef2 Ind G8

NOMBRES: CÓDIGO SAGA:
EST. ELMER CAHUAYA HUAÑAPACO A 19797 – 1

EST. MARÍA GUADALUPE MAMANI QUISPE A 16612 – X
EST. JULY ESTHER QUELCA CONDORI A 18403 – 9
ASIGNATURA: MODELADO Y SIMULACIÓN Nº GRUPO: 8
FECHA:
TIPO DE DOCUMENTO: PROYECTO FINAL
18 DE NOVIEMBRE DE 2020
ESPECIFICACIONES TÉCNICAS DEL MODELO IA
1. ANTECEDENTES
La aparición de la Inteligencia Artificial (IA) ha conducido a la aparición de aplicaciones

que en el momento presente están teniendo un profundo impacto en nuestras vidas.
Se trata de una tecnología que tiene 60 años de existencia. Ciertamente, la expresión
IA se acuñó por primera vez en la conferencia de Dartmouth en 1956. Fue el momento
en que empezaron a aparecer los primeros ordenadores digitales en los laboratorios
universitarios. Los participantes en esta conferencia eran fundamentalmente
matemáticos y científicos informáticos, muchos de los cuales estaban interesados en
la demostración de teoremas y algoritmos que pudieran ser comprobados mediante
estas máquinas. Había mucho optimismo en dicha conferencia, ya que los primeros
éxitos en este campo suponían un gran aliento. Esto condujo a predicciones eufóricas
acerca de la IA que resultaron exageradas. En aquel momento se pensaba que si los
ordenadores podían resolver problemas que a los seres humanos les resultasen
difíciles, como es el caso de la demostración de teoremas matemáticos, entonces sería
posible lograr que los ordenadores resolvieran problemas fáciles para nosotros. Sin
embargo, ese no fue el caso. La razón por la que prevaleció un optimismo exagerado
en aquellos momentos es que los problemas que los seres humanos consideraban
difíciles podían resultar fáciles para los ordenadores y viceversa. Tal vez esto no
resulte sorprendente porque los ordenadores utilizan el lenguaje de la lógica
matemática y, por tanto, cabía esperar que funcionaran mejor que los seres humanos
a la hora de resolver problemas lógicos de carácter preciso.
Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 1 de 19

PF - MODELADO Y SIMULACIÓN
ESPECIFICACIONES TÉCNICAS DEL MODULO IA
2. OBJETIVO
Diseñar una herramienta que permita Identificar los EPP (Equipos de protección
personal) mediante un sistema de inteligencia artificial haciendo uso del software
MATLAB.
3. MARCO TEÓRICO
3.1. INTELIGENCIA ARTIFICIAL
La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con el

propósito de crear máquinas que presenten las mismas capacidades que el ser
humano. La Inteligencia Artificial es la simulación de inteligencia humana por parte de
las máquinas. Dicho de otro modo, es la disciplina que trata de crear sistemas capaces
de aprender y razonar como un ser humano, aprendan de la experiencia, averigüen
cómo resolver problemas ante unas condiciones dadas, contrasten información y
lleven a cabo tareas lógicas.
3.2. PROCESO
Un proceso es una secuencia de pasos dispuesta con algún tipo de lógica que se
enfoca en lograr algún resultado específico. Los procesos son mecanismos de
comportamiento que diseñan los hombres para mejorar la productividad de algo, para
establecer un orden o eliminar algún tipo de problema.
3.3. VARIABLE DE ENTRADA
Es una variable del sistema tal que una modificación de su magnitud o condición puede
alterar el estado del sistema. Define las condiciones de operación del proceso y del
valor de ellas depende la eficacia del proceso.
3.4. VARIABLE DE SALIDA
Es una variable del sistema cuya magnitud o condición se mide. Refleja los resultados
obtenidos por el proceso, a través de los valores que se toman las variables se evalúa

la eficacia del proceso. Por lo general son las características de la calidad del producto
que se obtienen con el proceso.
FIGURA 1. VARIABLES DE ENTRADA Y SALIDA DEL PROCESO
Fuente: https://sites.google.com/site
3.5. NUMERO ALEATORIO
Números aleatorios, son números que de forma no predecible son elegidos al azar.
Un número aleatorio es aquel obtenido al azar, es decir, que todo número tenga la
misma probabilidad de ser elegido y que la elección de uno no dependa de la elección
del otro. El ejemplo clásico más utilizado para generarlos es el lanzamiento repetitivo
de una moneda o dado ideal no trucado.
3.6. LA OPERATIVIZACIÓN DE VARIABLES
Explica cómo se define el concepto específicamente en el estudio planteado, que

puede diferir de su definición etimológica. Equivale a hacer que la variable sea
mensurable a través de la concreción de su significado, y está muy relacionada con
una adecuada revisión de la literatura. Puede omitirse cuando la definición es obvia y
compartida.
Comprende los siguientes pasos:
• Categorización o dimensiones
• Definición de las variables (Dependiente e independiente)

• Indicadores
• Nivel de medición
• Unidad de medida
• Valor
3.7. NIVEL DE RIESGO
Las empresas pueden presentar diferentes tipos de riesgos en el desarrollo de su

actividad. El establecimiento de los controles necesarios propicia una situación de
confort para las organizaciones, en la que se pretende que el nivel de control sea lo
más alto posible.
Según el Instituto Internacional de Seguridad y Salud en el Trabajo, las organizaciones

pueden presentar niveles de riesgo bajo, moderado, importante y crítico.
3.8. EPP
El equipo de protección personal tiene como principal objetivo proteger la vida e

integridad de las personas y sus diferentes partes del cuerpo de lesiones o
enfermedades originadas en el lugar de trabajo.
El Equipo de Protección Personal o EPP son equipos, piezas o dispositivos que evitan
que una persona tenga contacto directo con los peligros de ambientes riesgosos, los
cuales pueden generar lesiones y enfermedades.
4. MARCO PRÁCTICO
4.1. RECONOCIMIENTO DE OBJETOS MEDIANTE MATLAB
El reconocimiento de objetos es una técnica de visión artificial para identificar objetos

en imágenes o vídeos. El reconocimiento de objetos constituye una salida clave de los
algoritmos de deep learning y machine learning. Cuando las personas miramos una
fotografía o vemos un vídeo, detectamos con rapidez personas, objetos, lugares y
detalles visuales. El objetivo es enseñar a un ordenador a hacer lo que resulta natural
para los humanos: adquirir cierto nivel de comprensión del contenido de una imagen.

4.2. ENFOQUE DEEP LEARNING
Entrenamiento de un modelo desde cero: para entrenar una red profunda desde
cero, hay que recopilar un conjunto de datos etiquetados muy amplio y diseñar una
arquitectura de red que aprenda las características y cree el modelo. Los resultados
pueden ser impresionantes, pero este enfoque requiere una gran cantidad de datos de
entrenamiento, y es necesario configurar las capas y las ponderaciones en la CNN.
4.3. FLUJO DE TRABAJO DE MACHINE LEARNING
Para llevar a cabo el reconocimiento de objetos con un enfoque estándar de machine

learning, hay que empezar con una recopilación de imágenes (o vídeos) y seleccionar
las características relevantes de cada imagen. Por ejemplo, un algoritmo de extracción
de características podría extraer características de los bordes o las esquinas que se
pueden emplear para diferenciar entre las clases de datos.
Estas características se añaden a un modelo de machine learning, el cual las dividirá

según sus diferentes categorías y, a continuación, utilizará esta información durante el
análisis y la clasificación de nuevos objetos.
Es posible utilizar diversos algoritmos de machine learning y métodos de extracción de

características, los cuales ofrecen muchas combinaciones para crear un modelo de
reconocimiento de objetos preciso.
4.4. PROBLEMA
Actualmente los trabajadores de la empresa Constructora y Consultora I.E.C, no hacen

el uso correcto de los Equipos de Protección Personal en sus procesos que ejecutan
(Construcción de redes de gas, trabajos en instalaciones eléctricas, obras civiles,
construcciones en general), lo que puede ocasionar que los trabajadores estén
expuestos a distintos riesgos y peligros, que puede dar lugar a accidentes y
enfermedades profesionales a corto y largo plazo, lo cual generaría un gasto
económico para la empresa y por otro lado puede generar pérdidas de nuevos
proyectos u obras.

4.5. VARIABLE DE ENTRADA Y SALIDA
Variable de entrada : Detección de Equipos de Protección Personal.

Variable de salida : Cantidad de EPP detectados mediante un sistema de
alerta inteligente.
TABLA 1. OPERATIVIZACIÓN DE VARIABLES
UNIDAD DE
VARIABLE DIMENSIÓN INDICADOR VALOR FINAL
MEDIDA
Número de
Entrada:
trabajadores que
Detección de
reportan mal uso
Equipos de Accidentabilidad. Cantidad. Valoración.
de equipos de
Protección
protección
Personal.
personal..
Cascos
Salida:
Lentes
Cantidad de EPP
Botas de
detectados Sistema de
Cantidad. Equipos seguridad
mediante un seguridad.
Barbijos
sistema de alerta
Chalecos de
inteligente.
seguridad
Fuente: Elaboración propia

5. APLICACIÓN
5.1. DIAGRAMA DE CONTEXTO DE LAS VARIABLES DE ESTUDIO
A continuación se muestra el proceso y la relación de la variable de entrada y salida.

Por otro lado se muestra las perturbaciones que tiene el sistema (Actos inseguros).
FIGURA 2. DIAGRAMA DE CONTEXTO DE LAS VARIABLES
ACTOS INSEGUROS
Departamento de DETECCIÓN DE EQUIPOS

Seguridad Industrial DE PROTECCIÓN
de la Empresa I.E.C IDENTIFICACIÓN PERSONAL
INFORME
MEDIANTE
TRABAJADORES QUE
SISTEMA DE REPORTAN POSIBLES
INTELIGENCIA ARTIFICIAL IRREGULARIDADES
INFORME FINAL
DE USO
IDENTIFICAR
LA CANTIDAD DE
TRABAJADORES QUE NO MEDIANTE INTELIGENCIA
RECONOCER
USAN O HACEN MAL ARTIFICIAL LOS EPP
USO DE LOS EPP
Fuente: Elaboración propia en base a guia de Cillero Manuel, 2016.

5.2. DIAGRAMA DE FLUJO
FIGURA 3. DIAGRAMA DE FLUJO
INICIO
Selección de una opción
Simulador accidentes e
incidentes mediante
NÚMEROS ALEATORIOS
Ingrese la dimensión de la
matriz (Representa las áreas
de trabajo)
Máx=Ingrese el
máximo
NO
Min=Ingrese el
mínimo
Máx>Min
SI
Matriz de
números
aleatorios
Identificación de los EPP en

cada área de trabajo
mediante IA

FIGURA 3. DIAGRAMA DE FLUJO (Continuación)
Identificar la cantidad de EPP
CANTIDAD DE EPP
¿Desea tomar medidas

De acción?
SI
Introduzca los
nuevos valores
Matriz (Por áreas de

trabajo) corregida
NO
Verificar la herramienta
NO
¿La implentación de IA
ayuda a mejorar las
condiciones de trabajo?
SI
FIN

5.3. DIAGRAMA UML DE CASOS DE USO
El presente diagrama de casos de uso representa la forma en que el encargado de

seguridad industrial opera con el sistema de inteligencia artificial. Además de la
forma, tipo y orden en como los elementos interactúan.
FIGURA 4. DIAGRAMA UML DE CASOS DE USO
Iniciar el sistema de
inteligencia artificial
Identificación de
uso de EPP
Trabajador
Validar la
información
Detección de EPP
Encargado de
CANTIDAD DE EPP QUE
SISTEMA
Seguridad Industrial
REPORTEN IRREGULARIDADES
Buscar resultados

5.4. DIAGRAMA SECUENCIA (Flujo normal)
FIGURA 5. DIAGRAMA UML DE SECUENCIA
TRABAJADOR
INICIAR RECONOCIMIENTO
PANTALLA SELECCIÓN DE IMAGEN
SELECCIÓN IMAGEN POSITIVA
SELECCIÓN IMAGEN NEGATIVA
RESULTADO DE RECONOCIMIENTO

5.5. CUADROS DE ESPECIFICACIONES TÉCNICAS

TABLA 2. ESPECIFICACIONES TÉCNICAS
CONCEPTO ESPECIFICACIÓN
Modelo del sistema Sistema de Inteligencia Artificial
Tipo de información Cantidad de Equipos de Protección Personal
Base de datos Imágenes de EPP.
Numero de EPP
5
utilizados
Identificación de cascos.
Identificación de Lentes de seguridad.
Equipos de Protección
Identificación de botas de seguridad.
Personal
Identificación de barbijos.
Identificación de chalecos de seguridad.
Método de detección de Inteligencia artificial (Reconocimiento de

imágenes objetos)
Estado de la imágenes Sin movimiento.

TABLA 3. ESPECIFICACIONES TÉCNICAS DE LOS EPP
COLOR DE
CONCEPTO ESPECIFICACIÓN IMAGEN
RECONOCIMIENTO
Proteger la cabeza de quien

CASCO DE
lo usa de peligros y golpes BLANCO
SEGURIDAD
mecánicos.
Protegen los ojos al frente y

los lados de una gran
LENTE DE
variedad de peligros o BLANCO
SEGURIDAD
riesgos, como objetos o
partículas sólidas voladores
El propósito de las botas

industriales es proteger a
los obreros de peligros
BOTAS DE
como: Accidentes NEGRO
SEGURIDAD
mecánicos: caída de
objetos, golpes sobre el pie,
objetos punzocortantes.
Mascarilla de tela que cubre

la boca de micropartículas o
BARBIJOS partículas que pueden PLOMO
afectar la salud de las
personas.
Es un indumento utilizado
CHALECO DE para mejorar el
VERDE CLARO
SEGURIDAD reconocimiento de los
empleado.

6. IMPLEMENTACIÓN
Código Matlab para entrenamiento del programa de inteligencia artificial:
clc, clear all, close all
%% Entrenamiento de la Adaboost
load('EmergencySigns.mat');
positiveFolder = 'positive';
negativeFolder = 'negative';
detectorName = 'emergencySignsDetector1.xml';
trainCascadeObjectDetector(detectorName, Gtrain,
negativeFolder,...
'FalseAlarmRate', 0.1, 'NumCascadeStages', 5);
%% Prueba
detector =
vision.CascadeObjectDetector(detectorName);
img = imread('positive/1.bmp');
bbox = step(detector, img);
detectedImg = insertObjectAnnotation(img,
'rectangle', bbox, 'sign');
figure; imshow(detectedImg);
Código Matlab para detectar imágenes:
function D = detectandoSobreG(ArchivoDetector, G,
visualizacion)
% Crear la lista de detecciones D para las imagenes

referenciadas en la
% lista G
% Entradas
% ArchivoDetector contiene la dirección del
archivo del detector,

% extensión xml
% G Lista de rectangulos de los objetos que
realmente están en las imagenes
% visualizacion es una var. booleana que activa o
desactiva la visualizacion de
% los EPP detectados y de los objetos
reales en las imagenes.
% Salidas
% D Lista de EPP de las detecciones
detector =
vision.CascadeObjectDetector(ArchivoDetector);
D =
struct('imageFilename',{},'objectBoundingBoxes',{}
);
for im= 1:length(G)
img = imread(G(im).imageFilename);
D(im).imageFilename = G(im).imageFilename;
D(im).objectBoundingBoxes = step(detector,
img);
% Visualización
if visualizacion
detectedImg = insertObjectAnnotation(img,
'rectangle',...
D(im).objectBoundingBoxes,
'deteccion','Color','white');
detectedImg =
insertObjectAnnotation(detectedImg,
'rectangle',...
G(im).objectBoundingBoxes,
'objeto','Color','green');
imshow(detectedImg);
pause
end
end
7. PRUEBAS DE FUNCIONAMIENTO
FIGURA 6. EJECUCIÓN EN EL PROGRAMA MATLAB
FIGURA 7. EJECUCIÓN EN EL PROGRAMA MATLAB

8. BALANCE DE COMPONENTES
8.1. HP PAVILION HEWLETT – PACKARD
Se empleó un portátil HP con Windows 10 con las siguientes características:
TABLA 4. BALANCE DE COMPONENTES
Nombre Característica
Nombre del SO Microsoft Windows 10 Pro
Versión 10.0.19041 compilación 19041
Tipo de sistema X64-based PC
AMD A10 Extreme Edition Radeon
Procesador
R8, 4C+8G, 200 Mhz, 2 procesadores
Memoria física
12,0 GB
instalada
Resolución de
1920 x 1080
Pantalla
Producto placa
80B5
base
8.2. SOFTWARE MATLAB

Versión del MatLab: R2016a
Lenguaje de programación: Alto nivel para cálculos científicos y de ingeniería. Las

aplicaciones de MATLAB se desarrollan en un lenguaje de programación propio. Este
lenguaje es interpretado, y puede ejecutarse tanto en el entorno interactivo, como a
través de un archivo de script (archivos *.m). Este lenguaje permite operaciones de
vectores y matrices, funciones, cálculo lambda, y programación orientada a objetos.
Gráficas: Visualizar datos y herramientas para crear diagramas personalizados.
Aplicaciones: Ajustar curvas, clasificar datos, analizar señales, ajustar sistemas de

control, Análisis de objetos, Segmentación de imágenes.
Interfaces: C/C++, Java, NET, Python, SQL, Hadoop y Microsoft Excel.

9. CONCLUSIONES Y RECOMENDACIONES
9.1. CONCLUSIONES
• Se logró plantear el modelo conceptual para el desarrollo de la inteligencia artificial
en la prevención de riesgos de la empresa Constructora y Consultora I.E.C.
• Se logró incluir las especificaciones técnicas que se toman en cuentan para el
modelo de inteligencia artificial.
• El uso de la inteligencia artificial es muy beneficioso en diversos ámbitos para
ayudar a las personas a desarrollar sus actividades con más seguridad y facilidad.
• Se logró desarrollar el modelo conceptual mediante un diagrama de flujo.
• La inteligencia artificial se puede aplicar a la entrada, durante y en la salida del
proceso.
• El componente de inteligencia artificial es un sistema de aprendizaje automático
capaz de construir, detectar y descifrar patrones y correlaciones, análogos al
aprendizaje y razonamiento usados por los humanos.
• Matlab es un software que permite identificar objetos (EPP) en imágenes mediante
la inteligencia artificial.
9.2. RECOMENDACIONES
• Es necesario ampliar el tema en cuestión para obtener soluciones más eficientes.
• Es recomendable tener conocimiento básico – intermedio del lenguaje de
programación que usa el software Matlab.
• Es recomendable tener una secuencia lógica en el diagrama de flujo del modelo.
• Es recomendable identificar las variables de estudio (Entrada y salida) y el proceso.
• Actualmente existen varias soluciones de inteligencia artificial, es recomendable
estudiar todas las alternativas.
• Es recomendable establecer las especificaciones técnicas del modelo IA.

10. BIBLIOGRAFÍA
• Anónimo (s.f.). Inteligencia Artificial. Recuperado el 7 de noviembre de 2020, de
Prevenciones: https://prevencionar.com/2018/07/17/inteligencia-artificial-y-
prevencion-de-riesgos-laborales/
• Baldi, M. (3 de noviembre de 2017). Como usar la inteligencia artificial en la
industria. Recuperado el 7 de noviembre de 2020, de infobae:
https://www.infobae.com/tendencias/innovacion/2017/11/03/como-usar-
inteligencia-artificial-para-prevenir-accidentes-laborales/
• Anónimo (4 de enero de 2017). El comienzo de la era de la Inteligencia Artificial.
Recuperado el 7 de noviembre de 2020, de OpenMind:
https://www.bbvaopenmind.com/tecnologia/inteligencia-artificial/el-comienzo-de-
la-era-de-la-inteligencia-artificial/
• Anónimo (s.f.). Variables de entrada y salida. Recuperado el 7 de noviembre de
2020, de Sistemas de control: https://sites.google.com/site/tecnoindus1/sistemas-
decontrol?tmpl=%2Fsystem%2Fapp%2Ftemplates%2Fprint%2F&showPrintDialog
=1#:~:text=Variable%20de%20entrada%3A%20es%20una,la%20salida%20de%2
0un%20sistema.
• Anónimo (s.f.). EPP. Recuperado el 17 de noviembre de 2020, de Alfa:
https://agroinsumosalfaltda.com/?p=1980
• Matlab. Image Processsing and Computer Vision. Recuperado el 17 de noviembre
de 2020, de MathWorks: https://la.mathworks.com/solutions/image-video-
processing/object-recognition.html

Apef2 Ind G8

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apef2 Ind G8

Cargado por

Copyright:

Formatos disponibles

NOMBRES: CÓDIGO SAGA:

EST. ELMER CAHUAYA HUAÑAPACO A 19797 – 1

ASIGNATURA: MODELADO Y SIMULACIÓN Nº GRUPO: 8

ESPECIFICACIONES TÉCNICAS DEL MODELO IA

La aparición de la Inteligencia Artificial (IA) ha conducido a la aparición de aplicaciones

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 1 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

La Inteligencia Artificial (IA) es la combinación de algoritmos planteados con el

3.3. VARIABLE DE ENTRADA

3.4. VARIABLE DE SALIDA

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 2 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

FIGURA 1. VARIABLES DE ENTRADA Y SALIDA DEL PROCESO

3.5. NUMERO ALEATORIO

3.6. LA OPERATIVIZACIÓN DE VARIABLES

Explica cómo se define el concepto específicamente en el estudio planteado, que

Comprende los siguientes pasos:

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 3 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

Las empresas pueden presentar diferentes tipos de riesgos en el desarrollo de su

Según el Instituto Internacional de Seguridad y Salud en el Trabajo, las organizaciones

El equipo de protección personal tiene como principal objetivo proteger la vida e

El reconocimiento de objetos es una técnica de visión artificial para identificar objetos

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 4 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

4.2. ENFOQUE DEEP LEARNING

4.3. FLUJO DE TRABAJO DE MACHINE LEARNING

Para llevar a cabo el reconocimiento de objetos con un enfoque estándar de machine

Estas características se añaden a un modelo de machine learning, el cual las dividirá

Es posible utilizar diversos algoritmos de machine learning y métodos de extracción de

Actualmente los trabajadores de la empresa Constructora y Consultora I.E.C, no hacen

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 5 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

4.5. VARIABLE DE ENTRADA Y SALIDA

Variable de entrada : Detección de Equipos de Protección Personal.

Fuente: Elaboración propia

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 6 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

A continuación se muestra el proceso y la relación de la variable de entrada y salida.

FIGURA 2. DIAGRAMA DE CONTEXTO DE LAS VARIABLES

Departamento de DETECCIÓN DE EQUIPOS

Fuente: Elaboración propia en base a guia de Cillero Manuel, 2016.

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 7 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

5.2. DIAGRAMA DE FLUJO

FIGURA 3. DIAGRAMA DE FLUJO

Selección de una opción

Identificación de los EPP en

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 8 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

FIGURA 3. DIAGRAMA DE FLUJO (Continuación)

Identificar la cantidad de EPP

¿Desea tomar medidas

Matriz (Por áreas de

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 9 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

5.3. DIAGRAMA UML DE CASOS DE USO

El presente diagrama de casos de uso representa la forma en que el encargado de

FIGURA 4. DIAGRAMA UML DE CASOS DE USO

Código: APEF2 IND G8 Versión: 0 Fecha: Noviembre 18, 2020 Página 10 de 19

ESPECIFICACIONES TÉCNICAS DEL MODULO IA

5.4. DIAGRAMA SECUENCIA (Flujo normal)

FIGURA 5. DIAGRAMA UML DE SECUENCIA