Modelo de visión artificial para el reconocimiento de la Lengua de Señas Mexicana
Machine Vision Model for Mexican Sign Language Recognition
DOI:
https://doi.org/10.5281/zenodo.17546270Palabras clave:
Visión artificial, Deep Learning, Lengua de Señas Mexicana (LSM), Design Thinking, ComunicaciónResumen
Actualmente, existen en el mundo millones de personas con algún tipo de discapacidad que enfrentan problemas de discriminación y que además están marginadas de muchas actividades. Derivado de lo anterior, llevan una vida con límites que no les permiten pasar sus días con total satisfacción. Por ello se diseñó un modelo computacional para el reconocimiento de la Lengua de Señas Mexicana (LSM), mediante el procesamiento de imágenes, herramientas de visión artificial y Redes Neuronales Artificiales (RNA), con el fin de aportar una propuesta para esta área de oportunidad. Para la obtención del diseño conceptual del prototipo, se utilizó la metodología Design Thinking (DT), en la cual es sumamente importante el diseño centrado en el usuario para la solución del problema. El objetivo final es desarrollar un sistema de cómputo para el reconocimiento de la LSM utilizada por personas con discapacidad auditiva, del habla o ambas; y que se ven obligadas a comunicarse mediante los lenguajes de señas.
Citas
Cisco Systems. (2015). Perspectiva ejecutiva sobre la nube: Computación en la nube, un cambio en la función e importancia de los equipos de TI. Cisco Systems, Inc. https://www.cisco.com/c/dam/r/es/la/internet-of-everything-ioe/assets/pdfs/c11_733578_00_intercloud_wp_v5a.pdf
INDEPEDI, Capital Social Por Ti. (2017). Diccionario de Lengua de Señas Mexicana-Ciudad de México (LSM). Ciudad de México: DLSM COMISA.indb.
Dinngo Lab. (2022). Design Thinking en español. Recuperado de: https://www.designthinking.es/inicio/index.php
Garcia Incertis, I., Gomez Garcia-Bermejo, J., & Zalama Casanova, E. (2006). Hand Gesture Recognition for Deaf People Interfacing. ICPR '06: Proceedings of the 18th International Conference on Pattern Recognition. https://doi.org/10.1109/ICPR.2006.619.
González Riveros, C. G., & Yimes Inostra, F. J. (2016). Sistema de reconocimiento gestual de lengua chilena mediante cámara digital. Valparaíso, Chile: Pontificia Universidad Católica.
Instituto Nacional de Estadística y Geografía, INEGI (2020). Información de México para niños: Discapacidad. Obtenido de https://cuentame.inegi.org.mx/poblacion/discapacidad.aspx#:~:text=De%20acuerdo%20con%20el%20Censo,la%20población%20total%20del%20país.
Li, Y. (2012). Hand gesture recognition using Kinect. Louisville, Kentucky: University of Louisville. https://ir.library.louisville.edu/etd/823
López Saca, F. (2019). Clasificación de imágenes usando redes neuronales convolucionales. Ciudad de México: Universidad Autónoma Metropolitana.
Mejía López, J. A., Ruiz Guzmán, O. A., Gaviria Ocampo, L. N., & Ruiz Guzmán, C. P. (2019). Aplicación de metodología design thinking en el desarrollo de cortadora automática CNC para MiPyME de confección. Revista UIS Ingenierías, 18(3), 157-168. doi: https://doi.org/10.18273/revuin.v18n3-2019016
Razo Gil, L. J. (2009). Sistema para el reconocimiento del alfabeto dactilológico. Ciudad de México: Centro de investigación en computación - Instituto Politécnico Nacional.
Santos, D., Dallos, L., & Gaona García, P. A. (2020). Algoritmos de rastreo de movimiento utilizando técnicas de inteligencia artificial y machine learning. Información Tecnológica, 31(3), 23-38. doi: http://dx.doi.org/10.4067/S0718-07642020000300023
Serafín de Fleischman, M. E., & González Pérez, R. (2011). Manos con voz. Diccionario de lengua de señas mexicana. Ciudad de México: CONAPRED.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Derlis Hern´ández Lara, Emmanuel Tonatihu Juárez Velázquez, Carlos Alfonso Trejo Villanueva
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
