Tocando Estrellas

Tocando Estrellas:

Esta instalación lo que busca es hacer una simulación de cómo sería tocar un pedazo de estrella como reaccionaria la luz de estas frente al tacto con un ser humano.
Para eso se han puesto pedazos de estrellas dentro de cubos herméticos diseñados por laboratorios especializados, que permiten mantener el calor de la estrella encerrado en el interior de los cubos.
Esa luz responde directamente al movimiento, ya que en la tierra al existir la gravedad afecta los núcleos de las estrellas y estas son vulnerables a los movimientos.

La idea es desarrollar una fila de 4 o 5 cubos colgando desde el techo de 8x8x8 para que allá interacción con las personas y estas puedan interactuar con la instalación.
Para lograr esto vamos a mezclar dos tipos de programación.
La de cube leds rgb con sensor, y la de 3d cube con leds rgb:
A continuación unos videos para explicar la programación que mezclaremos

3d cube:



Cube leds rgb y acelerometro:

Proyecto AO

"Remplazar la hoja de asistencia en los libros de clases y dar paso a un sistema inteligente que permita la detección de los estudiantes en la sala de clases.

Un sistema que recopile la información detallada del alumno; contactos, alergias, discapacidades, etc. Para facilitar el manejo del alumno en caso de emergencia

Así este sistema mantendrá una base de datos segura y confiable de los alumnos del establecimiento".

Objetivo:

Los objetivos que se están buscando es lograr facilitar el trabajo a los profesores, alumnos y cuerpo docente de un establecimiento, ya que con esto se ahorran minutos importantes de la jornada de clases.

Mantener los datos del alumno en caso de emergencias para así, solucionar problemas o complicaciones que tenga el alumno.

Mantener un conteo exacto de la asistencia por clase, que pueda ser revisado directamente por los apoderados, para mantener un control directo sobre el estudiante.

Mejorar la relación de Profesor/Alumno, si el profesor sabe los problemas que tiene el alumno, este será capas de manejarlo con otro sistema de aprendizaje.

Esto será de vital ayuda en el caso de alumnos con discapacidades, o déficit atencional, ya que es muy común que ellos no presten atención a la lista de clases, y quedan generalmente como ausentes, lo cual les produce repetir el año escolar.

Descripción:

Dentro de una sala de clases común se pueden encontrar en promedio 25 a 34 alumnos. Al comenzar la clase el profesor tiene que pasar la asistencia correspondiente. Así por cada alumno, imaginemos que se demora 30 segundos en decir el nombre del alumno y que este conteste, en un curso grande con un total de 34 alumnos, se pierden 17 minutos de valiosa conexión del profesor con el alumno en pasar la asistencia.

En el caso de que haya algún accidente o que algún alumno se encuentre enfermo este será atendido en la enfermería del establecimiento. La enfermera o profesor que lo atenderá, tiene que saber si el alumno es alérgico a algún medicamento la enfermera o profesor tienen que llamar al apoderado y consultar ó en su defecto revisar el libro de clases o el cuaderno del alumno para verificar estos datos, se pierden aproximada mente entre 7 a 10 minutos que podrían ser fatales en el caso de una emergencia.

También podemos encontrar en la sala de clases un alumno con alguna deficiencia atencional en el caso más simple o como un alumno con alguna discapacidad. Si el alumno comienza a reaccionar de forma agresiva o demasiado introspectiva (en el caso de autismo por ejemplo que se presentan las dos formas o en el caso de alumno con epilepsia) el profesor no sabrá como reaccionar frente a esta situación, y muy probablemente cometa mas errores que aciertos ya que esto no fue previamente prevenido.

Fundamentos:

Partiendo por la etiología de la mala distribución socioeconómica, que se refleja directamente en la educación pre escolar, básica y media de los jóvenes de este país; asociado a ámbitos políticos, psicológicos, éticos, jurídicos y geográficos que afectan las dimensiones del desarrollo humano, surge la necesidad de abordar un sistema de prevención para proteger a los estudiantes, dentro de los establecimientos educacionales.

Conocer sus características sicosomáticas, biológicas y sociales. Ayudan a los docentes a establecer una conexión más directa con el alumnado mejorando así considerablemente el ambiente de aprendizaje, el usar el tiempo al máximo dentro de la sala de clases, ayuda a los alumnos y al profesor a organizar mejor el tiempo distribuido por materia.

De esta forma y solo a si, el actuar en caso de emergencias será más rápido y efectivo y agilizara los procedimientos de evacuación, asistencia, medicación del alumnado

Estos cambios conllevan a una mayor compresión de las causas generadoras de este fenómeno y de su abordaje considerando la multicausalidad desde una tríada (persona - contexto - sociocultural - aprendizaje) que debe servir de base o fundamento para cualquier programa de prevención en drogas. Con respeto a:

La persona: Se debe tomar en cuanta como sujeto vulnerable con una serie de características biológicas, sociales y psicológicas.
El contexto sociocultural: Se debe considerar como medio de socialización: familia, comunidad y grupos de pertenencia.

Los programas expuestos pertenecen a MINEDUC donde se alude a que una mejor educación es una educación más cercana y más amistosa.

Propuesta:

Proyecto AO

“Proyecto de Asistencia Omnipresente”

Tecnología Face detection

Face detection corresponde a la detección de rostros, es una tecnología computacional que determina la ubicación y el tamaño de rostros humanos en imágenes digitales. Detecta los rasgos faciales y hace caso omiso de cualquier otra cosa, como edificios, árboles y cuerpos.

Reconocimiento Facial:

Un sistema de reconocimiento facial es una aplicación informática para la identificación automática de una persona, de una imagen digital o un fotograma de video. Una de las maneras de hacer esto es mediante la comparación de los rasgos faciales seleccionados de la imagen y una base de datos faciales.

Generalmente se usa en los sistemas de seguridad y se puede comparar con otros datos biométricos como las huellas digitales o el iris del ojo.

Tradicional

Algunos de los algoritmos de reconocimiento facial identifican las caras mediante la extracción de puntos de referencia, o características, a partir de una imagen de la cara del sujeto. Por ejemplo, un algoritmo que puede analizar la posición relativa, tamaño y / o la forma de los ojos, la nariz, los pómulos y la mandíbula. Estas características se utilizan para buscar otras imágenes con características coincidentes.

Otros algoritmos normalizan una galería de imágenes de la cara y luego comprime la cara con datos, sólo guardar los datos en la imagen que es útil para la detección de rostros.

Una imagen de la cámara se compara con los datos de la cara. se basa en técnicas de ajuste de plantilla, aplica a un conjunto de datos destacados de los rasgos faciales, proporcionando una especie de representación de cara comprimida.

Algoritmos de reconocimiento se puede dividir en dos enfoques principales, geométrico, que trata de distinguir las características fotométricas. Es un método estadístico que divide una imagen en valores y comparar los valores con las plantillas para eliminar las diferencias.

Los algoritmos de reconocimiento más populares son:

Análisis de Componentes Principales de estructura de rostro ( Principal Component Analysis which eigenface)

Análisis lineal discriminativo ( Linear Discriminate Analysis)

Grupo elástico de gráficos coincidentes (Elastic Bunch Graph Matching fisherface)

Eigenfaces

Es un conjunto de vectores utilizados en el problema de la visión por computadores de reconocimiento de rostro humano. El enfoque de la utilización de eigenfaces de reconocimiento fue desarrollado por Sirovich y Kirby (1987) y utilizado por Matthew Turk y Alex Pentland en la clasificación de las caras. Es considerado el primer ejemplo exitoso de la tecnología de reconocimiento facial. Los vectores propios se derivan de la matriz de covarianza de la distribución de probabilidad del espacio vectorial de dimensión alta posible en caras de seres humanos.

Para generar un conjunto de eigenfaces, un gran conjunto de imágenes digitalizadas de los rostros humanos, adoptadas en virtud de la mismas condiciones de iluminación, se normalizan para alinear los ojos y la boca. Luego se vuelve a muestrear todos los píxeles de resolución en el mismo. Eigenfaces puede ser extraído de los datos de imagen por medio de una herramienta matemática llamada análisis de componentes principales (ACP).

El eigenfaces que se creó aparecerá como áreas claras y oscuras que se organizan en un patrón específico. Este patrón es cómo las características diferentes de una cara son escogidos para ser evaluados y anotó. Habrá un modelo para evaluar la simetría, si hay algún tipo de vello facial, en la línea del cabello es, o evaluar el tamaño de la nariz o la boca. Eigenfaces Otros modelos que no son tan simples de identificar, y la imagen de la eigenface puede parecer muy poco como un rostro.

Éstos son los pasos involucrados en la creación de un conjunto de eigenfaces:

1. Las caras que constituyen el conjunto de guias deben ser preparadas para el tratamiento, en el sentido de que todos deberían tener la misma resolución y que las caras deben ser más o menos alineadas. Cada imagen es vista como un vector, simplemente mediante la concatenación de las filas de píxeles de la imagen original. Una imagen en escala de grises con filas y columnas c r tanto, es representado como un vector con los elementos RXC. En el siguiente análisis se asume todas las imágenes del conjunto de entrenamiento se almacenan en una sola matriz T, donde cada fila de la matriz es una imagen.

2. La imagen de un promedio debe ser calculada y se restará de cada imagen original en T.

3. Calcula los vectores propios y valores propios de la matriz de covarianza S. Cada vector propio tiene la misma dimensionalidad que las imágenes originales y pueden ser vistos como una imagen. Los vectores propios de la matriz de covarianza Por consiguiente, se eigenfaces. Son las direcciones en las que las imágenes en el conjunto de entrenamiento difieren de la imagen media. En general, esto será un paso costoso computacionalmente (cuando es posible), pero la aplicación práctica de eigenfaces se deriva de la posibilidad de calcular los vectores propios de S de manera eficiente, sin la informática S explícitamente.

4. Selecciona los componentes principales. La matriz de covarianza DxD resultará en vectores propios D, cada una representando una dirección en el espacio de la imagen. Mantenga los vectores propios con valores propios mayores asociados.

El programa detecta al alumno y es ingresado en la base de datos de asistencia a clases.