TESIS JoabApaza Rev24

UNIVERSIDAD NACIONAL MAYOR DE SAN
MARCOS
FACULTAD DE INGENIERÍA ELECTRÓNICA Y ELÉCTRICA
E.P DE INGENIERÍA ELECTRÓNICA

CALIBRACIÓN RADIOMÉTRICA PARA CÁMARA INFRARROJA DE
BAJO COSTO APLICADO A ESTUDIOS TERMOGRÁFICOS
TESIS
Para optar el Título Profesional de Ingeniero Electrónico

AUTOR
Joab Max Alonso Apaza Martinez

ASESOR
Flavio Nireo Carrillo Gomero
Lima, Perú 2023

II
Dedicado a los futuros ingenieros que opten por la modalidad de titulación de tesis
ordinaria, espero les pueda servir de referencia este trabajo que tantas
complicaciones e impedimentos tuvo durante su etapa final.
III
Agradecimientos
Agradezco al Instituto Geofísico del Perú por permitirme desarrollar esta tesis con sus
materiales y el uso de sus instalaciones, así mismo a INNOVATE Perú por el apoyo a la
institución. A los compañeros de trabajo en el Radio Observatorio de Jicamarca por sus
aportes a lo largo del desarrollo y a mi asesor el Ingeniero Flavio Carrillo por su orientación.
IV
Índice general
INTRODUCCION...................................................................................................................... 13
Introducción ....................................................................................................................... 13
Planteamiento del problema ............................................................................................. 14
Determinación del problema ......................................................................................... 14
Formulación del problema. ............................................................................................ 15
Objetivos ............................................................................................................................ 16
Objetivo General ............................................................................................................ 16
Objetivos Específicos...................................................................................................... 16
Importancia y alcance de la investigación. ........................................................................ 17
Importancia .................................................................................................................... 17
Alcance de la investigación. ........................................................................................... 18
Limitaciones de la investigación. ....................................................................................... 18
REVISION DE LITERATURA ...................................................................................................... 19
Marco Teórico .................................................................................................................... 19
Base Teórica ....................................................................................................................... 19
Radiación Electromagnética........................................................................................... 19
Radiación infrarroja........................................................................................................ 21
Cuerpo negro ................................................................................................................. 21
Cuerpos negros técnicos ................................................................................................ 23
Emisividad y reflectancia................................................................................................ 25
Cámaras térmicas........................................................................................................... 27
Medición con cámara térmica. ...................................................................................... 29
Transmitancia atmosférica............................................................................................. 30
Reflectividad del objeto ................................................................................................. 31
Correcciones .................................................................................................................. 31
Calibración de cámaras térmicas ................................................................................... 32
Aplicaciones de las cámaras térmicas. ........................................................................... 35
Procesamiento de imágenes digitales ........................................................................... 36
Antecedentes del estudio .................................................................................................. 45
Definición de términos....................................................................................................... 47
HIPÓTESIS Y VARIABLES ......................................................................................................... 49
V
HipóT .................................................................................................................................. 49
Hipótesis general ........................................................................................................... 49
Hipótesis específicas ...................................................................................................... 49
Variables ............................................................................................................................ 49
Operacionalización de las variables ................................................................................... 50
Definición conceptual de la variable C ........................................................................... 50
Operacionalización de la variable C ............................................................................... 50
Definición conceptual de la variable E ........................................................................... 51
Operacionalización de la variable E ............................................................................... 51
Definición conceptual de la variable “Modelo matemático de la intensidad de radiación
infrarroja”....................................................................................................................... 51
Operacionalización de la variable “Modelo matemático de la intensidad de radiación
infrarroja”....................................................................................................................... 51
Definición conceptual de la variable “Temperatura calculada para la cámara de
estudio” .......................................................................................................................... 51
Operacionalización de la variable “Temperatura calculada para la cámara de estudio”
....................................................................................................................................... 52
Definición conceptual de la variable “software” ........................................................... 52
Operacionalización de la variable “software”................................................................ 52
Definición conceptual de la variable “Valores medibles de temperatura por pixel” .... 52
Operacionalización de la variable “Valores medibles de temperatura por pixel” ......... 53
Definición conceptual de la variable “Diseño e implementación de piezas mecánicas y
electrónicas complementarias” ..................................................................................... 53
Operacionalización de la variable “Diseño e implementación de piezas mecánicas y
electrónicas complementarias” ..................................................................................... 53
Definición conceptual de la variable “Solución al problema de enfoque manual de la
cámara.” ......................................................................................................................... 53
Operacionalización de la variable “Solución al problema de enfoque manual de la
cámara.” ......................................................................................................................... 54
MATERIALES Y METODOS ........................................................................................................ 1
Área de estudio .................................................................................................................... 1
Diseño de la investigación.................................................................................................... 1
Motor y sistema de enfoque ............................................................................................ 1
Obtención de temperatura .............................................................................................. 9
Diseño de cuerpo negro. ................................................................................................ 11
Diseño del software de procesamiento ......................................................................... 13
VI
Población y muestra .......................................................................................................... 25

Procedimientos, técnicas e instrumentos de recolección de información ........................ 26
Pruebas de calibración ................................................................................................... 26
Implementación en drone ............................................................................................. 32
Uso del software desarrollado. ...................................................................................... 34
Análisis estadístico ............................................................................................................. 35
RESULTADOS .......................................................................................................................... 36
Presentación y análisis de los resultados........................................................................... 36
Pruebas en laboratorio .................................................................................................. 36
Pruebas en drone ........................................................................................................... 38
DISCUSION ............................................................................................................................. 45
EVALUACION ECONOMICA Y FINANCIERA ............................................................................. 46
Beneficios sociales y económicos del proyecto ................................................................. 46
Evaluación de gastos e inversión ....................................................................................... 47
Gasto de capital inicial (CAPEX) ..................................................................................... 47
Gastos de operación y mantenimiento (OPEX).............................................................. 48
Gasto total...................................................................................................................... 48
Comparativa de alternativas comerciales ...................................................................... 49
CONCLUSIONES Y RECOMENDACIONES................................................................................. 49
Trabajos futuros ................................................................................................................. 50
BIBLIOGRAFÍA......................................................................................................................... 51
ANEXOS .................................................................................................................................. 55
Anexo A .............................................................................................................................. 55
Matriz de consistencia ................................................................................................... 55
Anexo B .............................................................................................................................. 58
Cámara Térmica ............................................................................................................. 58
Rex C100......................................................................................................................... 66
Motor DC........................................................................................................................ 70
Anexo C .............................................................................................................................. 73
Código del microcontrolador para el mecanismo de enfoque ...................................... 73
Código de regresión ....................................................................................................... 75
Librería para el reconocimiento de números y procesamiento de Imágenes ............... 78
Software desarrollado para procesar y visualizar de vídeos térmicos .......................... 83
Anexo D .............................................................................................................................. 93
VII
Índice de Figuras
Figura 1. Imagen térmica adquirida por el mismo sensor, compartida por el fabricante.
Fuente: Hivintek. .................................................................................................................... 15
Figura 2. Onda electromagnética. Fuente: (Serway y Jewett, 2004, p. 1071) ....................... 20
Figura 3. Espectro infrarrojo. Fuente: (Prieto, 2018) ............................................................. 21
Figura 4. Curvas de radiación de los cuerpos negros a distintas temperaturas. Fuente:

Elaboración propia ................................................................................................................. 23
Figura 5. Formas de cavidades comunes para cuerpos negros. Fuente: (Williams, 2009, p.
90) .......................................................................................................................................... 24
Figura 6. Cuerpo negro tipo plato caliente. Fuente: (Omega Engineering Inc., 2018). ......... 25
Figura 7. Radiación de tipos de emisores. Fuente: (Vollmer y Möllmann, 2018, p. 52) ........ 26
Figura 8. Esquema con las partes generales de una cámara térmica. Fuente: Elaboración
propia. .................................................................................................................................... 28
Figura 9. Transmisión atmosférica a distintas alturas y distancias. Fuente: (Harris, 2013, p.

562) ........................................................................................................................................ 30
Figura 10. Medición de temperatura de un cuerpo gris. Fuente: Elaboración propia .......... 31
Figura 11. Calibraciones a nivel de píxel. Fuente: Elaboración propia. ................................. 33
Figura 12. Curva de la señal del detector con la temperatura. Fuente: (Vollmer y Möllmann,
2018, p. 205) .......................................................................................................................... 35
Figura 13. Ejemplo de resultados de operaciones entre imágenes. Fuente: Elaboración

propia. .................................................................................................................................... 39
Figura 14. Binarización de una imagen con distintos métodos. Fuente: Elaboración propia.40
Figura 15. Ejemplo de matriz del filtro gaussiano. Fuente: Elaboración propia. ................... 43
Figura 16. Ejemplos de máscaras para los filtros Sobel y Laplaciano. Fuente: Elaboración
propia. .................................................................................................................................... 43
Figura 17. Transformada rápida de Fourier de una imagen. Fuente: Elaboración propia..... 44
Figura 18. Variación del enfoque respecto al detector. Fuente: Elaboración propia. ............. 3
Figura 19. Piezas diseñadas en 3D. Fuente: Elaboración propia.............................................. 4
Figura 20. Simulación de deformación en Autodesk Inventor. Fuente: Elaboración propia. .. 5
Figura 21. Componentes del sistema, (a) Receptor R6208SB, (b) Arduino nano, (c) Módulo
L298n, (d) Motor Pololu. Fuente: Elaboración propia. ............................................................ 7
Figura 22. Esquema de conexión electrónica para enfoque. Fuente: Elaboración propia. ..... 7
VIII
Figura 23. Diagrama de flujo para el programa de enfoque. Fuente: Elaboración propia. ..... 8
Figura 24. Piezas reales fabricadas con PLA ya ensambladas. Fuente: Elaboración propia. ... 9
Figura 25. Resistencia de nicromo, a) Sin energía eléctrica, b) Con 220v AC. Fuente:
Elaboración propia. ................................................................................................................ 10
Figura 26. Diagrama de conexión para cuerpo negro. Fuente: Elaboración propia. ............. 11
Figura 27. Diseño (a) e implementación (b) de cuerpo negro técnico. Fuente: Elaboración
propia. .................................................................................................................................... 12
Figura 28. Imagen de salida de cámara IR con los valores de temperatura equivalente al ADC
interno. Fuente: Elaboración propia. ..................................................................................... 14
Figura 29. Localización de los números de interés. Fuente: Elaboración propia................... 14
Figura 30. Diagrama de bloques del aplicativo. Fuente: Elaboración propia. ....................... 15
Figura 31. Conversión de escala de grises a pseudocolor. Fuente: Elaboración propia. ....... 16
Figura 32. Plantillas de números 3 y 6. Fuente: Elaboración propia...................................... 17
Figura 33. Extracción de fragmentos de imagen. Fuente: Elaboración propia. ..................... 18
Figura 34. Aplicaciones de binarizaciones para los recortes. Fuente: Elaboración propia. ... 19
Figura 35. Reconocimiento de números usando diferencia de imágenes para los números 3,
2, y 7. Fuente: Elaboración propia. ........................................................................................ 20
Figura 36. Reconocimiento usando un operador lógico entre imágenes para los números 3,
2, y 7. Fuente: Elaboración propia. ........................................................................................ 21
Figura 37. Reconocimiento usando una correlación para el número 3. Fuente: Elaboración
propia. .................................................................................................................................... 22
Figura 38. Reconocimiento usando una correlación para el número 8. Fuente: Elaboración
propia. .................................................................................................................................... 22
Figura 39. Bloques del programa de reproducción de video. Fuente: Elaboración propia. .. 25
Figura 40. Calibración en el laboratorio de IDI, ROJ. Fuente: Elaboración propia. ................ 27
Figura 41. Curva SIFT experimental temperatura en Celsius vs números de pantalla. Fuente:
Figura 42. Curva regresión Planck para temperatura en Celsius. Fuente: Elaboración propia.
............................................................................................................................................... 30
Figura 43. Curva de regresión polinomial para temperatura en Celsius. Fuente: Elaboración
propia. .................................................................................................................................... 31
Figura 44. Obtención de función error de temperatura en base a distancia. Fuente:

IX
Figura 45. Implementación en drone. Fuente: Elaboración propia. ...................................... 33
Figura 46. Aplicativo desarrollado para el procesamiento de los videos capturados con la
cámara térmica. Fuente: Elaboración propia. ....................................................................... 34
Figura 47. Medidas en laboratorio para 90 (izquierda) y 165◦ C (derecha) para regresión
polinomial (superiores) y de Planck (inferiores). Fuente: Elaboración propia. ..................... 36
Figura 48. Puntos de prueba en el plato caliente. Fuente: Elaboración propia. ................... 37
Figura 49. Resolución para las pruebas. Fuente: Elaboración propia. ................................... 39
Figura 50. Variación de temperatura según el enfoque. Fuente: Elaboración propia. ......... 41
Figura 51. Imagen tomada desde la micro cámara. Fuente: Elaboración propia. ................. 42
Figura 52. Imágenes capturadas desde el Drone para distintos valores de temperatura.
Fuente: Elaboración propia. ................................................................................................... 43
Figura 53. Revisión de log de vuelo en programa Mission Planner. Fuente: Elaboración
propia. .................................................................................................................................... 44
Figura 54. Cámara térmica con envoltura impresa en 3D. Fuente: Elaboración propia. ....... 58
Figura 55. Jerarquía en el diseño del programa. Fuente: Elaboración propia. ...................... 84
Figura 56. Captura de las primeras pruebas realizadas, con temperatura a 190°C. Fuente:
X
Índice de Tablas
Tabla 1. Regiones del espectro electromagnético ................................................................. 20
Tabla 2. Comparación de los motores. .................................................................................... 3
Tabla 3. Asignación de canales extra en el receptor de radio. ................................................ 6
Tabla 4. Comparación de tiempos de ejecución, promedio de 100 repeticiones. ................ 23
Tabla 5. Datos obtenidos en la calibración, temperatura en Celsius .................................... 28
Tabla 6. Variación de la temperatura (Celsius) según la distancia. ....................................... 32
Tabla 7. Temperatura real y medida con la cámara, en °C. ................................................... 37
Tabla 8. Temperatura homogénea del plato respecto a la deseada en °C. ........................... 38
Tabla 9. Valores recolectados con las pruebas con el drone. ................................................ 42
Tabla 10. Gastos de materiales comprados, con precios del 2019 y 2023. ........................... 47
Tabla 11. Gastos operativos de la tesis, con precios el 2019 y 2023. .................................... 48
Tabla 12. Total de gastos del proyecto para el año 2019 y actualizados al 2023. ................. 48
Tabla 13. Precios de cámaras térmicas científicas, datos con tipo de cambio estimado a 3,3
consultados en el 2019 cuando se inició el proyecto de tesis, y actualizado al 2023 con
cambio a 3.6. .......................................................................................................................... 49
Tabla 14 Matriz de consistencia del proyecto. ...................................................................... 56

XI
Resumen
La finalidad de este proyecto fue desarrollar la calibración radiométrica de una cámara

térmica de bajo costo, la cual entrega valores cualitativos de temperatura en base a una
escala de colores, y obtener valores cuantitativos medibles para todas las imágenes que se
adquieran. Se inicio configurando el objeto de referencia de temperatura para luego obtener
un modelo matemático que permita conocer la respuesta del sensor, posteriormente se
implementó el modelo matemático en un software desarrollado para el reconocimiento de
números y procesamiento de imágenes que facilitó el acceder a los valores de temperatura
en cada pixel de la imagen, además se complementó el sistema con actuadores mecánicos
que permitieron controlar remotamente el enfoque de la cámara y así mejorar las lecturas
de temperatura; finalmente se incluyó también una corrección en base a la distancia del
objeto. Para evaluar todo el sistema, este se instaló en un drone tipo hexacóptero con el cual
se adquirieron imágenes térmicas que fueron usadas para evaluar la calibración. Los
resultados luego de realizar la calibración radiométrica con todas las implicaciones y
complementos que requirió obtuvieron ligeras variaciones a la temperatura real, pero estas
fueron inferiores al 3% de la lectura, el cual es el error propio de la cámara. Por lo que se
concluye que el procedimiento de calibración radiométrico de la cámara de bajo costo
desarrollado permite obtener valores cuantitativos de temperatura estableciendo la
posibilidad de ser usados en estudios termográficos.
Palabras clave: cámara térmica, calibración, cuerpo negro, diseños 3D, procesamiento de
imágenes, desarrollo de software.
XII
Abstract
The purpose of this project was to develop the radiometric calibration of a low-cost thermal
camera, which provides qualitative temperature values based on a color scale, and to obtain
measurable quantitative values for all the acquired images. It began by configuring the
temperature reference object, and then a mathematical model was obtained which allows
knowing the response of the sensor, later the mathematical model was implemented in a
software developed for number recognition and image processing that facilitated access to
the temperature values in each pixel of the image, the system was also complemented with
mechanical actuators that allowed remote control of the camera focus and thus improved
temperature readings; Finally, a correction based on the distance of the object was also
included. To evaluate the entire system, it was installed on a hexacopter-type drone with
which thermal images were acquired, these images were used to evaluate the calibration.
The results after performing the radiometric calibration with all the implications and
complements that it required obtained slight variations to the real temperature. Still, these
were less than 3% of the reading, which is the camera's own error. Therefore, it is concluded
that the radiometric calibration procedure of the low-cost thermal camera developed allows
for obtaining quantitative temperature values, establishing the possibility of being used in
thermographic studies.
Keywords: thermal camera, calibration, black body, 3D designs, image processing,

software development.
13
INTRODUCCION
Introducción
Actualmente en el mercado es posible encontrar cámaras térmicas a un precio moderado y

accesible, sin embargo, algunas de estas cámaras si bien cuentan con un sensor térmico
capaz de medir la temperatura de un objeto, solo se usan como referencia visual para saber
qué objeto se encuentra a una mayor temperatura respecto a su entorno, o para ver en
entornos de muy poca o nula iluminación.
La evolución y aplicación de estas cámaras ha sido progresiva desde el siglo pasado, las
primeras cámaras térmicas necesitaban un sistema de enfriamiento que mantenga su
temperatura a niveles criogénicos (−195,79° C) para el funcionamiento de sus detectores
(Harris, 2013), estos sistemas son voluminosos y costosos. En la década de los 90’s
investigaciones en el campo militar llevaron al desarrollo de cámaras térmicas pequeñas y
compactas, inicialmente usadas solo para vigilancia, pero en los últimos años han sido
aplicadas en distintas áreas como agricultura, arquitectura, electricidad y medicina
(Vollmer y Möllmann, 2018); estas cámaras junto a las aeronaves pilotadas remotamente
(RPA en inglés), más conocidos como drones, han permitido adquirir imágenes térmicas
de lugares de difícil acceso a las personas, permitiendo así expandir el estudio térmico a
otros campos. El estudio de la temperatura de los cuerpos, denominada termografía, ha
sido aplicada a distintos campos de estudio, uno de ellos el estudio de los volcanes, la
vulcanología. En la vulcanología se estudia la composición de los suelos, los gases
emitidos, la temperatura de la superficie, la temperatura de los fluidos de lava, la
temperatura de los gases para entender mejor el funcionamiento, creación, erupción y
consecuencias en el entorno geográfico y hacia los seres vivos por parte de los volcanes.
Con lo mencionado anteriormente se destaca la importancia del uso de estas cámaras, sin
embargo, para obtener resultados cuantitativos concretos y poder realizar estudios
termográficos, es necesario ir más allá de la aplicación básica de estas y generar un
desarrollo adecuado para obtener los resultados deseados.
14
En los capítulos siguientes se muestra el procedimiento desarrollado para calibrar una

cámara térmica de bajo costo para obtener los valores de temperatura. Parte del desarrollo
ha exigido un desarrollo en distintas habilidades y competencias, ya que se ha requerido
modelado matemático, diseño electrónico para controlar remotamente el enfoque y diseño
y simulación de piezas mecánicas, además de desarrollar software propio que permita
procesar las imágenes para obtener los valores finales de temperatura.
Planteamiento del problema
Determinación del problema
El Instituto Geofísico del Perú (IGP) a través del financiamiento de INNOVATE PERU
lanzó en el 2014 el proyecto “Monitoreo de Volcanes usando Vehículos Aéreos no
Tripulados (Unmanned Aerial Vehicles - UAV)” (Apaza et al., 2017) el proyecto tenía
contemplada la construcción de dos vehículos para el estudio ymonitoreo del volcán Ubinas.
El volcán Ubinas es considerado el volcán más activo del Perú (INSTITUTO GEOFISICO
DEL PERU (IGP), 2017) además de ser el segundo con mayor riesgo volcánico luego del
Sabancaya (IGP et al., 2017). Para lograr el monitoreo aéreo se planteó la instalación de
sensores dentro de un drone que permitan tomar datos de gases y usar una cámara sensible
al espectro infrarrojo para poder adquirir imágenes térmicas.
La adquisición de la cámara se realizó de forma directa con el fabricante de la misma, la

cámara que se solicitó debía ser una cámara pequeña y compacta, de forma que pueda caber
en los vehículos; esta parte de los requerimientos fue satisfecha, pero al realizarle más
pruebas se descubrió que no era posible obtener un valor cuantitativo de temperatura de las
imágenes adquiridas con la cámara. El fabricante aseguró que era posible usar esa cámara
para obtener temperatura (ver Figura 1), no obstante, ellos no podían darnos detalles sobre
la respuesta del sensor, o métodos de comunicación con el procesador, o programas de
procesamiento, ya que indicaron era información confidencial del fabricante. Luego de lo
comentado por el fabricante y de una mayor revisión se encontró que a través del menú de
usuario se podía acceder a los valores máximos y mínimos que detecta el sensor de la
cámara, esto mediante números con un rango aproximado de 30000 a 65000 relacionados
15
directamente con la temperatura del objeto observado, mas no se tenía la ecuación que da
lugar a estas cantidades.
Figura 1. Imagen térmica adquirida por el mismo sensor, compartida por el fabricante.
Fuente: Hivintek.
Formulación del problema.
Problema general. ¿Es posible realizar la calibración radiométrica de una cámara

infrarroja de bajo costo para realizar mediciones de temperatura para aplicarlo a estudios
termográficos?
Las imágenes de la cámara térmica no tienen asociados valores de temperatura
cuantitativos, además se desconoce los parámetros del sensor de radiación infrarrojo así
mismo el presupuesto es limitado.
Problemas específicos. Se tienen los siguientes problemas específicos para el

presente proyecto:
1. ¿Se puede obtener un modelo matemático de la intensidad de radiación infrarroja

con la temperatura calculada para la cámara de estudio? Ya que no se tiene un
16
modelo matemático del sensor que usa la cámara, por lo no se conoce la relación
de temperatura detectada. Sin embargo, muestra valores de distinta intensidad
lumínica o variaciones de color en base a la temperatura del cuerpo.
2. ¿Se puede desarrollar un software para obtener imágenes térmicas con valores
medibles de temperatura por pixel? Para conocer los valores de temperatura
asociado a cada pixel, es necesario un software específico capaz de entregarle esos
valores al usuario. Y aprovechar los valores máximos y mínimos mostrados por la
cámara que tienen relación con los máximos y mínimos de temperatura. Aunque
no es posible obtener ese valor por vías de comunicación electrónica (UART, RS-
232, etc.).
3. ¿Es posible solucionar el problema de enfoque manual de la cámara mediante el

diseño e implementación de piezas mecánicas y electrónicas complementarias? La
cámara presenta un sistema de enfoque mediante un lente enrollable, en cual
requiere ser ajustado manualmente por el usuario.
Objetivos
Objetivo General
El objetivo de esta tesis es desarrollar la calibración radiométrica de una cámara de

infrarroja de bajo costo para realizar mediciones de temperatura para aplicarlo a estudios
termográficos.
Objetivos Específicos
1. Obtener un modelo matemático de la intensidad de radiación infrarroja con la

temperatura calculada para la cámara de estudio.
2. Desarrollar un software para obtener imágenes térmicas con valores medibles de

temperatura por pixel.
17
3. Solucionar el enfoque manual de la cámara mediante el diseño e implementación

de piezas mecánicas y electrónicas complementarias.
Importancia y alcance de la investigación.
Importancia
En el año 1600, el Perú fue testigo de una de las más grandes erupciones de nuestra era, en
la actual región de Moquegua se encuentra el Huaynaputina, el cual produjo más de 1000
muertes por su violenta erupción sepultando un pueblo entero y oscureciendo el cielo de
gran parte de la región inclusive hasta Lima, Arequipa y Arica. Se cree incluso que esta
erupción cambió el clima global (Domínguez Faura, 2019). En los recientes años, se ha
visto como las erupciones de volcanes cercanos a localidades han causado muchos daños
económicos y sociales, se tiene el caso del volcán Kilauhuea que no causó víctimas
mortales debido a la naturaleza del mismo, pero recientemente el volcán de Fuego en
Guatemala, el cual dejó al menos 25 víctimas mortales y más de un millón de afectados
(CONRED, Guatemala , 2018), centenares de heridos y otros desaparecidos. Las
erupciones de los volcanes Ubinas y Sabancaya en el 2019 no han causado víctimas
mortales sin embargo lo ocurrido en otras partes del mundo muestran un posible escenario
a suceder en territorio peruano. Crónicas y estudios en otros volcanes muestran que tanto
la composición de las fumarolas como las variaciones de temperatura en el volcán (Dehn
et al., 2002) puede ser usado para estimar una posible erupción, con esto sería posible
preparar a la población aledaña para una posible emergencia.
Por otra parte, se estaría usando por primera vez una cámara de térmica de vigilancia en el
Perú para poder recolectar datos que sirvan a estudios científicos de actividad volcánica.
Los estudios que se generen no solo servirán para entender mejor el funcionamiento del
volcán en el cual está destinado a operar, sino que beneficiará enormemente a todos los
investigadores que realizan labores académicas con volcanes alrededor del mundo.
18
Alcance de la investigación.
Este trabajo de investigación se desarrolla para aprovechar el uso de una cámara de bajo
costo en aplicaciones científicas, usando la ecuación de Planck y algoritmos de
procesamiento de imágenes para lograr el objetivo, aportando así nuevos instrumentos a la
comunidad científica peruana para el estudio termográfico en el Perú.
Limitaciones de la investigación.
La aplicación final requiere que la toma de imágenes funcione a un rango de cientos de

metros, pero para la calibración y tener un ambiente controlado, se ha restringido a una
decena de metros en las pruebas y la calibración.
El software que procesa las imágenes de la cámara, tiene integrado el modelo matemático
de la cámara, y para acceder a los valores este debe ser ejecutado, no se contempla la
generación de archivos compatibles con otros sistemas, ni la generación de archivos de
imágenes de 4 dimensiones, incluyendo la temperatura a cada pixel.
Los mecanismos de enfoque son prototipos, que sirven para evaluar los conceptos, el
realizar estas piezas en versiones finales metálicas no se encuentra contemplado como parte
del proyecto, así como tampoco la inversión para mejorar este sistema de enfoque.
19
REVISION DE LITERATURA
Marco Teórico
Según (Ñaupas, 2014) la definición de marco teórico es la siguiente: “El marco teórico, en
el proyecto de investigación cuantitativo, es el contexto teórico-científico que sirve de base
a la investigación del problema científico. En la investigación cualitativa, recibe el nombre
de revisión de la literatura”. Igualmente describe sus componentes cómo: Antecedentes,
Bases teóricas-científicas, y Definición de términos básicos. Estos componentes son
abordados en las siguientes secciones de este capítulo, los conceptos que se presentarán son
los que el autor considera convenientes para que se pueda comprender el desarrollo
realizado en el presente trabajo de investigación.
Base Teórica
Radiación Electromagnética
Se define como radiación electromagnética a la propagación, transmisión y difusión de

energía mediante ondas electromagnéticas (OEM). Las ondas electromagnéticas son
portadoras de energía en pequeños paquetes denominados fotones, que se desplazan en un
campo eléctrico E y magnético B oscilante perpendiculares entre sí (ver Figura 2.b). Las
OEM no necesitan un medio para propagarse, y se desplazan a una máxima velocidad de c
= 2,9979x108ms−1 en el vacío. El tipo de OEM está determinado por su longitud de onda
λ, la cual es la distancia entre dos crestas consecutivas (ver Figura 2.a) o por su frecuencia
que es inversamente proporcional a su longitud de onda ν = c/λ.
20
Figura 2. Onda electromagnética. Fuente: (Serway y Jewett, 2004, p. 1071)
El campo magnético y eléctrico de las OEM tienen una relación constante en todo
momento, aun cuando estos son oscilantes se conserva que E/B = c. El espectro
electromagnético es infinito y se divide en regiones según su frecuencia o su longitud de
onda, siete son las regiones del espectro. Las regiones se muestran en la Tabla 1, donde se
aprecia la relación inversa descrita anteriormente entre la frecuencia ν y la longitud de onda
λ además de unos ejemplos con sus aplicaciones o manifestaciones.
Tabla 1. Regiones del espectro electromagnético
Región Frecuencia longitud de Ejemplo

Onda
Ondas de 30 Hz a 3 mayor a 10 cm Ondas de
Radio GHz Radiocomunicaciones
Micro 3 GHz a 10 cm a 1 mm Comunicaciones satelitales
Ondas 300 GHz
Infrarrojo 300 GHz a 1 mm a 0.78 µm Emisión natural de todos
384 THz los cuerpos
Visible 384 THz a 780 ηm a 400 ηm Luz solar
750 THz
Ultravioleta 750 THz a 400 ηm a 10 ηm Luz solar, lámparas UV
30 PHz
Rayos X 30 PHz a 10 ηm a 0,01 ηm Rayos cósmicos, Equipos
30 EHz de radiología
Rayos mayores a menores a 0,01 Rayos cósmicos, fisión
Gamma 30 EHz ηm nuclear
21
Fuente: Elaboración propia
Radiación infrarroja
Se define como radiación infrarroja a las ondas electromagnéticas comprendidas en el

intervalo de 0,78 a 1000 µm del espectro electromagnético. Naturalmente su origen
proviene de la radiación térmica, es decir que todo cuerpo con temperatura superior al cero
absoluto (0 °K o -273,15 °C) emite radiación infrarroja. El espectro infrarrojo comprende
una pequeña parte del espectro electromagnético, así como se observa en la Figura 3. En
termografía se definen tres bandas:
• Onda Corta (SW): Entre el rango de 0.9 a 3 µm.
• Onda Media (MW): Entre el rango de 3 a 5 µm.
• Onda Larga (LW): Entre el rango de 5 a 15 µm.
Figura 3. Espectro infrarrojo. Fuente: (Prieto, 2018)
Cuerpo negro
Se define un cuerpo negro como un emisor perfecto, absorbe toda la radiación que incide
en él o que lo atraviesa. Es un objeto ideal usado para los estándares en termografía, no
existe ningún objeto que a determinada temperatura y longitud de onda pueda radiar más
energía que un cuerpo negro en esas condiciones. La exitancia radiante espectral del cuerpo
negro en un hemisferio puede ser calculada mediante la ecuación de Planck (Harris, 2013,
22
p. 77) en el intervalo para λ:
2𝜋ℎ𝑐 2
𝑀(λ, T) = ℎ𝑐 (𝑊𝑚−2 𝑚−1 ) Eq 1
λ5 (𝑒 λ𝑘𝑇 − 1)
Donde h = 6,626 x 10 −34 Js es la constante de Planck , c = 2,9979x108ms −1 es la

velocidad de la luz, 𝑘 = 1,38𝑥10−23 𝐽𝐾 −1 es la constante de Boltzmann. Se definen
nuevas constantes para simplificar la Eq 1.
c1 = 2πhc2 = 3,741x10−16Wm2
c2 = hc/k = 1,4393x10−2mK
Obteniéndose:
2𝜋ℎ𝑐 2
𝑀(λ, T) = ℎ𝑐 (𝑊𝑚−2 𝑚−1 )
λ5 (𝑒 λ𝑘𝑇 − 1)
Eq 2
Las curvas de radiación con la ecuación de Planck (Figura 4) muestra que mientras más
elevada sea la temperatura del cuerpo, la gráfica se desplaza hacia valores pequeños de
longitud de onda, debido a esto la temperatura máxima que podamos medir estará limitada
a las longitudes de onda que es capaz de detectar la cámara.
23
Figura 4. Curvas de radiación de los cuerpos negros a distintas temperaturas. Fuente:

Elaboración propia
Cuerpos negros técnicos
El fabricar un cuerpo negro perfecto es imposible, pero se puede llegar a valores de

emisividad muy cercanos a la unidad alterando la forma de la superficie del cuerpo, de
modo que la luz incidente casi no sea reflejada, esto con el fin de usar el cuerpo negro como
una referencia óptica para la prueba y calibración de sensores IR. Existen dos métodos
prácticos para construir cuerpos negros técnicos.
El primer método es fabricar una cavidad en un bloque (Figura 5) de material de alta

conductividad térmica (principalmente aleaciones metálicas) y regular la temperatura de
este bloque utilizando un elemento de calentamiento/enfriamiento. La emisividad de los
cuerpos negros de la cavidad es típicamente superior a 0,995 incluso cuando la emisividad
de las paredes de la cavidad es mucho más baja (aproximadamente 0,5- 0,8). La mayoría
de los cuerpos negros de temperatura media o alta están diseñados utilizando el concepto
de cavidad. Los cuerpos negros de cavidad típicos disponibles comercialmente se
caracterizan por una abertura de emisión relativamente pequeña de aproximadamente 1
pulgada de apertura y una inercia temporal bastante alta.
El segundo método es colocar una capa de material de alta emisividad sobre un elemento
24
metálico plano de temperatura regulada (Figura 6). Algunas pinturas negras especiales de
emisividad igual a 0,97 se colocan sobre emisores de cuerpo negro. Los últimos elementos
están fabricados con metales de alta conductividad (generalmente cobre o aluminio). Es
posible utilizar el segundo método para lograr mayores aberturas de emisión y luego utilizar
el primer método. Los cuerpos negros diseñados utilizando los segundos métodos se
denominan cuerpos negros de área o platos calientes.
Figura 5. Formas de cavidades comunes para cuerpos negros. Fuente: (Williams,

2009, p. 90)
Los cuerpos negros del área también se caracterizan por una inercia temporal más baja que
los cuerpos negros de la cavidad debido a una masa más pequeña. Sin embargo, debido a
la falta de recubrimientos de alta emisividad resistentes a altas temperaturas, los cuerpos
negros del área pueden usarse solo a bajas temperaturas, típicamente la temperatura
máxima no es más de 400 °C (Chrzanowski, 2010, p. 92)
Actualmente hay varios laboratorios que ofrecen cuerpos negros, estos varían según el
rango de temperaturas, la superficie de observación, el tiempo de calentamiento, y la
estabilidad de temperatura. También es posible desarrollar cuerpos negros particularmente
a bajo costo que sirvan para experimentos que no requieran un nivel de emisividad tan alto
(Fidali y Mikulski, 2008).
25
Figura 6. Cuerpo negro tipo plato caliente. Fuente: (Omega Engineering Inc., 2018).
Emisividad y reflectancia
La emisividad de un objeto es la relación de la cantidad de radiación emitida realmente

desde la superficie a la emitida por un cuerpo negro a la misma temperatura. (Vollmer y
Möllmann, 2018, p. 31). Es decir, el radio entre las exitancias espectrales:
𝑀(λ, T)
𝜀(λ) = Eq 3
𝑀𝐵𝐵 (λ, T)
Los cuerpos con ε < 1 son denominados cuerpos grises. La mayor parte de los cuerpos son
de este tipo, pero existen cuerpos que tienen una emisividad selectiva, es decir que estos
varían su emisividad de forma drástica a ciertas longitudes de onda, tal como se muestra en
la Figura 7.
26
Figura 7. Radiación de tipos de emisores. Fuente: (Vollmer y Möllmann, 2018, p. 52)
La emisividad se puede describir también según la ley de radiación de Kirchoff de la

siguiente manera: La energía que incide sobre un cuerpo Ei es igual a la suma de la energía
absorbida Ea, reflejada Er y transmitida Et.
𝐸𝑖 = 𝐸𝑎 + 𝐸 𝑟 + 𝐸𝑡 Eq 4
Si consideramos que el cuerpo es opaco a la radiación por lo tanto no existe radiación

transmitida Et = 0, la ecuación queda como:
𝐸𝑖 = 𝐸𝑎 + 𝐸 𝑟 Eq 5
Dividiendo entre Ei para obtener el radio de energía absorbida y reflejada, obtenemos los
coeficientes de absorbancia y reflectividad.
27
𝐸𝑎 𝐸𝑟
1 = + = 𝛼(𝜆) + 𝜌(𝜆) Eq 6
𝐸𝑖 𝐸𝑖
El primer factor se denomina absorbancia o emisividad y el segundo, reflectividad del

objeto, como ya se había mencionado previamente para un cuerpo negro la emisividad es
1. En Eq 6 se muestra la forma de obtener la emisividad de los objetos a partir de su
reflectividad.
Cámaras térmicas
Las cámaras térmicas son dispositivos capaces de detectar la radiación infrarroja, dentro de
un rango específico, y entregar como resultado una imagen en escala de grises o en falso
color acorde a la temperatura de los cuerpos observados. Las cámaras térmicas se
componen generalmente de:
• Un sistema óptico que permita capturar las imágenes del exterior, este debe permitir
el paso de las longitudes de onda con las que trabaja la cámara.
• Uno o más detectores de radiación IR, dependiendo del tipo de detector puede
necesitar o no sistema de refrigeración. En el caso de usar un solo detector se usa
un sistema de espejos en conjunto con actuadores mecánicos para formar la imagen.
• Un sistema electrónico capaz de procesar los datos del detector realizando

correcciones a nivel de píxel, y se encargue de las comunicaciones con dispositivos
externos. Exportando una imagen en escala de grises o en pseudo-color.
• Un dispositivo para visualizar las imágenes y/o almacenarlas para su posterior

procesamiento, estos componentes se aprecian en la Figura 8.
28
Figura 8. Esquema con las partes generales de una cámara térmica. Fuente:
Elaboración propia.
Las cámaras térmicas se pueden clasificar por la forma de adquisición de las imágenes,
estos son sistemas de escáner y sistemas estáticos. Los sistemas de escáner obtienen la
imagen adquiriendo muestras fila por fila y columna por columna con el uso de espejos
móviles internos, usan solo un detector. Estos requieren detectores con una alta velocidad
de respuesta y un tiempo de integración rápido para poder formar la imagen térmica. Los
sistemas estáticos usan detectores de matrices de plano focal, también llamados FPA por
sus siglas en inglés, con estos logran capturar la imagen en un solo muestreo. Los FPA no
tienen sistemas móviles por lo que pueden adquirir imágenes a un mayor tiempo de
muestreo. Por el tipo de detector se pueden clasificar en detectores de fotones y detectores
térmicos.
Los detectores de fotones. Como su nombre lo indica detectan la cantidad de

fotones incidentes en cada píxel, estos fotones se convierten en electrones alterandolas
propiedades eléctricas del detector. Funcionan en base al efecto fotoeléctrico dado por
∆E = hν. Donde ∆E es la energía de salto, h es la constante de Planck, ν es la frecuencia
del fotón. Pueden ser:
- Foto-voltaico: Registra los cambios en la cantidad de fotones como

variación en voltaje.
- Foto conductivo: Registra los cambios en la cantidad de fotones como

variación de resistencia.
29
- Foto emisivo: Registra los cambios en la cantidad de fotones como

variación de corriente.
La mayoría de cámaras termográficas refrigeradas comercializadas actualmente utilizan un

detector elaborado con antimoniuro de indio (InSb). Las cámaras refrigeradas funcionan
realizando un recuento de los fotones de energía en una banda de onda específica,
típicamente en la banda de IR de onda media de alrededor de 3−5µm. Los fotones golpean
los píxeles y se convierten en electrones que se almacenan en un capacitor de integración.
El píxel se obtura electrónicamenteabriendo o acortando el capacitor de integración. Los
tiempos de integracióntípicos para objetos entre -20 y 350 °C con una cámara FLIR InSb
van de unos6 ms a unos 50 µs en función del modelo de cámara (Teledyne FLIR LLC,
2019)
Las cámaras de detectores térmicos. Son más compactas, ligeras, baratas y

tienen un menor consumo que las de fotones, su funcionamiento se basa en la alteración
de las propiedades eléctricas de ciertos materiales al incidir sobre ellos radiación IR.
Pueden ser:
- Bolómetro: Registra cambios de temperatura como cambios de resistencia.
- Termófilos: Registra cambios de temperatura como cambios de voltaje.
- Piroeléctricos: Registra cambios de temperatura como cambios de

capacitancia.
- Superconductor: Registra cambios de temperatura como cambios de

resistencia.
Medición con cámara térmica.
Si consideramos un cuerpo opaco, con emisividad menor a 1, es decir un cuerpo gris,

al realizar la medición con un detector IR, como se aprecia en la Figura 10, la
temperatura medida por el sensor no es solo la emitida por el objeto en observación,
sino que existen factores del entorno que se deben tomaren cuenta para una lectura
30
adecuada. La atmósfera es un actuador importante en las mediciones, ya que esta

absorbe y emite radiación, lo cual debe ser considerado para calcular el valor real de
temperatura del objeto.
Figura 9. Transmisión atmosférica a distintas alturas y distancias. Fuente: (Harris,

2013, p. 562)
Transmitancia atmosférica
La atmósfera no es un transmisor perfecto de la radiación IR, esta absorbe parte de la

radiación emitida por los cuerpos presentes en ella y de la superficie. La transmitancia
atmosférica τ tiene un valor máximo de 1 para una atmósfera perfectamente transmisora de
radiación IR, y un mínimo valor de 0 para una atmósfera completamente opaca. El nivel de
transmitancia depende de la longitud de onda emitida por el objeto y de la distancia entre
el objeto y el sensor. Se puede apreciar en la Figura 9 que la transmitancia es mayor a cortas
distancias, y tiene valores elevados a mayor elevación sobre el nivel del mar.
31
Reflectividad del objeto
Como se mencionó en Emisividad y reflectancia, todos los cuerpos presentan una

emisividad ε menor a 1, por lo que tienen una pequeña porción de radiación reflejada. La
parte de radiación reflejada puede porvenir de distintas fuentes, como es el sol, en suelo,
otro cuerpo cercano e incluso del mismo operario de la cámara.
Figura 10. Medición de temperatura de un cuerpo gris. Fuente: Elaboración propia
Correcciones
En la medición de temperatura de un objeto con un sensor IR óptico, la radiación IR del

objeto no es la única que llega al sensor, ya que las características de emisividad del mismo
y el entorno van a influir en la cantidad de radiación que detecta el sensor.
Según la Figura 10, si el cuerpo tiene una emisividad ε y se encuentra a una temperaturaTobj
en un ambiente con temperatura atmosférica Tatm, donde la atmósfera tiene una
transmisividad de τ y debido a que no se puede especificar las características de un objeto
32
externo que influya a la medición, se asume que no hay objetos externos. Entonces la
temperatura detectada por el sensor viene dada por:
𝑇𝑡𝑜𝑡𝑎𝑙 = ( 𝜀 𝑇𝑜𝑏𝑗 + (1 − 𝜀)𝑇𝑎𝑡𝑚 ) 𝜏𝑎𝑡𝑚 Eq 7
Para obtener la temperatura del objeto en base a la medición total se reordena la ecuación
anterior:
𝑇𝑡𝑜𝑡𝑎𝑙⁄
𝜏𝑎𝑡𝑚 − (1 − 𝜀)𝑇𝑎𝑡𝑚 Eq 8
𝑇𝑜𝑏𝑗 =
𝜀
Calibración de cámaras térmicas
Generalmente las cámaras térmicas son calibradas por su fabricante antes que el usuario
adquiera una, pero hay casos en los que se deben realizar calibraciones por cuenta del
usuario para garantizar el buen funcionamiento de la cámara, o que se requiera recalibrar
el equipo debido al tiempo de uso. Las principales calibraciones al equipo se dividen en
dos grupos, calibración a nivel de píxel y calibración general, la calibración a nivel de píxel
principalmente se basa en la corrección de no uniformidad y el píxel muerto.
Corrección de no uniformidad. Generalmente conocida como NUC (siglas del

inglés Nonuniformity Correction), es usada cuando se usa un detector FPA (Focal Plane
Array) ya que cada detector integrante de la matriz (píxel) presenta una respuesta única
a la radiación IR, no uniforme. Si esta respuesta no uniforme entre los píxeles es
demasiado grande la imagen de la cámara es irreconocible. Se asume una respuesta
lineal en los detectores para realizar la corrección (ver Figura 11.a), es decir para cada
píxel se considera que:
33
𝑉𝑜 = 𝐺𝑚𝑛 𝑉𝑖𝑛 + 𝑂𝑓𝑛𝑚 Eq 9
Donde Vo es el valor corregido, Gmn es la ganancia del píxel en la ubicación mn, Ofmn es el
valor de compensación. Para obtener estos valores generalmente se realiza una medición
de dos valores conocidos de temperatura, corrección de dos puntos, los cuales permiten
obtener la ecuación de la recta. El objeto de muestra es generalmente un cuerpo gris (ϵ < 1)
con una distribución de temperatura uniforme a lo largo de su superficie,y esta superficie
debe cubrir la totalidad de los píxeles del detector. Esta calibración se realiza de forma
automática con algún software que lee los valores, calcula los parámetros y los almacena
en la memoria interna de la cámara.
Figura 11. Calibraciones a nivel de píxel. Fuente: Elaboración propia.
Píxel muerto Los procesos de fabricación de los FPA no son completamente

perfectos, motivo por el cual existen píxeles defectuosos en el FPA que no es posible
calibrarlos, estos son conocidos como píxeles muertos, ya que no ofrecen datos de
temperatura sobre el objeto. Propiamente es una corrección digital que se les da a las
34
imágenes térmicas para apreciarlas sin puntos negros correspondientes a estos píxeles.
Para eliminarlos se reemplaza el valor del píxel con un promedio de los otros píxeles
vecinos tal como muestra la Figura 11.b.
Calibración radiométrica La cámara infrarroja como radiómetro permite medir

algunas cantidades radiométricas como la radiación o la potencia radiante. El propósito
de la calibración es determinar las relaciones cuantitativas precisas entre la salida de
la cámara y la radiación incidente. Para el procedimiento de calibración es posible
trabajar cada píxel de forma independiente tal como se describe en (Budzier y Gerlach,
2015) o trabajar todos los píxeles como un único sensor como lo descrito en (Pron y
Bouache, 2013). En el procedimiento se utilizan cuerpos negros (ϵ ≈ 1) a diferentes
temperaturas, ya que sus cantidades radiométricas, como la excitación M o la radiación
L, y sus cantidades espectrales están bien definidas (Eq 2). Por lo tanto, el proceso de
calibración da una relación entre la señal de la cámara y la temperatura del cuerpo
negro. En el proceso de calibración toda la imagen generada por el FPA está
completamente cubierta por el cuerpo negro. Debido a que la distancia entre el cuerpo
negro y la cámara es pequeña se puede desestimar la atenuación producida por la
atmósfera, además si el valor de emisividad del cuerpo negro es muy cercano a uno,
ejem: 0,999, es posible considerar la radiación reflejada como cero, por lo que la señal
de salida dependerá únicamente de la temperatura del objeto.
Cada calibración esta específicamente adecuada a la óptica usada, si se cambia la lente

de la cámara o se adicionan filtros especiales será necesaria una recalibración.
SiFT La función de transferencia de la señal (SiFT del inglés Signal Function

Transfer) es la curva que describe la relación entre la señal de salida del convertidor
analógico digital (ADC) de la cámara y la temperatura del objeto observado. La
calibración radiométrica global consiste en determinar la mejor ecuación que describa
la SiFT de la cámara, los valores numéricos de la curva representan la temperatura a
un valor específico. Los detectores ofrecen valores de 12 o 16 bits con un
desplazamiento pre-establecido. Como ejemplo, la Figura 12 muestra la digitalización
del detector para un sistema de 12 bits. La información de temperatura de todo el rango
35
de medición se captura y está disponible para el análisis de imágenes. Para la

representación y el análisis, es posible fijar un nivel y un intervalo. Estos dos
parámetros solo afectan la representación de la imagen y corresponden al brillo y el
contraste de la imagen, respectivamente. Las temperaturas dentro del rango del tramo
se pueden representar en niveles de gris o colores falsos (paleta de color). La mayoría
de las escalas de 8 bits con 256 colores se utilizan con paletas de colores predefinidas
(Vollmer y Möllmann, 2018, p. 204).
Figura 12. Curva de la señal del detector con la temperatura. Fuente: (Vollmer y
Möllmann, 2018, p. 205)
Aplicaciones de las cámaras térmicas.
El uso de las cámaras térmicas se extiende en varios ámbitos de mantenimiento e

investigación, la capacidad de medir y detectar cambios de temperatura de forma
remota ofrece una gran ventaja a las otras formas de medición. La cámara térmica
36
ofrece una imagen completa donde se puede seguir los cambios de temperatura a través
del tiempo.
• Infraestructura: Usado para inspeccionar aislamiento de ambientes, casas,

departamentos u oficinas. También permite detectar fugas en tuberías a simple
vista u ocultas.
• Mantenimiento: En el mantenimiento de equipos eléctricos permite detectar
puntos de alto consumo de corriente, o dispositivos que estén en corto. En el
mantenimiento mecánico sirve para detectar puntos de mayor fricción, como
también realizar análisis de estrés mecánico.
• Vigilancia: Debido a su capacidad de generar imágenes sin necesidad de luz
visible, y poder mostrar objetos en entornos nublados o con humo en el
ambiente, es usado en sistemas de vigilancia tanto en el campo comercial como
militar.
• Vulcanología: La medición remota ofrece una gran herramienta para las
mediciones de temperatura de los volcanes en procesos eruptivos.
• Medicina: El cuerpo humano es un sistema homeostático, por lo que
variaciones en algunas regiones del cuerpo corresponden a cambios internos
producidos por alguna anomalía. Ejemplos de esto es la detección de cáncer de
mama, fenómeno de Raynaud, úlceras, síndrome de dolor regional complejo
(CRPS), etc.
Procesamiento de imágenes digitales
Una imagen digital puede definirse como una función f (x, y) donde x e y son las
coordenadas espaciales, y f es el nivel de intensidad que tiene la imagen en ese
puntoespecífico. El valor de f puede estar dado por un escalar o una matriz unidimensional,
dependiendo de la naturaleza de la imagen, y los valores de x e y dependen de la cantidad
de píxeles que tenga el sensor. Por lo tanto, una imagen también puede definirsecomo una
matriz Fxyn donde n representa la cantidad de canales.
Espacio de color El espacio de color es la forma en cómo se organizan los

37
colores en las imágenes digitales. Este puede ser arbitrario de modo que el espacio de
color puede variar ente cada organización. Se mencionan los espacios más usados en
procesamiento de imágenes.
Imagen en escala de grises. La escala de grises es un espacio unidimensional,

donde los píxeles tienen un valor escalar de intensidad que pueden tomar tantos valores
comopermita el ADC del sensor, generalmente se usa la escala de 8 bits (0 a 256).
Imagen en RGB. La imagen en color RGB (del inglés Red-Green-Blue) es

una imagen donde la función de intensidad es una matriz unidimensional con 3
elementos, es decir un espacio tridimensional representado como un cubo y cada
elemento de este tiene corresponde a un canal de color rojo, verde o azul. La
combinación de estos colores permite generar casi toda la gama de colores del espectro
visible, y sus valores generalmente también usan la escala de 8 bits. Actualmente la
mayoría de las cámaras digitales tienen como salida una imagen RGB.
Imagen en HSV. La imagen en color HSV (del inglés Hue, Saturation, Value)
es un espacio tridimensional donde cada elemento representa el tinte, la saturación y el
valor. El tinte o matiz es un valor angular entre 0 y 360. La saturación y el valor o
brillo pueden tomar valores entre 0 y 1 o 0 a 100 %.
Conversión de RGB a grises La generación de una imagen en escala de grises

a partirde una imagen RGB es ampliamente utilizado en el procesamiento de imágenes,
debido a que permite trabajar con las formas, contornos, y regiones de una imagen en
forma sencilla. En Eq 10 se presenta la forma de convertir una imagen RGB a escala
de grises.
38
𝐼𝑔𝑟𝑖𝑠(𝑥, y) = 𝛼 𝐼𝑅𝐺𝐵 (𝑥, 𝑦, 𝑟) + 𝛽 𝐼𝑅𝐺𝐵 (𝑥, 𝑦, 𝑔) + 𝛾 𝐼𝑅𝐺𝐵 (𝑥, 𝑦, 𝑏) Eq 10
Donde (x, y) son la ubicación del píxel, r, g y b son los canales de color, α, β y γ son
coeficientes de proporción acordes con la percepción humana, sus valores son 0,2989,
0,5870 y 0,1140 respectivamente.
Operaciones básicas. Principales operaciones aplicables sobre las imágenes

digitales.
Operaciones Aritméticas. Como se había mencionado previamente las

imágenes se pueden tratar como matrices, por lo tanto, es posible realizar las operaciones
aritméticas de suma, resta, multiplicación y división. Además de poder realizar la
convolución entre ellas.
s (x, y) = f (x, y) + g (x, y)
d (x, y) = f (x, y) − g (x, y)
m (x, y) = f (x, y) x g (x, y)
v (x, y) = f (x, y) /g (x, y)
En la Figura 13 se aprecian ejemplos de las operaciones de suma y resta entre imágenes

digitales.
39
Figura 13. Ejemplo de resultados de operaciones entre imágenes. Fuente:

Operaciones Lógicas También es posible realizar operaciones lógicas entre

imágenes, mayormente estas operaciones se realizan entre imágenes binarias, sus
aplicaciones dependen del uso del usuario, pero se puede mencionar principalmente:
• NOT Invierte el valor de la imagen restando en cada píxel el máximo valor

permisible menos el actual, en imágenes de 8 bits es de 255.
• OR/XOR Es útil para procesar imágenes binarias y detectar desplazamientos
entre fotogramas.
• AND Puede usarse para detectar diferencias en imágenes o producir regiones
con alto brillo a través de máscaras o plantillas.
Se pueden generar también los operadores NAND, NOR, NXOR como combinación
de las funciones ya mencionadas (Solomon y Breckon, 2011)
Binarización. Una imagen binaria se caracteriza por presentar solo dos valores
40
posibles de intensidad en cada píxel, generalmente representados como 0 o 1, estas

imágenes son usadas para la detección de bordes.
Figura 14. Binarización de una imagen con distintos métodos. Fuente: Elaboración
propia.
Simple Para conseguir imágenes binarias se trabaja con umbrales, si el valor

del píxeles mayor que el umbral T se asigna el valor de uno, y si el valor del píxel es
menor, seasigna cero.
1, 𝑆𝑖 𝑓(𝑥, 𝑦) > 𝑇
{
0, 𝑆𝑖 𝑓(𝑥, 𝑦) < 𝑇
Un valor umbral muy bajo provocará que la imagen resultante muestre gran cantidad de
blancos, y un valor muy elevado resultaría en una imagen binarizada con muchas sombras.
La elección del valor se puede realizar de forma sencilla cuando el objeto y el fondo están
bien definidos (en la Figura 14 T = 127), y el umbral es posible hallarlo de forma iterativa.
Pero en casos en los que el objeto y el fondo tienen varias escalas de grises es mejor usar
un algoritmo que garantice el óptimo valor del umbral.
41
Existe otra forma de generar un umbral que sea robusto ante las variaciones de iluminación
en la imagen, los umbrales adaptativos o locales toman distintos valores de umbral para un
píxel en base a la vecindad del mismo. La forma en la que se usa los píxeles adyacentes
tiene muchas variaciones.
Otsu. El método de Otsu, llamado así en honor a Nobuyuki Otsu que lo publicó
en 1979 (Otsu, 1979) usa técnicas de estadística para obtener el valor óptimo del
umbral. Si se definen las clases Co y C1 correspondientes al objeto y el fondo, en una
imagen con niveles de intensidad 1, 2, ...L entonces los valores de probabilidad para
cada clase delimitadas por el valor k correspondiente al nivel de intensidad en el
umbral es:
𝑃1 (𝑘) = ∑ 𝑝𝑖
𝑖=0
𝐿−1
𝑃2 (𝑘) = ∑ 𝑝𝑖 = 𝑃1 (𝑘)
𝑖 = 𝑘+1
La varianza entre las clases para un umbral con nivel de intensidad k está dada por:
[𝜇𝑔 𝑃1 (𝑘) − 𝜇(𝑘)]2

𝜎𝐵2 (𝑘) = (𝑊𝑚−2 𝑚−1 ) Eq 11
𝑃1 (𝑘)(1 − 𝑃1 (𝑘)
Donde µg es la esperanza general, y µ(k) es la esperanza de la clase Co. Para encontrar el

valor de k∗ óptimo se debe encontrar el valor que maximice la ecuación anterior.
𝜎𝐵2 (𝑘 ∗ ) = 𝜎𝐵2 (𝑘) 0 <𝑘 <𝐿

Eq 12
El valor de k∗ es usado para el umbral en la ecuación. En la Figura 14 se muestra los

resultados de distintos métodos de binarización mencionados para una misma imagen.
Operaciones complejas. Se mencionan las más destacadas.

42
Rotación La rotación de la imagen está sujeta a un ángulo de rotación θ

determinado por el usuario, se representa por la matriz:
𝑐𝑜𝑠(𝜃) 𝑠𝑖𝑛(𝜃) (1 − 𝑐𝑜𝑠(𝜃) ∗ 𝑥 − 𝑠𝑖𝑛(𝜃) ∗ 𝑦

𝑅 = [ ] Eq 13
−𝑠𝑖𝑛(𝜃) 𝑐𝑜𝑠(𝜃) 𝑠𝑖𝑛(𝜃) ∗ 𝑥 + (1 − 𝑐𝑜𝑠(𝜃)) ∗ 𝑦
Donde x e y son los puntos del eje de rotación.
Escalamiento El escalamiento consiste en redimensionar la imagen

expandiendo o reduciendo su tamaño. Esta operación se puede expresar mediante
notación matricial:
𝑆𝑥 0
𝑆 = [0 𝑆𝑦 ] Eq 14
Donde S es la matriz de escalamiento y 𝑆𝑥 e 𝑆𝑦 son los factores de escalamiento para

los ejes x e y.
Filtros. Los filtros en el procesamiento de imágenes sirven para realzar u

ocultar ciertos aspectos de la imagen. Todos los filtros se aplican usando máscaras a
un píxel y sus vecinos, el tamaño de la máscara depende del filtro usado. Se describen
a continuación los más comúnmente usados.
Media. El filtro de la media es el más simple, ya que usa un promedio de todos

los píxeles vecinos para asignarlo al píxel central.
Gaussiano. Este filtro usa distribución de pesos en la máscara de tipo

gaussiano, y el resultado se asigna al valor central. Tanto el filtro de la media como el
gaussiano sirven para eliminar ruido de la imagen. En la Figura 15 muestra la máscara
de los filtros ya mencionados.
43
Figura 15. Ejemplo de matriz del filtro gaussiano. Fuente: Elaboración propia.
Sobel y Laplaciano. Existen filtros que permiten realzar patrones en la

imagen, en este caso líneas, dependiendo de la configuración. Estos filtros son
conocidos como derivativos, los filtros derivativos pueden ser de primer o segundo
orden, siendo los más conocidos el filtro Sobel y Laplaciano correspondientes a cada
orden (Chityala y Pudipeddi, 2020). Si bien las operaciones derivativas tienen una
representación matemática, para realizar la operación se usan máscaras, la Figura 16
muestra algunas de las máscaras usadas.
Figura 16. Ejemplos de máscaras para los filtros Sobel y Laplaciano. Fuente:
Fourier. La transformada de Fourier es una expresión matemática que permite

visualizar un grupo de datos en el dominio de la frecuencia. La expresión general viene
dada por:
44
∞
𝐹(𝑢) = ∫ 𝑓(𝑥) 𝑒 −𝑖𝑢2𝜋𝑥 𝑑𝑥 Eq 15
−∞
Una imagen es una representación de una matriz bidimensional que puede presentar canales
de color, para este caso es apropiado mencionar la expresión de Fourier para dos
dimensiones dada por la siguiente expresión:
𝐹(𝑢) = ∬ 𝑓(𝑥, 𝑦)𝑒 −𝑖2𝜋(𝑢𝑥+𝑣𝑦) 𝑑𝑥 𝑑𝑦 Eq 16

−∞
En procesamiento digital se usa la transformada rápida de Fourier, la cual consiste en

algoritmos para hallar los coeficientes en tiempo discreto y de una forma eficiente. La
Figura 17 muestra la aplicación de la transformada rápida de Fourier a una imagen.
Figura 17. Transformada rápida de Fourier de una imagen. Fuente: Elaboración

propia.
Segmentación La fijación de los umbrales para la binarización presentan

algunos problemas cuando se presentan variaciones significativas de iluminación en
algunas regiones de la imagen. El algoritmo de división y fusión consiste en dividir la
imagen para poder detectar regiones con características similares, procesarlas y
volverlas a unir. El algoritmo consta de 3 pasos principales:
1. Dividir la imagen en cuatro regiones 𝑅𝑖 .

45
2. Si las regiones no cumplen con la condición de procesamiento 𝑄(𝑅𝑖 ) = 𝑇𝑅𝑈𝐸

se subdividen estas en otras cuatro regiones.
3. Una vez ya no se pueda dividir más, realizar la unión de las regiones.
Este algoritmo y algunas variaciones son usados en el cálculo adaptativo.
Reconocimiento de objetos. Existe una gran cantidad de técnicas usadas para

re conocer objetos, tratar de enumerar todas y cada una de ellas sería contraproducente
en este trabajo debido a los requerimientos de este trabajo de investigación, sin
embargo, se pueden agrupar en dos bloques principales.
Tradicional. El reconocimiento de objetos usado en el procesamiento de

imágenes de forma tradicional se refiere al uso de modelos que describan el fenómeno
u objeto que se quiere identificar. Las operaciones mencionadas previamente son
algunas de las usadas para generar los descriptores que permitan detectar los objetos
deseados.
Aprendizaje automático. El aprendizaje automático permite realizar la

detección de los objetos mediante el entrenamiento de un algoritmo a través de una
gran cantidad de datos de muestra, que sirven como referencia para reconocer objetos
o fenómenos en imágenes digitales.
En el presente trabajo de investigación se usarán técnicas usadas en los métodos
tradicionales sin incurrir propiamente en ellos, ya que no es necesario realizarlos, tal
como se verá en el siguiente capítulo.
Antecedentes del estudio
(Bower et al., 2009) proponen un método para calibrar cámaras infrarrojas (IR) usando
agua como fuente de radiación. Usan sustracción de imágenes para ubicarel termistor en las
muestras y enfocarse solo en esos píxeles para la captura de datos. Realizan un análisis
46
térmico del sistema para corregir errores debido a la interacción del sistema con el ambiente
en el que se realiza la medición. Usan una regresión polinomial para obtener los valores de
temperatura desde el nivel intensidad de cada píxelen la imagen. Este método está limitado
al rango de temperatura 0 a 100◦C, y se debecumplir condiciones específicas de ángulo de
observación y entorno para obtener resultados similares.
(Pron y Bouache, 2013) dejan de lado las calibraciones a nivel de píxel para concentrarse en
la calibración global del arreglo de sensores, describen dos métodos usados para conseguir
su objetivo. Comparan inicialmente la calibración de fábrica de la cámara, evaluando los
valores de cada píxel a una temperatura homogénea. Para obtener una variación menor entre
los píxeles proponen la calibración global polinomial y la calibración basada en la ley de
Planck, este último método descartado por los autores debido a la complejidad para
encontrar todos los coeficientes. Usan la regresión polinomial a cada píxel de la cámara
para mejorar la precisión de la cámara, y se realiza una nueva comparación entre las
respuestas de los píxeles con la calibración de fábricay la realizada por ellos para verificar
que la calibración polinomial de al menos orden4 ayuda a mejorar la precisión de lecturas
entre píxeles.
(Budzier y Gerlach, 2015) usan un modelo matemático radiométrico para cámaras

infrarrojas no enfriadas, el cual considera interferencias propias para realizar correcciones
a nivel del píxel. Consideran cinco pasos para realizar la calibración de una cámara IR de
este tipo. Los primeros cuatro pasos, corrección de no uniformidad, dependencia de
temperatura, píxel muerto y corrección del obturador; trabajan con los valores brutos del
sensor y operan píxel por píxel; el último paso de calibración, calibración radiométrica, se
evalúa en conjunto los píxeles dependiendo del nivel de intensidad que presente la imagen
térmica. Usando una curva de Planck como modelo realizan una regresión para obtener los
parámetros y usarlos en la obtención final de temperatura.
(Kelly et al., 2019) realizan una investigación aplicada al uso de cámaras térmicas en
UAVs, la cual fue realizada con una cámara térmica FLIR Vue Pro 640, cuya imagen
muestra valores relativos de temperatura. Sus experimentos en laboratorio incluyen la
exposición de la cámara a un cuerpo negro, el uso de un ventilador para simular corrientes
de aire y una lampara halógena para simular influencia del sol. Las pruebas de laboratorio
entregaron valores de temperatura con una precisión de ±0,5 °C, pero sus pruebas de campo
entregaron variaciones de ±5 °C. Usan modelos lineales para obtener las curvas de
47
regresión de temperatura, obteniendo varios modelos con los puntos de calibración.

También consideran el tiempo de inicio de adquisición con las cámaras térmicas un factor
importante, y debido al poco tiempo de vuelo de sus pruebas (< 10 minutos) comparado
con el tiempo de calentamiento propuesto de al menos 30 minutos. Sin embargo, no
lograron obtener lecturas adecuadas con los parámetros que consideraron.
En resumen, a lo mencionado en esta sección, el uso de la calibración global es una forma

de trabajar sin acceder a los valores en bruto del sensor, pero también es importante poder
evaluar los parámetros externos que afectan la medición de temperatura. Es posible usar
ambos métodos de calibración, siendo la aproximación a la curva de Planck la que presenta
una relación directa con los parámetros de emisividad, reflectancia, transmitancia, etc. pero
la regresión polinómica ha obtenido una mejor respuesta según los estudios previos
indicados.
Definición de términos
“Llamado también marco conceptual o glosario por otros, consiste en definir los términos
básicos utilizados en el planteamiento del problema, objetivos e hipótesis, del proyecto de
investigación, evitando repetir la definición de términos que han sido tratados dentro de las
bases teóricas examinadas.” (Ñaupas, 2014, p. 175). Por lo que se listan a continuación las
definiciones de los términos que no fueron declarados previamente, y son importantes para
la mejor compresión del tema.
Calibración: En física calibración se refiere a ajustar, con la mayor exactitud posible, las
indicaciones de un instrumento de medida con respecto a un patrón de referencia. (Real
Academía de la Lengua Española, 2014).
Enfocar: Hacer que la imagen de un objeto producida en el foco de una lente se recoja con
nitidez sobre un plano u objeto determinado (Real Academía de la Lengua Española, 2014).
Modelo matemático: Un modelo matemático es un modelo que utiliza fórmulas

matemáticas para representar la relación entre distintas variables, parámetros y
restricciones (Roldán, 2019).
48
Radiometría: Según el significado de las palabras que lo componen, la radiometría se

define como la medición de la radiación de un objeto, o el uso de un radiómetro para esos
fines (Palmer y Grant, 2010, p. 1). Esto abarca todo el espectro electromagnético.
Termografía: Técnica de registro de las diferencias de temperatura que presenta la

superficie de un cuerpo, basada en la captación de las radiaciones infrarrojas que emite.
(Real Academía de la Lengua Española, 2014).
49
HIPÓTESIS Y VARIABLES
HipóT
Hipótesis general
El presente trabajo busca realizar la calibración radiométrica de una cámara de bajo

costo para realizar mediciones de temperatura para aplicarlo a estudios termográficos.
Hipótesis específicas
1. Es posible obtener un modelo matemático de la intensidad de radiación

infrarroja con la temperatura calculada para la cámara de estudio.
2. El desarrollar un software permitirá obtener imágenes térmicas con valores

medibles de temperatura por pixel.
3. Se soluciona el problema de enfoque manual de la cámara mediante el diseño

e implementación de piezas mecánicas y electrónicas complementarias.
Variables
En la presente tesis se distinguen las siguientes variables principales:
Variable independiente C: Calibración radiométrica de una cámara de bajo costo.
Variable dependiente E: Mediciones de temperatura para aplicarlo a estudios

termográficos.
En cuanto a las variables complementarias se tiene lo siguiente.
Variables independientes:
50
- Modelo matemático de la intensidad de radiación infrarroja
- Software.
- Diseño e implementación de piezas mecánicas y electrónicas complementarias.
Variables dependientes:
- Temperatura calculada para la cámara de estudio.
- Valores medibles de temperatura por pixel.
- Solución del problema de enfoque manual de la cámara.
Operacionalización de las variables
Definición conceptual de la variable C
Según (Mitchell, 2010) la calibración radiométrica se define como transformación a entrada

de datos a una base radiométrica común.
Operacionalización de la variable C
Se desarrolló un objeto de calibración para medir los valores relacionados a la radiación

infrarroja, posteriormente se usaron algoritmos de procesamiento de imágenes y
reconocimiento de números con métodos tradicionales para extraer los valores de las
imágenes de la cámara; y con esto generar la curva de comportamiento, es decir, el modelo
matemático que describe la relación de valores numéricos y la temperatura, teniendo así la
calibración radiométrica.
51
Definición conceptual de la variable E
Según (Vavilov y Burleigh, 2020) un estudio termográfico consiste en el análisis de

distribución espacial y temporal de parámetros térmicos (temperatura) en los objetos,
generalmente lograda mediante la creación de imágenes infrarrojas correspondientes.
Operacionalización de la variable E
El estudio termográfico está destinado a trabajar con imágenes en entornos volcánicos, para
esto se desarrolló el software que usa la calibración radiométrica y permite obtener el valor
de temperatura de cada píxel en la imagen.
Definición conceptual de la variable “Modelo matemático de la intensidad de

radiación infrarroja”
Según (de Torres Curth, 2014) un modelo matemático es la expresión formal, mediante el
uso del lenguaje matemático, de las relaciones entre los componentes de un sistema.
Operacionalización de la variable “Modelo matemático de la intensidad de

radiación infrarroja”
El modelo matemático se obtuvo mediante regresión, usando los valores obtenidos en la

calibración.
Definición conceptual de la variable “Temperatura calculada para la cámara de

estudio”
Según (Mohan, 2019) la temperatura de un cuerpo es el grado de calor o frialdad del cuerpo.
La temperatura más alta posible alcanzada en el laboratorio es de aproximadamente 108 K,

52
mientras que la temperatura más baja posible alcanzada es 10−8 K.
Operacionalización de la variable “Temperatura calculada para la cámara de

estudio”
Se usan los valores del ADC mostrados en la imagen térmica, los cuales entregan el valor
proporcional a la temperatura. Este es calculado mediante la regresión obtenida en la
calibración.
Definición conceptual de la variable “software”
Según (IEEE, Institute of Electrical and Electronics Engineers, 2017) un software se define
como uno o más programas de computadora junto con cualquier elemento auxiliar no
electrónico ni mecánico que lo acompañe, como documentación y hojas de trabajo,
entregados bajo un solo nombre para uso de otros.
Operacionalización de la variable “software”
Se desarrolló un software capaz de realizar la conversión de temperatura desde los videos

térmicos de la cámara. Usando algoritmos de reconocimiento de números, y procesamiento
de imágenes.
Definición conceptual de la variable “Valores medibles de temperatura por pixel”
Según (IEEE, Institute of Electrical and Electronics Engineers, 2017) pixel se define como
el elemento más pequeño de una pantalla, y la temperatura ya ha sido definida previamente,
para esta variable se tiene la ratio entre ambas.
53
Operacionalización de la variable “Valores medibles de temperatura por pixel”
Los valores se acceden mediante el software, usando el cursor, se puede conocer el valor
que tiene cada pixel en la imagen procesada. Así como los valores máximos y mínimos
asociados a los valores de temperatura máximo y mínimo de la imagen.
Definición conceptual de la variable “Diseño e implementación de piezas

mecánicas y electrónicas complementarias”
Según (RN Childs, 2019) el diseño es el proceso de concebir, desarrollar y realizar

productos, artefactos, procesos, sistemas, servicios, plataformas y experiencias con el
objetivo de satisfacer necesidades o deseos identificados o percibidos que normalmente
trabajan dentro de restricciones definidas o negociadas.
Operacionalización de la variable “Diseño e implementación de piezas mecánicas

y electrónicas complementarias”
Se diseñaron piezas mecánicas, para funcionar en conjunto con componentes electrónicos

y electromecánicos. Es necesario un pequeño software para el microcontrolador que
controle el buen funcionamiento de las piezas. Más adelante se detalla el sistema usado.
Definición conceptual de la variable “Solución al problema de enfoque manual de

la cámara.”
Según (Guerrero y Caballo, 2019) el enfoque de la cámara se define a la acción o instante

en que la imagen que se encuentra enfrente de la cámara quede nítida en el plano focal.
54
Operacionalización de la variable “Solución al problema de enfoque manual de la

cámara.”
Se ajusta el enfoque mediante las piezas desarrolladas, el actuador se complementa con un

radiocontrol remoto, además de observarse visualmente la variación en la pantalla.
1
MATERIALES Y METODOS
Área de estudio
Tanto la calibración como pruebas de campo fueron realizadas en el Radio Observatorio de

Jicamarca, el observatorio es una instalación del Instituto Geofísico del Perú, el cual es
operado con el apoyo de la US National Science Foundation a través de un acuerdo
cooperativo con la Universidad Cornell; el observatorio está ubicado a 10 km al este de la
carretera Central, exactamente a 11.95° de latitud sur y 76.87° de longitud oeste. Para la
calibración se dispuso del antiguo laboratorio de Investigación Desarrollo e Innovación, y
las pruebas de campo en su amplio exterior.
Diseño de la investigación
El tipo del proyecto se basa en una investigación aplicada, ya que se dirige a su aplicación
inmediata y no al desarrollo de teorías (Tamayo, 2004). Para lo cual se desarrollaron
sistemas de hardware y software con los que se adquirirán datos para el proyecto y obtener
una regresión no paramétrica para la variable independiente.
En cuanto al diseño de la investigación, el nivel es de tipo experimental debido a que en

los experimentos se ha manejado de manera deliberada la variable experimental y luego se
ha observado lo que ocurre en condiciones controladas (Tamayo, 2004) para obtener la
calibración, y justamente esto nos define el tipo de diseño, cuasiexperimental con diseño
de series cronológicas obtenidas mediante el cuerpo negro.
Motor y sistema de enfoque
El sistema de enfoque fue pensado inicialmente para funcionar de forma autónoma, pero
2
en los primeros cálculos fue imposible realizarlo de esta forma debido a dos motivos: El
primero es que no se disponía de un microprocesador que procese las imágenes en tiempo
real, e implementar hardware no era una opción debido nuevo el reducido tamaño del que
se dispone en el multirrotor. Y el segundo fue que para conocer la posición de la lente era
necesario desarrollar un sistema de detección de posición lineal para la realimentación del
sistema.
Por tales motivos se optó por usar al copiloto de vuelos para realizar el ajuste del en foque
al nivel que mejor resolución ofrezca. En cuanto a la forma en que se maneja el ajuste
siguió siendo de forma remota, a través de un actuador y piezas mecánicas diseñados
especialmente para la cámara.
El enfoque óptimo en una cámara térmica permite tener lecturas acordes a los pará metros
de calibración (Measurement Standards Laboratory of New Zealand, MSL, 2017), en caso
de no usar un enfoque adecuado, la radiación en el detector se vería alterada no pudiendo
relacionar esta con el patrón de calibración predefinido. En la Figura 18 se muestra lo
mencionado, las dimensiones y ángulos están exagerados para apreciar la alteración.
Actuador. La variación del enfoque se consigue con la variación de la

proximidad de la lente externa, esta lente rota en sentido horario o antihorario para
cambiar su posición en el eje x. La lente tiene un hilo que le permite rotar un máximo
de 50 vueltas aproximadamente. Debido a la naturaleza del movimiento necesario para
manejar remotamente el enfoque, el actuador necesario es un motor dc, para la elección
del motor se consideraron los siguientes puntos:
• Dimensión. Como se ha mencionado anteriormente, es reducido es espacio

disponible en el multirrotor.
• Peso. Un aspecto de vital importancia en los vehículos aéreos es el peso,
este debe ser el mínimo posible.
• Consumo. La cantidad de energía requerida para su funcionamiento

afectará al tiempo de vuelo del multirrotor.
3
• Adquisición. Es importante que los productos sean de fácil acceso en el

mercado local, con el fin de evitar largos tiempos de espera en compras
internacionales.
Figura 18. Variación del enfoque respecto al detector. Fuente: Elaboración propia.
Con estas consideraciones se encontraron dos opciones, el primero un motor paso a paso
28BYJ48, y el segundo un micro motor dc Pololu #2203 con reductor de velocidad (ver
Anexo B). De la Tabla 2se puede observar que el motor de escobillas es una mejor opción
frente al otro posible candidato en cuanto al torque y precisión. El motor DC requiere un
encoder adicional para controlar su posición. La lente de la cámara pesa 50 gr por lo que el
torque de ambos es suficiente para rotarlo.
Tabla 2. Comparación de los motores.
Motor peso dimensiones torque Consumo
Paso a paso 35 gr 35 x 28 x29 mm 3 kg.mm 120 mA
Motor escobillas 11 gr 12 x 10 x 32 mm 2,2 kg.mm 0,1 A @200 rpm

DC
Fuente: Elaboración propia.

4
Figura 19. Piezas diseñadas en 3D. Fuente: Elaboración propia.
Diseño y simulación. Se virtualizaron todos los componentes involucrados en

el enfoque, de este modo se puede verificar su funcionamiento antes de fabricar las
piezas (Figura 19), además de poder realizar una simulación de análisis de esfuerzo a
cada pieza que se vaya a fabricar mediante impresión 3D para garantizar que podrán
funcionar en el equipo sin riesgo a romperse.
Se diseñaron cinco piezas en total, moldeadas para ser fabricadas con una impresora 3D
usando plástico PLA (ácido poliláctico). El PLA tiene una temperatura de fusión alrededor
de los 100 °C, este bajo punto de fusión podría inadecuada para usar en entornos volcánicos
sin embargo mediciones realizadas en el volcán Sabancaya (Flores et al., 2019) muestran
que los vuelos bordeando el cráter pueden presentar temperaturas cercanas a 0 °C. El drone
está pensado para realizar vuelos alejados de la fumarola por lo que todo el equipamiento
no se encontrará sometido a las altas temperaturas del cráter o su pluma.
El análisis de esfuerzo se realizó a las piezas principales, las cuales soportan los
componentes o sirven de fijación hacia la estructura del multirrotor. En la simulación se
usó una fuerza de 10 N, la cual es 5 veces lo que soportará realmente, aplicada a las piezas
de soporte y sujeción. Los planos con las medidas de las piezas construidas se pueden
encontrar en el Anexo D. Los resultados de esto se muestran en la Figura 20 donde se puede
apreciar que el desplazamiento es menor al 0,01 mm.
5
Figura 20. Simulación de deformación en Autodesk Inventor. Fuente: Elaboración

propia.
6
Implementación. El vehículo donde ha de ser usado este proyecto de

investigación es un multirrotor tipo hexacóptero, el cual dispone de un cardán auto
estabilizado para la captura de vídeo. Este cardán permite un control de cada eje a
través de señales de entrada con modulación por ancho de pulso (PWM). La radio de
control del multirrotor dispone de 8 canales PWM, y para el vuelo del multirrotor se
requiere como mínimo 5 (Apaza, Avance sobre la calibración y pruebas de campo
del cuadricóptero, 2018), por lo que se dispone de 3 canales para usarlos en el control
del enfoque. Para controlar la orientación del cardán son necesarias al menos dos
señales PWM, para el eje X o Roll y el eje Y o Pitch, el eje Z es posible controlarlo
rotando el drone en ese eje. Además, se requiere controlar el motor DC responsable
del movimiento de la lente, para lo que se usará el canal restante.
Tabla 3. Asignación de canales extra en el receptor de radio.
Canal PWM Función

Canal 6 Eje Y (Roll)
Canal 7 Eje X (Pitch)
Canal 8 Motor DC
La Tabla 3 muestra la asignación de los canales con sus funciones planteadas, debido a que
el canal 8 se usará para controlar el motor, es necesario un circuito lógico o un
microcontrolador puente que interprete esta señal para que pueda generar el movimiento
del motor en ambos sentidos, e indicarle su activación o desactivación. Con las mismas
premisas de la selección de los motores, se eligió realizar el dispositivo puente con un
Arduino nano y el circuito integrado L298n para el control de potencia de los motores. La
Figura 21 muestra de forma simple la forma de conexión necesaria entre los componentes
para controlar el motor dc desde el radio control del piloto, y en la Figura 22 se muestra el
esquema de conexión de los principales componentes.
7
Figura 21. Componentes del sistema, (a) Receptor R6208SB, (b) Arduino nano, (c)
Módulo L298n, (d) Motor Pololu. Fuente: Elaboración propia.
Figura 22. Esquema de conexión electrónica para enfoque. Fuente: Elaboración

propia.
El diagrama de flujo mostrado en la Figura 23 muestra la lógica usada para la programación

del bloque electrónico puente entre el motor y el receptor de radio, es decir del Arduino
nano. El código completo se puede encontrar en el Anexo C.
Este hardware se montó en el cardán de tres ejes del multirrotor, las dimensiones de las
piezas permitieron colocarlo con facilidad. El peso de todas las piezas, incluida la cámara
térmica es de 195,8 gr. La cámara GoPro que se usa para capturar imágenes en el espectro
8
visible tiene un peso de 150 gr.
Figura 23. Diagrama de flujo para el programa de enfoque. Fuente: Elaboración

propia.
El la Figura 24 se observa la variación de colores entre algunas piezas del sistema, esto
debido a que se imprimieron nuevamente algunas piezas debido a que no terminaban de
encajar perfectamente con el resto, estas variaciones son debido al error propio de
impresión 3D. Las reimpresiones no siempre se realizan con el mismo color de material,
esto no afecta al funcionamiento del sistema, por lo que el resultado final no es uniforme
respecto al color.
9
Figura 24. Piezas reales fabricadas con PLA ya ensambladas. Fuente: Elaboración
propia.
Obtención de temperatura
Se vio que la ecuación de Planck proporciona una forma de obtener la exitancia desde la
temperatura. Debido a que el valor numérico digital de los valores brutos del sensor está en
relación directa a la exitancia, es posible realizar una regresión de la temperatura en la
ecuación de Planck. Al despejar la temperatura desde Eq 2 se obtiene:
𝑐2
𝑇= (°𝐾)
c λ−5 Eq 17
λ ln( 1 + 1)
𝑀(λ, T)
(Budzier y Gerlach, 2015) muestran la regresión desde la ecuación de Planck, la cual

tiene la forma:
𝐵
𝑇=
R Eq 18
λ ln(𝑉 − 𝑂 + 𝐹)
𝐷
Observando estas ecuaciones, se observa que B = c2/λ y que F = 1, el valor de R no es igual

a c1λ−5 ya que esto correspondería a un cuerpo negro ideal, y la señal del sensor se encuentra
afectada por otros parámetros, por lo que se dejará este valor como variable. La longitud
de onda de la cámara es de 8 a 14 µm, por lo que se trabajará con la longitud central 11 µm.
Reemplazando este valor de longitud de onda en:
10
𝐶2 1,439𝑥10−2
𝐵= = = 1308,45
λ 11 𝑥 10−6
Usando este valor en Eq 18:
1308,45
𝑇= (°𝐾)
R Eq 19
λ ln(𝑉 − 𝑂 + 1)
𝐷
El valor de esta ecuación está en Kelvin, por lo que para obtener en Celsius se tendrá que
restar 273.
1308,45
𝑇= − 273 (°𝐶)
R Eq 20
λ ln(𝑉 − 𝑂 + 1)
𝐷
En la ecuación los valores que se deben hallar son los de R y O ya que 𝑉𝐷 corresponde al
valor numérico digital que se tiene en la imagen de salida de la cámara. A primera vista se
muestra complicada la forma de la ecuación para realizar una regresión de sus coeficientes,
debido a esto las regresiones se desarrollaron con pequeños programas creados en software
de cálculo para simplificar el proceso (Anexo C).
Figura 25. Resistencia de nicromo, a) Sin energía eléctrica, b) Con 220v AC. Fuente:
11
Diseño de cuerpo negro.
En cuerpo negro técnico que se implementó para la calibración de la cámara toma el diseño
del plato caliente como fuente de radiación térmica con alta emisividad. La superficie de
radiación es un disco de aluminio, de 10 cm de diámetro por 20 mm de espesor, el cual
actúa como emisor final de la radiación, y permite distribuir la temperatura de forma
homogénea en su superficie. La fuente de calor es un espiral de alambre bobinado de
nicromo (ver Figura 25). El alambre de nicromo se puede calentar hasta aproximadamente
830 °C en aire (la temperatura exacta dependerá de los otros componentes del cable) sin
oxidación severa y se puede usar solo, en forma de una tira plana o enrollado alrededor de
un molde de cerámica, como una fuente muy conveniente de radiación térmica en las
bandas de 3 - 5 y 8 - 14 µm.
La Figura 26 presenta el circuito de control de la resistencia de nicromo, y para el control

de temperatura se usó un controlador de temperatura Rex C100 el cual ofrece una precisión
de ± 3 ° C (ver Anexo B) junto a un termopar tipo K.
Figura 26. Diagrama de conexión para cuerpo negro. Fuente: Elaboración propia.
En términos generales, las fuentes basadas en el uso de alambre de nicromo, o tira, son una
de las formas más útiles de fuente de infrarrojos. Esto es el resultado de su simplicidad,
larga vida, requisitos de energía relativamente bajos y alta salida de radiación. Las fuentes
de alambre de nicromo por sí solas típicamente tienen emisividades del orden del 40 % al
60 %, con emisividades más altas del orden del 70 % al 90 % cuando están en forma de
12
alambre enrollado alrededor de un molde de cerámica (Williams, 2009, p. 89).
La placa de aluminio además de actuar como radiador, sirve para aumentar la emisividad
de esta. Existen pinturas negras que proporcionan emisividades muy altas, como la
desarrollada por Surrey Nano Systems (Surrey NanoSystems, 2019) con una emisividad de
0,999, aunque este material solo funciona a temperaturas inferiores a 80 °C. Para el
recubrimiento se usó pintura de alta resistencia térmica Rust Oleum 313518 en color negro
mate el cual tiene una emisividad de aproximadamente 0,96 (Carvill, 1994, p. 137), y
soporta temperaturas de hasta 1093 °C.
Figura 27. Diseño (a) e implementación (b) de cuerpo negro técnico. Fuente:
Se diseñó el chasis del cuerpo negro técnico en software de modelado 3D, posteriormente
se fabricó en tableros de fibra de densidad media o MDF (por sus siglas del inglés Medium
density fibreboard) con corte láser. Se ensambló todas las piezas junto a la electrónica de
control para la resistencia de nicromo, y el controlador de tempera tura tal como se muestra
en la Figura 27. Si bien es posible controlar temperaturas de hasta 400 °C, el material del
chasis limita el rango a 200 °C, más esto es suficiente ya que se observó que a cortas
distancias el límite de medición de la cámara es de aproximadamente 185 ° C. En el caso
de entornos volcánicos del Perú, se ha observado que la temperatura dentro del cráter es de
unos 391 °C (INSTITUTO GEOFISICO DEL PERU ( IGP), 2015), y al no estar
13
directamente sobre el cráter los equipos no habría problemas por el nivel de temperatura,
además de la atenuación por la distancia que se verá más adelante.
Diseño del software de procesamiento
Con la función que define la respuesta de temperatura del sensor obtenida en la sección
anterior, se desarrolló un aplicativo que permita visualizar la temperatura de los cuerpos
presentes en el vídeo térmico. El aplicativo fue desarrollado con lenguaje de programación
Python, con la librería PyQt como base principal.
Este aplicativo tiene como objetivo reemplazar la pantalla de visualización, ya que no

funciona como un software para post procesamiento como el ofrecido por algunos
fabricantes de cámaras comerciales. El aplicativo final ofrece una visualización del máximo
y mínimo valor de temperatura de la escena, así como un cursor para seleccionar píxeles
específicos y conocer su temperatura. Debido a que este aplicativo funciona con archivos
de vídeo en tiempo diferido, el cual es extraído de la memoria micro SD de la cámara
térmica, se incluye los controles básicos de reproducción de vídeo: reproducir, pausar,
detener, y velocidad de reproducción.
Como se mencionó en la problemática, la cámara ofrece una imagen en la cual se pueden

apreciar de forma cualitativa según el color (ver Figura 28), pero es posible superponer los
valores máximos y mínimos que detecta en sensor. Estos valores super puestos son los
valores del ADC interno, por lo tanto, muestran un valor proporcional a la cantidad de
radiación infrarroja captada por el sensor, y por ende a la temperatura. El vídeo de salida
muestra imágenes en codificación JPEG, con un tamaño de 704 x 480 píxeles, no hay datos
en bruto de temperatura adjuntos, por lo que se tuvo que desarrollar los algoritmos
detectores de números que se describen en las siguientes secciones.
14
Figura 28. Imagen de salida de cámara IR con los valores de temperatura equivalente
al ADC interno. Fuente: Elaboración propia.
Figura 29. Localización de los números de interés. Fuente: Elaboración propia.
Los valores numéricos del ADC del sensor con los valores máximo y mínimo se muestran
estáticos en su posición en la pantalla (ver Figura 29), esto fue favorable para la detección
de los números, ya que simplifica el uso de algoritmos que busquen los números por toda
la pantalla. En este caso los píxeles que encierran estos números están comprendidos en:
15
• El área delimitada por los píxeles 413 al 428 y 525 al 656.
• Los píxeles (0,11), (12,23), (24,35), (36,47), (48,59), (72,83), (84,95),

(96,107), (108,119), (120,131) tomando como imagen el área anterior.
Figura 30. Diagrama de bloques del aplicativo. Fuente: Elaboración propia.
Se desarrolló un módulo, “num_recog.py”, donde se realizan las funciones del

procesamiento de las imágenes y detección de números, junto a un programa principal,
“Termo.py”, el cual tiene alojado el código del aplicativo en PyQt. El flujo del software se
muestra en la Figura 30, en este se aprecian sus etapas, las cuales se irán mencionando en
las siguientes líneas.
16
Imagen de entrada. La cámara ofrece hasta nueve paletas de colores,

incluyendo la paleta original escala de grises, pero estas escalas son pseudocolores con
un algoritmo de formación específico, algoritmo al cual no se tiene acceso. Estos
pseudocolores almacenan en cada canal parte de información de la temperatura, sin
embargo, no se puede usar una imagen con pseudocolor (Figura 28) como entrada del
software, ya que al no conocer la función que le dio origen, no es posible obtener la
imagen en escala de grises inicial.
El sensor entrega una señal que al ser procesada entrega un único valor por cada píxel, este
valor es escalado a un valor de 8 bits para poder crear una imagen en formato visualizable
por la pantalla, para obtener los 3 canales del formato JPEG se debe triplicar esta
información, o alterarla para la formación de los pseudocolores y extraer los valores
referenciales a la temperatura (Figura 29).
Figura 31. Conversión de escala de grises a pseudocolor. Fuente: Elaboración

propia.
La imagen en escala de grises tiene todos los canales en el mismo valor, es decir R = G =
B, esto es ideal para el procesamiento, ya que se trabaja con un solo canal de la imagen y
los valores máximos y mínimos de temperatura se pueden escalar fácilmente en el rango
de 0 a 255 o a los valores máximo y mínimo que se usen. Por ejemplo, supongamos que se
desea usar una imagen en pseudo color (ver Figura 31), donde la imagen inicial corresponde
17
a un valor arbitrario de desconocido para el programa, al leer el archivo JPEG se obtiene R

=206, G = 133 y B = 189 valores que responden al algoritmo de la pateta de colores que
representan, si se quisiera usar esta paleta como entrada no sería posible seleccionar uno de
los canales, ya que todos tienen valores distintos, y el promedio no es una opción, ya que
el valor promediado es de 176, muy distinto al original de 146. Por esto, se usa la escala de
grises como imagen de entrada, seleccionando de esta cualquier canal.
Extracción y reconocimiento de números Primero se crea una sub-imagen a partir de la

original, luego se recorta un rectángulo delimitado por los píxeles (413, 428) y (525, 656),
estos son las coordenadas de la diagonal. A partir de esto se procede a recortar número a
número las componentes del valor numérico digital (ver Figura 32). Tanto el valor máximo
como el mínimo presentan cinco dígitos, los cuales son extraídos en forma simultánea de
derecha a izquierda y convertidos a su valor decimal real, en cada ciclo se va acumulando
el valor hasta tener el número digitalizado al final del bucle. En cada ciclo de extracción de
números, se realiza la detección de cada uno de estos. Para esto se crearon previamente
plantillas con los números del 0 al 9 (ver Figura 32), con las mismas dimensiones de píxeles
que tiene cada pequeño recorte (ver Figura 33), las plantillas presentan valores binarios con
0 y 1 como sus posibles valores.
Figura 32. Plantillas de números 3 y 6. Fuente: Elaboración propia.

18
Figura 33. Extracción de fragmentos de imagen. Fuente: Elaboración propia.
Binarización de los dígitos. Para poder realizar la detección es necesario

binarizar los recortes que se extraen de cada número, esta binarización se realiza con
el método Otsu, junto a una segmentación y unión de cada imagen para volverlo
robusto frente a las variaciones de iluminación que se podría presentar en los vídeos.
Como ejemplo se muestra la binarización de los números extraídos de la Figura 32 usando

los distintos métodos mencionados en el Marco Teórico.
19
Figura 34. Aplicaciones de binarizaciones para los recortes. Fuente: Elaboración

propia.
Las dos primeras imágenes de la Figura 34 muestra la aplicación de las binarizaciones sin
el algoritmo “Dividir y fusionar”, las cuales funcionan para el primer caso en donde la
iluminación es uniforme en toda la imagen, es decir se diferencia bien el fondo y el objeto
en la imagen, pero cuando hay variaciones de la iluminación en la imagen (producidas por
cuerpos a mayor temperatura que el resto de la escena) las binarizaciones muestran solo
una parte de la imagen como resultado, y la otra se descarta como fondo. Esta fue la
necesidad de complementarlo con un algoritmo que le otorgue robustez ante estos cambios,
uno que permita que la imagen sea indiferente a la iluminación del fondo, el algoritmo
complementario fue el ya descrito “Dividir y fusionar”. Se usaron cuatro divisiones por
cada número, donde a cada una se le aplica la binarización de forma independiente para
luego unirlos nuevamente y obtener la imagen correcta. En la Figura 34c se aprecia el
resultado luego de usar el algoritmo dividir y fusionar, se aprecia mucho mejor la forma de
los números respecto a la Figura 34b.
20
Indicadores de similitud. Con la imagen binarizada se puede aplicar ahora las

comparaciones para realizar el reconocimiento de los números, debido a la forma en
que se presentan los números, se probó con los métodos simples que se presentan a
continuación.
Figura 35. Reconocimiento de números usando diferencia de imágenes para los

números 3, 2, y 7. Fuente: Elaboración propia.
Diferencia. El comparador más simple corresponde a una diferencia entre las

imágenes, y dependiendo del resultado se puede decir que es o no las misma. Si las
imágenes son exactamente iguales, cada elemento de la imagen será cero, esto es
equivalente al color negro en una imagen RGB.
El algoritmo usado en la Figura 35 compara el número a reconocer con cada elemento de

la plantilla hasta que encuentra el número que presenta un índice de similitud cercano a
cero, y da por finalizado el proceso devolviendo el número actual.
21
Operador lógico. Al igual que la diferencia, se puede usar operadores

lógicos para comparar la similitud de las imágenes (ver Figura 36), se usó el
operador XOR para obtener los índices de similitud y al igual que en la diferencia, se
genera una imagen de valor cero cuándo la imagen es idéntica. El algoritmo finaliza
al tener un valor muy cercano a uno.
Figura 36. Reconocimiento usando un operador lógico entre imágenes para los
números 3, 2, y 7. Fuente: Elaboración propia.
Correlación. Otra opción es usar la correlación entre las imágenes, ya que

estas también se pueden expresar como matrices, el proceso es simple. A diferencia de
los métodos previos, la correlación necesita compararse entre todos los candidatos y
elegir la que esté mejor correlacionada. La Figura 37 y la Figura 38 muestran las
correlaciones entre el número a reconocer y las plantillas.
22
Figura 37. Reconocimiento usando una correlación para el número 3. Fuente:

Figura 38. Reconocimiento usando una correlación para el número 8. Fuente:

Para la correlación no es necesario un índice que presente un umbral, a diferencia de los

anteriores, se mide la intensidad de los píxeles centrales, ya que aquí es donde la imagen
formada es el producto de ambas alineadas.
23
Selección del indicador de similitud. En la selección del método a usar se

evaluó la rapidez de procesamiento, ya que al ser está una lectura de fotogramas se
necesita que funcione lo más rápido posible.
La Tabla 4 muestra los tiempos de ejecución promediados de cada método, los tiempos de
la diferencia y XOR no son muy alejados, pero si observamos la Figura 35 y la Figura 36
se podrá observar que hay mayor diferencia entre el índice uno y los números similares
para el operador XOR que en la diferencia, es decir que se puede fijar un umbral más
alejado al valor de la unidad con el operador XOR evitando los falsos positivos.
Tabla 4. Comparación de tiempos de ejecución, promedio de 100 repeticiones.
Operación Tiempo de ejecución

Diferencia 0,00325 s
XOR 0,00434 s
Correlación 0,03521 s
En base a lo expuesto se seleccionó el operador lógico, y se describe de forma más amplia

su aplicación en el programa de reconocimiento de números. A pesar que los métodos
usados proporcionan una imagen binarizada donde se puede apreciar claramente la forma
de los números, esta no es perfecta, por lo que se tuvo que colocar un valor umbral de
semejanza ϑ = 0,82 obtenido de forma experimental, exponiendo al algoritmo a distintos
vídeos con variación de iluminación que son los casos donde el reconocimiento puede verse
afectado. La comparación con la operación lógica XOR ⊕ da como resultado una matriz
de salida de las mismas dimensiones de la matriz de la plantilla. Debido a la naturaleza del
operador XOR, y en base a las características de la plantilla (Figura 33) y la imagen binaria
con los números a reconocer (Figura 38c), la matriz de salida será una matriz de ceros
cuando la imagen binaria sea idéntica a la plantilla. Para medir el nivel de similitud basta
con contar la cantidad de ceros presentes en la matriz resultante, y evaluar su concentración
respecto al máximo posible que es de 165 (15 x 11 píxeles), número de elementos de las
matrices.
24
𝐼𝑝𝑙𝑎𝑛𝑡𝑖𝑙𝑙𝑎 ⊕ Ibinaria = 𝐼𝑠𝑎𝑙𝑖𝑑𝑎
Es más sencillo encontrar la relación entre cantidad de unos 𝑁𝑢𝑛𝑜𝑠 presentes en la imagen
de salida, por lo que se suman la cantidad de unos y se divide entre el máximo posible. El
umbral queda invertido a su complemento, por lo que se evalúa ahora la semejanza con un
umbral < 0,18.
= 𝐼𝑝𝑙𝑎𝑛𝑡𝑖𝑙𝑙𝑎 , 𝑠𝑖 𝑁𝑢𝑛𝑜𝑠 < 18 %

𝐼𝑠𝑎𝑙𝑖𝑑𝑎 = {
≠ 𝐼𝑝𝑙𝑎𝑛𝑡𝑖𝑙𝑙𝑎 , 𝑠𝑖 𝑁𝑢𝑛𝑜𝑠 ≥ 18 %
Se almacena el valor de temperatura máximo y mínimo en variables globales, estos valores

sirven para obtener el valor de temperatura en cada píxel. Para esto se extraen los valores
máximo y mínimo de intensidad en el arreglo de la imagen, los máximos valores posibles
van desde 0 hasta 255, pero los valores límites no siempre coinciden con esto. El valor de
temperatura correspondiente a un píxel en específico se obtiene de:
𝑝𝑥,𝑦 − 𝑚𝑛
𝑡𝑝(𝑥, 𝑦) = . (𝑡𝑚𝑎𝑥 − 𝑡𝑚𝑖𝑛 ) + 𝑡𝑚𝑖𝑛
𝑚𝑥 − 𝑚𝑛
Donde tp (x, y) es la temperatura del píxel en la posición (x, y), p es el valor digital de ocho
bits que tiene el píxel (x, y), mx y mn son los valores digitales máximos y mínimos en la
imagen, 𝑡𝑚𝑎𝑥 y 𝑡𝑚𝑖𝑛 son los valores de temperatura máximos y mínimos presentes en la
imagen.
Fue necesario eliminar la marca de agua correspondiente a la grabación antes de procesar

la temperatura de cada píxel, ya que esta marca al permanecer a una capa en RGB altera
todo el procesamiento, generando valores de temperatura erróneos. Esta marca de agua fue
reemplazada por un círculo negro, con valor binario (0,0,0), la modificación requiere que
este valor no se tome en cuenta en la extracción del valor binario “mn”, de lo contrario
“mn” siempre entregaría el valor de cero asignados al círculo negro.
25
Temporizador y aplicativo. El software final presenta opciones para controlar

la reproducción del vídeo y para el proceso de las imágenes descrito en las secciones
anteriores. Debido a que se necesitó acceder a cada fotograma del vídeo y editarlo para
reconocer números y agregar temperatura, se descartó la idea de usar librerías de libre
acceso tales como Phonon, Pymedia, MoviePy, etc., y se crearon funciones integradas
al código principal para realizar el control del vídeo.
Figura 39. Bloques del programa de reproducción de video. Fuente: Elaboración

propia.
Para cambiar de fotograma se usó un temporizador, el cual es influenciado por todas las
funciones de control de reproducción (ver Figura 39), este temporizador no actualiza el
proceso durante la pausa, por lo que cambiar el cursor durante el vídeo pausado no actualiza
el valor de temperatura asociado al píxel.
Población y muestra
Para el trabajo de investigación se tiene como población todos los posibles valores que
entrega el ADC del sensor de la cámara térmica, sin embargo, la cantidad total de valores
posibles no se conoce, así como sus límites, esto se mencionó en la determinación del
problema.
26
Con lo mencionado se escogió una muestra no probabilística para los modelados de

regresión, como tal la muestra depende de las características y contexto de la investigación
(Hernández et al., 2014). Se usó un muestreo incidental para seleccionar los valores de
temperatura del cuerpo negro, para los casos de calibración y de pruebas. La cantidad total
de muestras se basa en las pruebas realizadas en (Pron y Bouache, 2013), ya que es el que
más se asemeja en el proceso de esta investigación donde usan dieciséis puntos para la
regresión.
Procedimientos, técnicas e instrumentos de recolección de información
Se realizan tres procesos para obtener la información del proyecto, el primero es

relacionado a la obtención del modelo matemático del sensor de la cámara, el segundo es
la forma en que se implementa en el vehículo aéreo, y el último es el uso del software que
procesa las imágenes y no muestra el valor de temperatura por cada pixel.
Pruebas de calibración
Como se describió en el Marco Teórico existen factores que pueden alterar las mediciones,
tales como la distancia hasta el objeto, la emisividad, y la transmitancia atmosférica. Para
minimizar estos efectos se tomaron en cuenta las siguientes acciones:
• La alta emisividad del plato caliente para reducir la interferencia del entorno.
• La distancia entre la cámara y el cuerpo negro es de 10 cm, por lo que los efectos
de compensación por distancia están descartados para la calibración.
• Al tener una distancia tan pequeña, la transmitancia de la atmósfera puede ser

considerada 1.
• El plato caliente está alineado a la cámara para evitar la variación de la emisividad

por el ángulo de incidencia.
Cada ajuste de temperatura se realizó cada 30 minutos, durante este periodo la cámara
27
estaba obstruida por un bloque metálico para controlar el tiempo de exposición en todas las
muestras, cada exposición se realizó durante 8 minutos por cada muestra. La temperatura
del entorno estuvo regulada a 20 °C. Debido a que la cámara genera una radiación propia,
se dejó encendida alrededor de 35 minutos antes de realizar la calibración. La temperatura
de la cámara con el chasis extra alcanza hasta un máximo de 43 °C. La Figura 40 muestra
la cámara durante la calibración, la adquisición de los valores se realizó a través de una
pantalla con entrada HDMI, el cable de conexión de 2m ayudo a evitar interferencias por
la radiación humana durante las lecturas.
Figura 40. Calibración en el laboratorio de IDI, ROJ. Fuente: Elaboración propia.
Los datos obtenidos se presentan en la Tabla 5, la primera columna muestra la temperatura

de referencia, la cual es detectada por el termopar, la segunda columna muestra el promedio
de los valores numéricos obtenidos en la pantalla en las múltiples pruebas realizadas. La
temperatura final se debe modificar debido a que es función de la temperatura detectada
por el sensor en base a la emisividad y la temperatura del ambiente, esto se calcula con lo
visto en Eq 7 donde τ = 1 debido a la cercanía con la que se realizan estas pruebas, y la
temperatura total es la corrección que se aplica tomando en cuenta la emisividad y la
temperatura del ambiente.
𝑇𝑡𝑜𝑡𝑎𝑙 = 𝜀 𝑇𝑚𝑒𝑑 + (1 − 𝜀)𝑇𝑎𝑡𝑚

𝑇𝑡𝑜𝑡𝑎𝑙 = 0,96 𝑇𝑚𝑒𝑑 + (1 − 0,96)20 °𝐶
28
𝑇𝑐𝑜𝑟𝑟 = 0,96 𝑇𝑚𝑒𝑑 + 0,042 °𝐶
Tabla 5. Datos obtenidos en la calibración, temperatura en Celsius
Temperatura medida (°C) Promedio
0 30608
15 32028.66
25 32256.33
35 33902.66
45 34258
55 35471.33
65 36161.33
75 37962.33
85 38836.33
90 39712
105 41069.33
115 43137
120 43891.66
125 44523
135 46234.33
145 48100
150 48735.66
165 51506.33

29
Regresión del SiFT. Con los datos de la Tabla 5 se dibujó una curva SIFT,
esta curva muestra la respuesta real de la temperatura medida con el valor numérico
del ADC del sensor. Esta curva está sujeta a los errores de medición propios del
instrumento y del operario.
Figura 41. Curva SIFT experimental temperatura en Celsius vs números de pantalla.

Para obtener la mejor aproximación a la curva real, y poder obtener valores de temperatura
medibles, es necesario realizar regresiones no lineales a los datos de la Figura 41. Se
realizaron dos regresiones para ajustar los coeficientes a las ecuaciones, la regresión con la
forma de la ecuación de Planck (Eq 17). Dada la cantidad de datos se realizó un promedio
entre los valores comunes a una misma temperatura (ver Tabla 5), el proceso fue realizado
mediante el software Octave, creando las funciones para la regresión a la ecuación de
Planck, ya que la regresión polinomial ya se encuentra implementada en este software. El
código de la función, así como la ejecución de esta se encuentra en el Anexo C. El resultado
para los coeficientes de Planck se observa en Eq 18.
30
1308,45
𝑇= − 273 (°𝐶)
4,59064950609725x105 Eq 21
λ ln( + 1)
𝑉𝐷 − − 26758,40223
La regresión polinómica se ajustó al orden 4, para esto se usaron las funciones predefinidas
en el software Octave. El polinomio obtenido fue:
𝑇(𝑉𝐷 ) = 1,0892. 10−16 . 𝑉𝐷4 − 1,1487x10−11 . 𝑉𝐷3 + 1,2695.10−7 . 𝑉𝐷2

+ 2,4702.10−2 . 𝑉𝐷 – 640,9709413
Figura 42. Curva regresión Planck para temperatura en Celsius. Fuente: Elaboración
propia.
La Figura 42 y la Figura 43 presentan las gráficas de las funciones comparadas con las
muestras usadas para generarlas, con un gran esfuerzo visual se puede apreciar la mejor
adaptación de la segunda, sin embargo es posible tener una confirmación de esto con
la suma cuadrática de residuos RSS = 78,27394422 para la regresión polinómica,
mientras que la regresión a la ecuación de Planck con el método Gauss Newton (Lai
et al., 2017) tiene un RSS = 97,899913691299986. Sin embargo, debido a que la
regresión a la ecuación de Planck está más relacionada a las características físicas de
la cámara, se conservará esta opción en el aplicativo final, pero como opción
31
alternativa.
Figura 43. Curva de regresión polinomial para temperatura en Celsius. Fuente:

Antes de poder realizar el diseño final del software de procesamiento, fue necesario
tener una corrección extra debido a la distancia de medición, ya que esta influye en las
lecturas, tal como se muestra en la Tabla 6, donde se usó un valor casi constante de
100◦ C y se tomaron lecturas a diferentes distancias. Las distancias se encuentran en
centímetros, y el error es calculado en base a la diferencia entre el valor real y el valor
obtenido con las ecuaciones de regresión.
En base a lo obtenido se obtuvo la ecuación que describe el error en base a la distancia

(ver Figura 44) con asistencia del software Octave, la función del Error es:
𝐸𝑟 = 1,76203.10−9 . 𝑑3 − 6,32462.10−6 . 𝑑 2 + 1,8269.10−2 . 𝑑 + 1,4435
Donde d es la distancia de la cámara al objeto expresada en centímetros, este error fue

añadido luego de realizar las correcciones de emisividad y temperatura ambiente. En
el Anexo C se puede observar detenidamente las correcciones introducidas en la
librería para el reconocimiento de números desarrollada.
32
Tabla 6. Variación de la temperatura (Celsius) según la distancia.
Temperatura real Distancia(cm) Temperatura calculada Error

100 20 98.5 1.5
101 150 97 4
101 300 94 7
96 500 87 9
102 750 89 13
102 1100 87 15
98 1500 77 21
100 2000 73 27
100 2500 65 35
Figura 44. Obtención de función error de temperatura en base a distancia. Fuente:

Implementación en drone
La cámara se instaló en el cardán del drone, con la lente alineada con el frente del vehículo.
33
Se tuvieron que modificar las placas de sujeción para las baterías, ya que el centro de
gravedad se vio alterado. El control del enfoque y la posición del eje horizontal se conectan
directamente al receptor de radio. El transmisor de vídeo se encuentra en la parte posterior
del Cardán, aprovechando la estructura de aluminio para disipar el calor producido por el
dispositivo. (Figura 45)
Figura 45. Implementación en drone. Fuente: Elaboración propia.
Fue necesario usar un conversor DCDC elevador para generar 12v que alimentan al Cardán
y al transmisor de vídeo. El resto de componentes, incluyendo la cámara térmica, se
alimentan con una fuente de 5v la cual viene desde el conversor YEP 20A SBEC HV. Toda
la energía proviene de la batería principal, la cual es usada para alimentar los seis motores,
por motivos de simplicidad se realizó esto, ya que lo más adecuado y recomendable sería
tener baterías independientes para los sistemas del drone.
34
Uso del software desarrollado.
La Figura 46 muestra el aplicativo con los datos de temperatura añadidos y las opciones
de control. En la esquina superior izquierda están los valores límites de temperatura
presentes en la imagen, estos sirven para escalar las temperaturas de todos los píxeles en
este rango.
Existe la opción de detectar el píxel con mayor intensidad de la imagen, este es el punto
caliente de la escena el cual se muestra en un recuadro amarillo. Al lado del botón que
activa o desactiva el punto caliente se muestra el valor de temperatura correspondiente al
píxel seleccionado por el cursor, cuya ubicación se encuentra coloreada de turquesa.
Figura 46. Aplicativo desarrollado para el procesamiento de los videos capturados

con la cámara térmica. Fuente: Elaboración propia.
También en el panel derecho se encuentra la casilla de selección para la ecuación de

regresión que se desea usar, como se vio en secciones previas de este capítulo, se obtuvieron
dos ecuaciones que describen la curva SiFT, una ecuación polinomial y otra ecuación con
35
la forma de la ecuación de Planck. Por debajo se observar las casillas donde se ingresa los
parámetros para la corrección en base a la emisividad del objeto y la temperatura del
ambiente. Los valores por defecto de esta casilla son ε = 0,96 y Tamb = 25 °C. La barra
vertical de este panel controla la velocidad de reproducción del vídeo, y la barra inferior a
lo largo de toda la ventana son los controles clásicos de reproducción.
Análisis estadístico
Tal como se mencionó en la sección de Población y muestra, se usó un muestreo no

probabilístico, motivo por el cual las fórmulas estadísticas no presentan información
relevante tal como se menciona en (Hernández et al., 2014, p. 176) “Aquí el procedimiento
no es mecánico ni se basa en fórmulas de probabilidad, sino que depende del proceso de
toma de decisiones de un investigador o de un grupo de investigadores y, desde luego, las
muestras seleccionadas obedecen a otros criterios de investigación". El criterio de selección
de las muestras ya se ha mencionado en la sección previa indicada al inicio de este párrafo.
36
RESULTADOS
Presentación y análisis de los resultados
Pruebas en laboratorio
Se iniciaron las pruebas en el laboratorio de IDI (Innovación Desarrollo e Investigación)

en el Radio Observatorio de Jicamarca (ROJ), la Figura 47 contiene imágenes con capturas
de los vídeos tomados luego de la calibración para verificar el funcionamiento.
Figura 47. Medidas en laboratorio para 90 (izquierda) y 165◦ C (derecha) para

regresión polinomial (superiores) y de Planck (inferiores). Fuente: Elaboración
propia.
La primera lectura se realizó con una paleta “térmica” de colores, los posteriores fueron
tomados con la paleta de escala de grises, los resultados se muestran en la Tabla 7. La
segunda fila contiene los valores obtenidos con la ecuación de regresión polinómica, y la
tercera los que se basan en la ecuación de Planck. Las siguientes dos filas presentan el error
de medición respecto a la temperatura deseada, y el error de la cámara el cual es, según el
37
fabricante, de ±3 °C o 3 %. Se aprecia que los errores no superan los límites permisibles de

la cámara.
Tabla 7. Temperatura real y medida con la cámara, en °C.
Parámetro Valores medidos

Temperatura 25 55 75 90 115 145 165
Polinómica 24.5 55.51 75.84 90.5 116.1 147.5 169.7
Planck 26.3 55.82 75.59 89.7 115.5 149.24 171.3
Error 0.5 0.51 0.84 0.5 1.1 2.5 4.7
Error 3 % 0.75 1.65 2.25 2.7 3.45 4.35 4.95
El cursor, el cual permite seleccionar un píxel para conocer la temperatura, está basado en
la suposición que la distribución de intensidad a todos los píxeles es lineal respecto a la
temperatura, tal como se menciona en la descripción de la curva SiFT, sin embargo, hay
una variación entre la temperatura máxima y la temperatura del plato.
Figura 48. Puntos de prueba en el plato caliente. Fuente: Elaboración propia.

38
En la Figura 48 se puede observar que se seleccionan distintos puntos del disco, el cual
presenta una temperatura casi uniforme (apenas centesimales), y la diferencia de
temperatura llega a 4,77 grados Celsius según lo que se aprecia en la Tabla 8. Por la
naturaleza de la cámara y los datos que se han extraído de ella, la calibración está basada
en el valor máximo, el cual presenta una pequeña diferencia de temperatura con el resto del
objeto de calibración, y no llega a exceder el 3 % de la lectura máxima correspondiente a
5,5◦C.
Tabla 8. Temperatura homogénea del plato respecto a la deseada en °C.
Parámetro Valores
T máxima 41,44 52,75 75,06 94,61 144,27 185,19
T plato 40,84 50,82 74,46 93,48 142,35 180,42
Error 0,6 1,93 0,6 1,13 1,92 4,77
Pruebas en drone
Las pruebas en campo se realizaron en las instalaciones del ROJ, y algunas en la PUCP.
Para todos los casos se realizó a la misma distancia entre el objeto y el drone. Viendo las
especificaciones de la cámara térmica (Anexo B) se puede obtener la resolución por píxel
o GSD en base a la fórmula (Neumann, 2008):
𝑝𝑧 . 𝐻𝑓
𝐺𝑆𝐷 = Eq 22
𝑓
Donde 𝑝𝑧 = 17µm es el tamaño del píxel, 𝐻𝑓 = 10 m es la altura del vuelo, y f = 19 mm es

la distancia focal. En los siguientes casos se toma como altura de vuelo la distancia entre
el drone y el objeto, ya que la altura de vuelo es usada cuando la imagen se captura de
forma vertical como en la Figura 49.
39
Con los valores descritos para la distancia de 10 metros desde el punto, y a 10 metros de
altura se tiene una distancia de 14,14 metros, la cual será tomada como altura de vuelo en
adelante.
17.10−6 . 14,14
𝐺𝑆𝐷 = −3
= 12,65.10−3 𝑚 = 12,65 𝑚𝑚
19.10
Esto significa que cada píxel equivale a 12,65 mm en la imagen.
Figura 49. Resolución para las pruebas. Fuente: Elaboración propia.
La primera prueba consistió principalmente en probar el ajuste del enfoque de forma remota
en pleno vuelo, el drone se maneja en modo asistido, específicamente el modo de vuelo
LOITER el cual mantiene la posición y altitud sin intervención del piloto. En la primera
prueba se grabó con una paleta de falso color, ya el objetivo principal era evaluar la nitidez
debido al ajuste del enfoque.
Las imágenes de la primera prueba se observan en la Figura 50, en esta prueba se enfocó y
desenfocó la imagen de los operarios con el propósito de observar esto en la pantalla
receptora. Se toma como datos extras para esta evaluación la temperatura del ambiente
40
𝑇𝑎𝑚𝑏 = 15 °C la emisividad de la piel humana a 0.98. Las pruebas se realizaron en el campo

de fútbol de la PUCP, durante una tarde invernal.
En Radio Observatorio de Jicamarca cuenta con amplios lugares para poder realizar
pruebas con el drone, pero debido a que se requiere una referencia de temperatura, estas
pruebas se realizaron en la cancha de fútbol, localizada a un lado del edificio principal. Se
tomaron imágenes tanto en el espectro infrarrojo como el visible, para este último se
acompañó al vehículo con una micro cámara genérica de procedencia china solo por motivo
de referencia visual (Figura 51).
41
Figura 50. Variación de temperatura según el enfoque. Fuente: Elaboración propia.

42
Figura 51. Imagen tomada desde la micro cámara. Fuente: Elaboración propia.
Se usó la paleta de colores “térmica” para las pruebas en exterior, ya que esta presenta
mayor información visual para el ojo humano. Esto debido a que el ojo humano puede
detectar aproximadamente 10 millones de colores únicos, pero solo 30 niveles de gris (Kreit
et al., 2013). Por lo cual fue más práctico visualizar la mejor posición de la lente para poder
tomar las imágenes.
Tabla 9. Valores recolectados con las pruebas con el drone.
Parámetro Valores
Fijado 150 120 100 50
Medido 150,9 121,1 99,2 49,6
Distancia 2500 2000 1500 1500
Error 0,9 1,1 0,8 0,4
Se muestran unas imágenes para cuatro niveles de temperatura en la Figura 52, los valores
43
completos se observan en la Tabla 9. Se puede apreciar que el error se mantiene casi

constante, teniendo el máximo error para la temperatura de 120 °C. Es necesario mencionar
las variaciones en la distancia, esto debido a las ráfagas de viento. Para obtener la mejor
aproximación a la distancia real se recurrió a los logs de vuelo del drone, estos archivos
almacenan datos de navegación del vehículo, con los datos de su altura y ubicación
guardados se calculó la distancia para las diferentes medidas.
Figura 52. Imágenes capturadas desde el Drone para distintos valores de

temperatura. Fuente: Elaboración propia.
La Figura 53 muestra el programa Mission Planner, el cual sirve para configurar, calibrar,
crear planes de vuelo, y en este caso revisar los logs de vuelo. Se aprecia la altura de vuelo
en la parte superior izquierda, y a la derecha las posiciones que ha tenido según el GPS. La
variación en las lecturas realizadas en exteriores es afectada por factores que no se toman
en cuenta en las condiciones de calibración, debido a que es casi imposible controlarlos. El
primero es la temperatura del ambiente, ya que a lo largo del día esta tiene variaciones de
un par de grados. El segundo factor sería las corrientes de viento presentes, si bien el
44
multirrotor genera flujos de aire para sustentarse, estos serían los mismos en todas las
mediciones, pero las ráfagas de viento alteran el equilibrio térmico del chasis de la cámara
y su entorno, produciendo variaciones de hasta 4 °C a lo largo de 2 horas (Vollmer y
Möllmann, 2018, p. 183).
Figura 53. Revisión de log de vuelo en programa Mission Planner. Fuente:

Y como ya se ha mencionado la distancia ha sido estimada, ya que esta está sujeta a los
errores de posición del GPS del drone, el cual puede llegar a tener hasta 2 metros de
variación en horizontal. Finalmente se tiene las fuentes de radiación del entorno, las que
aparentemente no producen una interferencia significante, ya que el valor detectado es
menor a lo esperado.
Un video térmico capturado desde el drone es posible visualizarlo en

https://drive.google.com/file/d/1ga5BUWpSbDiKL9-hKcSw1fk1YzFh5iN6/view Este
video muestra gran parte del proceso desde el encendido, hasta los ajustes para la toma de
videos.
45
DISCUSION
El uso de plástico PLA u otro material para impresión 3D en las etapas de desarrollo facilitó
la ejecución del proyecto, su facilidad de fabricación, y la resistencia permitieron
desarrollar en poco tiempo varias versiones de las adaptaciones mecánicas, y poder
probarlas ensambladas. Cabe mencionar que las simulaciones previas fueron vitales para
evitar que se fabriquen piezas innecesarias. El ajuste remoto del enfoque permite obtener
temperaturas acordes a lo real, ya que para imágenes fuera de foco se ha observado
variaciones de hasta 8 °C. El compacto diseño ha permitido poder colocar todo esto en un
multirrotor tipo hexacóptero, dicho drone tuvo que adaptarse a las necesidades del sistema
de enfoque y no tuvo problemas que pudieran afectar al normal funcionamiento de vuelo.
La regresión polinómica ha demostrado ser un método más versátil debido a que podría
usarse para obtener los modelos de casi cualquier cámara aún sin tener amplio
conocimiento de sus parámetros físicos tal como se vio también en (Budzier y Gerlach,
2015), y aun cuando en este proyecto fue posible obtener los parámetros de regresión para
la ecuación de Planck a diferencia de (Pron y Bouache, 2013) se consideran ambos
modelos, ya que existen rangos de temperatura o escenarios (mencionados en las
limitaciones) donde no se ha probado, y estos modelos podrían funcionar distinto.
La regresión polinómica comparado con la regresión usando el modelo de Planck y se tuvo

un error máximo de 2,42 % y de 3,6 % respectivamente, motivo por el que se deja como
primera opción en uso la regresión en el software. En la calibración se usaron en general
cuerpos con temperaturas superiores a la temperatura ambiente, esto debido a que el cuerpo
negro desarrollado solo cuenta con fuente de calor, mas no realiza intercambio de calor
para disminuir la temperatura del plato. La cantidad de mediciones realizadas pretende
compensar los ligeros cambios de temperatura presentes en el entorno y en la propia
cámara, de tener múltiples cuerpos negros esto se simplifica.
Hay varios factores que interfieren en las pruebas cuando se usa un dron, y las condiciones
obtenidas en un ambiente controlado pueden cambiar e incrementar el error, tal como se
menciona en (Kelly, y otros, 2019). Para el proyecto en el modelo se han incluido las
correcciones debido a la emisividad, temperatura del ambiente y la distancia ya que son los
principales actores en la medición, sin embargo, hay limitaciones en cada uno.
46
Como ya se había mencionado se requiere una emisividad cercana a la unidad, el valor

usado de 0,96 obligó a incluir una corrección de procesamiento en el código del software.
La temperatura ambiente es fácil conocerla en un ambiente controlado, pero en exteriores

es casi imposible saber la temperatura instantánea en ciertas zonas, más aún cuando se
deben realizar vuelos donde el drone se aleja más de 500 metros desde el operario o cuando
se presentan ráfagas de viento, las que por cierto son muy comunes en las cercanías de los
volcanes.
A fin de salvaguardar la vida de los investigadores vulcanológicos y el personal de apoyo

en las campañas, se tiene los puntos de despegue de los drones a kilómetros de distancia
del cráter (4 km en Ubinas y 7 km en Sabancaya) y para realizar una calibración es
imposible tener un ambiente controlado de esa longitud, por lo que se asume que la curva
sigue a la ecuación de regresión de grado 3 para dicha distancia.
EVALUACION ECONOMICA Y FINANCIERA
Beneficios sociales y económicos del proyecto
Los beneficios económicos del proyecto se derivan directamente de la inversión de

capitales y operación/desarrollo que se detallan en las siguientes secciones de este capítulo.
Respecto a los beneficios sociales, estos son indirectos y derivados de la aplicación práctica
del proyecto de investigación tal como se describe en (Apaza et al., 2017), estos se
describen a continuación:
Reducción de los tiempos de las campañas de monitoreo de volcanes para la adquisición

de imágenes térmicas. Debido a la ubicación y morfología de los volcanes del sur del Perú,
para realizar una inspección al cráter, normalmente es necesario una campaña de dos días
y una noche. Además, se reduce el riesgo de los investigadores para tomar imágenes
térmicas del cráter, ya que estos deben escalar hasta la cumbre del volcán para la
adquisición de estas imágenes, muestra de esto se aprecia en (INSTITUTO GEOFISICO
DEL PERU ( IGP), 2015) y (INSTITUTO GEOFISICO DEL PERU (IGP), 2020). Otro de
47
los beneficios radica en generar conocimiento científico, tal como se detalla en (Flores et
al., 2019).
Evaluación de gastos e inversión
Gasto de capital inicial (CAPEX)
El gasto inicial de capital corresponde al monto invertido en la adquisición de la cámara

térmica, así como sus componentes del sistema de transmisión y recepción de video,
además de los componentes electrónicos y mecánicos adicionales. El gasto de inversión
realizado en el año de ejecución se presenta actualizado al año actual también en la última
columna.
Tabla 10. Gastos de materiales comprados, con precios del 2019 y 2023.
ítem Descripción Cantidad Precio (2019) Precio (2023)

1 Cámara HSN120A 01 s/. 16,184.00 s/. 5,400.00
2 TX + RX 2.4 GHz 01 s/. 1,526.00 s/. 1,250.00
3 Receptor Video 01 s/. 586.00 s/. 450.00
4 TX video 5.8GHz 01 s/. 130.00 s/. 150.00
5 Arduino Nano 01 s/. 9.00 s/. 30.00
6 Motor DC 01 s/. 14.00 s/. 25.00
7 Impresión 3D 01 s/. 150.00 s/. 200.00
8 Cuerpo Negro 01 s/. 350.00 s/. 400.00
10 Otros 01 s/. 100.00 s/. 150.00
Total s/. 19,049.00 s/. 8,055.00

48
Gastos de operación y mantenimiento (OPEX)
Al ser este un proyecto de investigación, el único gasto operacional durante la ejecución

fue el pago por la contratación de tesista durante un periodo de 3 meses desde Julio hasta
agosto del 2019; ya que durante este periodo el tesista estuvo dedicado exclusivamente al
presente proyecto, siendo los meses previos de avance particionado con el cierre del
proyecto “Monitoreo de Volcanes Usando UAV”, por lo que los pagos al tesista eran parte
de ese proyecto. A diferencia del capital anterior, en este se está optando por actualizar el
sueldo asignado sin consideraciones tales como inflación o devaluación, ya que el IGP tiene
como política el pago del sueldo mínimo a los tesistas contratados.
Tabla 11. Gastos operativos de la tesis, con precios el 2019 y 2023.
Descripción Pago mensual Meses TOTAL, soles TOTAL, soles

del costo en 2019 en 2019
Sueldo s/. 930.00 3 s/. 2,790.00 s/. 3,075.00
tesista
Gasto total
En la siguiente tabla se muestra el gasto total del proyecto, siendo este el resumen de las
dos secciones previas. Como se ha indicado anteriormente, la última columna presenta la
estimación del gasto realizado en el 2019, como si se hubiera realizado en el año 2023, con
el fin de presentar una comparación más concisa al lector.
Tabla 12. Total de gastos del proyecto para el año 2019 y actualizados al 2023.
Descripción Categoría Precio en s/ en Precio en s/ en

de gasto 2019 2023
Materiales Capex s/. 19,049.00 s/. 8,055.00
Pagos a tesista Opex s/. 2,790.00 s/. 3,075.00
Total s/. 21,839.00 s/. 11,130.00
49
Comparativa de alternativas comerciales
Como parte de los requerimientos de este proyecto se indicó la alternativa al coste de este,
motivo por el cual se presenta los precios de alternativas comerciales que podrían
reemplazar a la cámara térmica usada. Las cámaras mostradas comparten similitudes en
cuanto a aplicación, dimensiones y peso con la cámara HSN120A.
Tabla 13. Precios de cámaras térmicas científicas, datos con tipo de cambio estimado
a 3,3 consultados en el 2019 cuando se inició el proyecto de tesis, y actualizado al
2023 con cambio a 3.6.
Cámara Precio en $ en Precio en s/ en Precio $ (2023) Precio en s/

2019 2019 (2023)
FLIR A655sc $. 26,990.00 s/. 89,067.00 $. 20,980.00 s/. 75,528.00
FLUKE RSE600 $. 16,999.00 s/. 56,096.70 $. 19,159.99 s/. 68,975.96
FLIR DUO PRO $. 7,665.56 s/. 25,296.35 $. 6,599.0 s/. 23,756.4
CONCLUSIONES Y RECOMENDACIONES
Este proyecto tuvo como objetivo general la calibración radiométrica de una cámara de
infrarroja de bajo costo para realizar mediciones de temperatura, es decir se ha logrado
realizar la adaptación de una cámara de vigilancia, la cual solo mostraba imágenes con
colores de forma cualitativa respecto a la temperatura observada, a una cámara capaz de
entregar un valor cuantitativo por cada píxel con un costo menor a las cámaras comerciales
similares. Los estudios termográficos que se puedan realizar con esta cámara se encuentran
sujetos al interés e inversión de la institución.
Respecto a los objetivos específicos se tiene lo siguiente:

50
1. Se obtuvo un modelo matemático de la intensidad de radiación infrarroja con la

temperatura calculada para la cámara. Se obtuvieron dos modelos matemáticos, el
primero usando la ecuación de Planck y el segundo la regresión polinómica; siendo
este último el que mejor resultados mostró.
2. Se desarrolló un software para obtener imágenes térmicas con valores medibles de

temperatura por pixel. El software desarrollado es práctico e intuitivo de usar,
además el uso de lenguaje de programación Python, libre y popular, facilita su
comprensión e interpretación a lectores de campos de ingeniería. Este software,
que usa los modelos matemáticos obtenidos en la calibración se encuentra
disponible en el Anexo C y también en el repositorio GitHub personal del autor, de
acceso libre pudiendo descargarse desde:
https://github.com/joabAM/ThermalCamPy.git.
3. Se logró solucionar el enfoque manual de la cámara mediante el diseño e

implementación de piezas mecánicas y electrónicas complementarias que
permitieron el control a distancia. Estos componentes de hardware desarrollados
han sido esenciales para las pruebas de calibración en el drone y modelamiento
matemático. Además de fácil adquisición en el mercado local, lo que posibilita la
replicación fácil y rápida de los componentes en casos de averías.
Trabajos futuros
Se iban a realizar mediciones térmicas durante el 2020 y se tenía como objetivos los
volcanes Ubinas y Sabancaya, de ellos, el Ubinas presenta una mejor opción debido a la
localización y porque tiene más relevancia ya que podría provocar la desaparición de un
pueblo entero; pero debido a la pandemia las actividades extras se vieron paralizadas y las
últimas pruebas que se realizaron en el 2019 solo incluyeron el uso de cámaras en el
espectro visible para la reconstrucción del volcán Ubinas y su evaluación de riesgo
(INSTITUTO GEOFISICO DEL PERU (IGP), 2022). Además, se tiene pendiente, realizar
más comparaciones de los valores de calibración obtenidos en este proyecto, con alguno
generado por un laboratorio o empresa que ofrezca este servicio. Las pruebas que se puedan
realizar dependen del Instituto Geofísico del Perú, ya que todos los componentes son de su
51
propiedad, y el traslado de materiales hacía Arequipa junto con la logística es costoso. El

aplicativo permite visualizar las imágenes en escala de grises, pero como ya se ha
mencionado, el ojo humano es más sensible a los colores, por esta razón es necesario crear
una paleta térmica de falsos colores e incluirla como resultado final de la aplicación además
de una opción para crear y guardar un nuevo vídeo junto a la paleta y los valores máximo
y mínimo.
BIBLIOGRAFÍA
Apaza, J. (2018). Avance sobre la calibración y pruebas de campo del cuadricóptero. Lima:
Instituto Geofísico del Perú IGP.
Apaza, J., Scipión, D., Lume, D., & Saito, C. (2017). Development of two UAVs for volcano
studies in southern peru. 2017 IEEE INTERCON, 1-4.
Bower, S., Kou, J., & Saylor, J. (2009). A method for the temperature calibration of an
infrared camera using water as a radiative source. AIP Review of Scientific
Instruments, 80-85. https://doi.org/10.1063/1.3213075
Budzier, H., & Gerlach, G. (2015). Calibration of uncooled thermal infrared cameras. Journal
of Sensors and Sensor Systems, 4, 187-197. https://doi.org/10.5194/jsss-4-187-2015
Carvill, J. (1994). Mechanical Engineer's Data Handbook. Oxford: Butterworth-Heinemann.
Chityala, R., & Pudipeddi, S. (2020). Image Processing and Acquisition using Python (2 ed.).
Florida: CRC Press.
Chrzanowski, K. (2010). Testing Thermal Imagers: Practical guidebook. Polonia: Military

University of Technology.
CONRED, Guatemala . (2018). Informe Erupción Volcán de Fuego. Guatemala : CONRED.
Davies, A. (200). William Herschel and the discovery of near infrared. NIR news, 11, 3.
https://doi.org/10.1255/nirn.556
de Torres Curth, M. (2014). Los reyes de la pasarela, modelos matemáticos en las ciencias.
Buenos Aires: Fundación de Historia Natural Félix de Azara.
Dehn, J., Dean, K., & Engle, K. (2002). Thermal precursors in satellite images of the 1999
eruption of Shishaldin Volcano. The Bulletin of Volcanology, 64, 525-534.
https://doi.org/10.1007/s00445-002-0227-0
Domínguez Faura, N. (9 de 9 de 2019). Noticias SER.PE. noticiasser.pe:

https://www.noticiasser.pe/opinion/huaynaputina-419-anos-de-la-mas-grande-
erupcion-volcanica-en-los-andes-
52
ii?fbclid=IwAR3optaIPfFhWDwYqiusm6udjMWtQB_yi8hE0pH11MPRJTmBO8P8LM5
R8FI
Fidali, M., & Mikulski, M. (2008). An inexpensive blackbody mode. Quantitative Infrared
Thermography Journal, 1-6. https://doi.org/10.21611/qirt.2008.14_01_04
Flores, A., Scipión, D., Saito, C., Apaza, J., & Milla, M. (2019). Unmanned Aircraft System for
Andean Volcano monitoring and surveillance. 2019 IEEE International Symposium
on Safety, Security, and Rescue Robotics (SSRR), 297-302.
https://doi.org/10.1109/SSRR.2019.8848941
Guerrero, B., & Caballo, D. (2019). Fundamentos básicos de la fotografía. Madrid:

Universidad CEU San Pablo, Departamento de Comunicación Audiovisual y
Publicidad.
Harris, A. (2013). Thermal Remote Sensing of Active Volcanoes : A User’s Manual (1 ed.).
Cambridge: Cambridge University Press. Retrieved 2019.
Hernández, R., Fernández, C., & Baptista, M. D. (2014). Metodología de la Investigación.

México D.F.: McGRAW-HILL / INTERAMERICANA EDITORES, S.A.
IEEE, Institute of Electrical and Electronics Engineers. (2017). ISO/IEC/IEEE International

Standard - Systems and software engineering--Vocabulary. ISO/IEC/IEEE
24765:2017(E), 1-541. https://doi.org/10.1109/IEEESTD.2017.8016712
IGP, INGEMMET, & UNSA. (2017). Evaluación del riesgo volcánico en el sur del Perú,
situación de la vigilancia actual y requerimientos de monitoreo en el futuro.
Arequipa: IGP; INGEMMET; UNSA.
INSTITUTO GEOFISICO DEL PERU ( IGP). (26 de 7 de 2015). OVS: Inspección del cráter volcán
Sabancaya. Arequipa, Arequipa, Peru. Retrieved 9 de 9 de 2019, from
http://www.youtube.com/watch?v=ZPvEeqxNisI
INSTITUTO GEOFISICO DEL PERU (IGP). (2017). Investigación y Monitoreo de Volcanes

Activos en el Sur del Perú. Arequipa: IGP.
INSTITUTO GEOFISICO DEL PERU (IGP). (2 de Enero de 2020). IGP: inspección del cráter del
Misti y toma de imágenes térmicas. Arequipa, Arequipa, Perú.
https://www.youtube.com/watch?v=cuQEpFvB3vo
INSTITUTO GEOFISICO DEL PERU (IGP). (2022). Morfología del cráter del volcán ubinas y
peligro inminente de colapso en su flanco sur. Instituto Geofísico del Perú . Lima:
Instituto Geofísico del Perú. http://hdl.handle.net/20.500.12816/5227
Kelly, J., Kljun, N., Olsson, P.-O., Mihai, L., Liljeblad, B., Weslien, P., . . . Eklundh, L. (2019).
Challenges and Best Practices for Deriving Temperature Data from an Uncalibrated
UAV Thermal Infrared Camera. Remote Sensing, 11, 567-588.
https://doi.org/10.3390/rs11050567
Kreit, E., Mäthger, L. M., & Hanlon, R. T. (2013). Biological versus electronic adaptive
coloration: how can one inform the other? Journal of the Royal Society Interface, 1-
13. https://doi.org/10.1098/rsif.2012.0601
53
Lai, W., Kek, S. L., & Gaik, T. (2017). Solving Nonlinear Least Squares Problem Using Gauss-
Newton Method. International Journal of Innovative Science, Engineering and
Technology (IJISET), 258-262.
Measurement Standards Laboratory of New Zealand, MSL. (2017). Focus Effect in Thermal
Imagers. WELLINGTON : Measurement Standards Laboratory of New Zealand.
Measurement Standards Laboratory of New Zealand, MSL. (2017). Size-of-Source Effect in

Infrared Thermometers. WELLINGTON: Measurement Standards Laboratory of New
Zealand.
Mitchell, H. (2010). Image Fusion: Theories, Techniques and Applications (Vol. 1). Berlin:
Springer Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-11216-4
Mohan, K. (2019). Handbook of Physics. Meerut: Arihant Prakashan.
Neumann, K. J. (2008). Trends for Digital Aerial Mapping Cameras. The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,
551-554.
Ñaupas, H. (2014). Metodología de la investigación cuantitativa-cualitativa y redacción de

la tesis. Bogotá: Ediciones de la U.
Omega Engineering Inc. (1 de 12 de 2018). Infrared Calibrator: Hot Blackbody Calibration

Source. cl.omega.com: https://cl.omega.com/pptst/BB-2A.html
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE

Transactions on Systems, Man, and Cybernetics, 62-66.
https://doi.org/10.1109/TSMC.1979.4310076
Palmer, J. M., & Grant, B. G. (2010). The art of radiometry (1 ed.). Bellingham: SPIE.
Retrieved 2019.
Prieto, M. (7 de 9 de 2018). Enerheating expone los beneficios de la calefacción por

infrarrojos en la salud. smartlightinghome.com:
https://www.smartlightinghome.com/enerheating-expone-los-beneficios-de-la-
calefaccion-por-infrarrojos-en-la-salud/
Pron, H., & Bouache, T. (2013). Alternative thermal calibrations of focal plane array infrared
cameras. Quantitative InfraRed Thermography Journal, 13, 94-108.
https://doi.org/10.1080/17686733.2015.1131854
Real Academía de la Lengua Española. (2014). Diccionario de la lengua española. 23.

https://dle.rae.es/
RN Childs, P. (2019). Mechanical Design Engineering. Oxford: Elsevier.
Roldán, P. N. (3 de Enero de 2019). Modelo matemático. Economipedia:

https://economipedia.com/
Serway, R. A., & Jewett, J. W. (2004). Physics for scientists and engineers (6 ed.). California:
Thomson-Brooks/Cole.
Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing: A Practical
Approach with Examples in Matlab. Hoboken: Wiley-Blackwell.
54
Surrey NanoSystems. (9 de 9 de 2019). Vantablack - Super-black coatings for stray light

suppression. surreynanosystems.com:
http://www.surreynanosystems.com/vantablack
Tafur, R., & Izaguirre, M. (2014). Cómo hacer un proyecto de investigación. Lima: Tarea
Asociación gráfica Educativa.
Tamayo, M. (2004). El Proceso De La Investigacion Cientifica. Mexico: Editorial LIMUSA S.A.
Teledyne FLIR LLC. (9 de 9 de 2019). Cámaras térmicas de alta velocidad: la velocidad

necesaria. www.flir.es: https://www.flir.es/discover/rd-science/high-speed-
thermal-cameras--the-need-for-speed/
Vavilov, V., & Burleigh, D. (2020). Infrared Thermography and Thermal. Cham, Switzerland:
Springer Nature Switzerland. https://doi.org/10.1007/978-3-030-48002-8
Vollmer, M., & Möllmann, K.-P. (2018). Infrared thermal imaging : fundamentals, research
and applications (2 ed.). Weinheim: Wiley-VCH. Retrieved 2019.
Williams, T. (2009). Thermal Imaging Cameras: Characteristics and Performance.

Oxfordshire: Taylor and Francis Group.
55
ANEXOS
Anexo A
Matriz de consistencia
Acorde (Tafur y Izaguirre, 2014) la matriz de consistencia, es la tabla que elabora un

investigador cuando expresa las concordancias entre cada una de las partes y subpartes
o elementos constitutivos de que consta un proyecto de investigación, presentado
sintéticamente.
También acorde (Ñaupas, 2014), la matriz de consistencia es un cuadro resumen de

una sola entrada presentado en forma horizontal con cinco columnas en la que figura
de manera panorámica los cinco elementos básicos del proyecto de investigación:
Problemas, objetivos, hipótesis, variables e indicadores y la metodología. De la última
definición, se observa la estructura de la matriz de consistencia, sin embargo, se dice
son los elementos básicos. Se detalla en (Tafur y Izaguirre, 2014) que “En realidad no
existe norma para la presentación de los elementos constitutivos de la matriz de
consistencia. El investigador tiene libertad para hacer su elaboración y presentación”
por lo que el autor no presenta un modelo estándar. Debido a esto, para la estructura
de la matriz, se usará como referencia el modelo detallado y descrito en (Ñaupas, 2014)
para trabajos de investigación cualitativa y cuantitativa, la matriz de consistencia se
muestra en la Tabla 14.
56
Tabla 14 Matriz de consistencia del proyecto.

Formulación del problema Objetivos Hipótesis Variables Indicadores Metodología
Problema general Objetivo general Hipótesis general Tipo de investigación:
Independiente: Pruebas en ambiente
Investigación aplicada
controlado y en drone para
Calibración radiométrica de una cámara de
la calibración radiométrica
¿Es posible realizar la bajo costo Nivel de la
Desarrollar la calibración Se puede realizar la calibración de una cámara de bajo
calibración radiométrica de una investigación:
radiométrica de una cámara de radiométrica de una cámara de costo
cámara infrarroja de bajo costo Dependiente: Experimental
infrarroja de bajo costo para realizar bajo costo para realizar
para realizar mediciones de Mediciones de temperatura para aplicarlo
mediciones de temperatura para mediciones de temperatura para Valores de temperatura en
temperatura para aplicarlo a a estudios termográficos Diseño de la
aplicarlo a estudios termográficos. aplicarlo a estudios termográficos imagen procesada para
estudios termográficos? investigación:
mediciones de temperatura
Dimensiones: Cuasiexperimental de
para aplicarlo a estudios
Adimensional series cronológicas
termográficos
Grados °C - °K / pixel
Problemas Específicos Objetivos Específicos Hipótesis Específicas Población:
Independiente: Todos los posibles
Modelo matemático de la intensidad de valores del sensor
radiación infrarroja térmico

Curva de regresión del
Obtener un modelo matemático de Es posible obtener un modelo modelo matemático de la
¿Se puede obtener un modelo
matemático de la intensidad de Dependiente: intensidad de radiación Muestra:
matemático de la intensidad de la intensidad de radiación infrarroja infrarroja
radiación infrarroja con la Temperatura calculada para la cámara de No probabilística
radiación infrarroja con la con la temperatura calculada para la
temperatura calculada para la estudio Valor numérico de
temperatura calculada para la cámara de estudio. temperatura calculada para
cámara de estudio. la cámara de estudio Técnica de recolección:
cámara de estudio?
Dimensiones: Muestreo incidental
Grados brutos
57
Formulación del problema Objetivos Hipótesis Variables Indicadores Metodología

Problemas Específicos Objetivos Específicos Hipótesis Específicas Instrumentos:
Cuerpo negro
Independiente:
Ejecución y buen Sistema de enfoque
Software
funcionamiento del Software desarrollado
¿Se puede desarrollar un Desarrollar un software para El desarrollar un software software
Dependiente:
software para obtener imágenes obtener imágenes térmicas con permitirá obtener imágenes
Valores medibles de temperatura por pixel
térmicas con valores medibles valores medibles de temperatura por térmicas con valores medibles de Nueva imagen con
de temperatura por pixel? pixel temperatura por pixel visualización de valores
Dimensiones:
medibles de temperatura
Adimensional
por pixel
Diseño y simulación de
Independiente:
esfuerzo y deformación de
Diseño e implementación de piezas
piezas mecánicas y
¿Es posible solucionar el Se soluciona el problema de mecánicas y electrónicas complementarias
Solucionar el enfoque manual de la electrónicas
problema de enfoque manual enfoque manual de la cámara
cámara mediante el diseño e complementarias
de la cámara mediante el diseño mediante el diseño e Dependiente:
implementación de piezas
e implementación de piezas implementación de piezas Solución del problema de enfoque manual
mecánicas y electrónicas Apreciación visual de
mecánicas y electrónicas mecánicas y electrónicas de la cámara.
complementarias mejor resolución en la
complementarias? complementarias
imagen térmica debido a la
Dimensiones:
solución al problema de
Adimensional
enfoque manual de la
Adimensional
cámara.
Nota: La tabla contiene un tamaño de letra 8, ya que no es posible ajustar a los formatos del documento un diseño adecuado visualmente para el
lector.
Fuente: Elaboración propia

58
Anexo B
Hojas de datos de los componentes principales usados.
Cámara Térmica
Se presentan las hojas de datos proporcionadas por el fabricante de la cámara, estas páginas
solo se refieren a las especificaciones técnicas, más no al manual de operación.
Figura 54. Cámara térmica con envoltura impresa en 3D. Fuente: Elaboración
propia.
También se muestra las hojas de datos del controlador de temperatura y el motor DC usado
en ajuste del enfoque.
59
Página adjunta 1
60
Página adjunta 2
61
Página adjunta 3
62
Página adjunta 4
63
Página adjunta 5
64
Página adjunta 6
65
Página adjunta 7
66
Rex C100
Página adjunta 8
67
Página adjunta 9
68
Página adjunta 10
69
Página adjunta 11
70
Motor DC
Página adjunta 12
71
Página adjunta 13
72
Página adjunta 14
73
Anexo C
Código del microcontrolador para el mecanismo de enfoque
1 volatile int pwm_value = 0;
2 volatile int prev_time = 0;
3 int in1 = 7;
4 int in2 = 8;
5 int stby = 6;
7 int r_max = 1990;
8 int r_min = 1000;
9 int r_mid = 1520; //valor medio de la radio
10 float a1 = 0;
11 void setup() {
12 Serial.begin(115200);
13 pinMode(in1,OUTPUT);
14 pinMode(in2,OUTPUT);
15 pinMode(en,OUTPUT);
16 pinMode(stby,OUTPUT);
17 attachInterrupt(0, rising, RISING);//pin 2
18 }
19 //1515 - 1530 cero, 1100 min, 1944 max
20 void loop() {
21
22 if(pwm_value>900 & pwm_value<2000) {
23 digitalWrite(stby,HIGH);
24 //Serial.println(pwm_value);
25
26 if(pwm_value < 1505){
27 digitalWrite(in1,HIGH);
28 digitalWrite(in2,LOW);
29 Serial.println("Dir 1");
74
30 }
31 else if(pwm_value > 1530){
33 digitalWrite(in2,HIGH);
34 Serial.println("Dir 2");
35 }
36 else{
39 }
40 a1 = abs(255);
41 analogWrite(en,(int)a1);
42
43 }
44 else{
47 digitalWrite(en,LOW);
48 Serial.println("Apagado");
49 digitalWrite(stby,LOW);
50 }}
51
52 void rising() {
53 attachInterrupt(0, falling, FALLING);
54 prev_time = micros();
55 }
56
57 void falling() {
58 attachInterrupt(0, rising, RISING);
59 pwm_value = micros()-prev_time;
60 Serial.println(pwm_value);
61 }
75
Código de regresión
Se trabajó un script en Octave, el cual es capaz de funcionar también en MatLab, este consta
de una función la cual realiza la regresión a la forma de Planck, y el archivo general que
ejecuta esta función y a su vez realiza la regresión polinomial. Este programa es capaz de
realizar cualquier regresión usando el método de Gauss-Newton, para este caso específico
se usó una ecuación con la forma de Planck.
1 function [P, R, Sr] = GNregression(func, xdata, ydata,p,maxIter)
3 syms nd p1 p2
5 y = matlabFunction(func);
6 j= jacobian(func,[p1,p2]);
7 j_f = matlabFunction(j);
8 J = zeros(length(xdata),length(p));
9 Y = zeros(length(ydata),1);
10 Sr = 0;
11 Ss = 0;
12 Smin = [1000000 0];
13 if length(xdata) ~= length(ydata)
14 disp('error: longitud de datos distinta');
15 return;
16 end
17
18 for i = 1 : maxIter;
19 Sr = 0;
20 for k = 1: length(xdata);
21
22 R(k) = y(xdata(k),p(1),p(2)) - ydata(k);
23 J(k,:) = j_f(xdata(k),p(1),p(2));
24 end
25 r = R';
26 for t = 1:length(R)
76
27 Sr = Sr + (R(t))^2;
28 end
29
30 if Sr < Smin(1)
31 Smin = [Sr,i];
32 end
33
34 if Ss == Sr
35 break;
36 else
37 Ss = Sr;
38 end
39 pk = (J'*J)^-1 * (J'*(-r));
40 p = p + pk';
41
42 end
43 disp('rss:')
44 rss = rssq(R)
45 t = linspace(xdata(1),xdata(length(xdata)));
46 Y =y(t,p(1),p(2)) ;
47 plot(xdata,ydata,'rx',t,Y,'b')
48 title('Regresion para la ecuación de Plank');
49 grid on
50 grid minor
51 disp('Residuos:')
52 for h=1:length(R)
53 disp(R(h))
54 end
55 disp('Mínimo cuadrático:')
56 Smin
57 disp('Coeficientes:')
58 p
77
El programa de prueba sirve para ejecutar la función anterior, y realizar la regresión

polinomial a través de los comandos del software.
2 syms nd p1 p2
4 x = [30608 32028.6666700000 32256.3333300000 33908

35471.3333300000 36161.3333300000 37962.3333300000
5 38836.3333300000 39712 41069.3333300000 43137 43891.6666700000
6 44523 46234.3333300000 48100 48735.6666700000 51506.3333300000];
7 X=x';
8 y= [0 15 25 35 55 65 75 85 90 105 115 120 125 135 145 150 165];
9 yk = y + 273.5; %en Kelvin para Planck
10 Y = y';
11 Yk = yk';
12 ordenPx = 4;
13 format long
14 GNregression(1308.35./log(p1./(nd - p2) +1), X, Yk,[1000

1000],50)
15
pl = polyfit(X,Y,ordenPx)
16
tp = linspace(X(1),X(length(X)));
17
Yp =polyval(pl,tp) ;
18
figure
19
plot(X,Y,'bx',tp,Yp,'r')
20
title(['Regresión para un polinomio de orden ',num2str(ordenPx),'
21 .']);
22 grid on
23 grid minor
24
25 format short
26
78
Librería para el reconocimiento de números y procesamiento de Imágenes
Se presenta la librería re reconocimiento de números que se desarrolló escrita en Python.
1 import numpy as np
2 import cv2
3 import math as mt
5 # plantillas 0 al 9
6 digitos=[
7 [[1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1],
8 [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
9 [0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0],
10 [0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0],
11 [0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0],
12 [0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0],
13 [0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0],
14 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
15 [0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0],
16 [0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0],
17 [0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0],
18 [0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0],
19 [0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0],
20 [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
21 [1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1]],
22
23 [[1, 1, 1, 0, 0, 0, 0, 0, 1, 1, 1],
24 [1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
25 [0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
26 [0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1],
27 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
28 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
29 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
30 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
79
31 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
32 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
33 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
34 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
35 [1, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1],
36 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
37 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],
38
39 [[1, 1, ...],]]
40
41 ]
42
43 pos_pix={0:(0,11), 1:(12,23),
2:(24,35),3:(36,47),4:(48,59),5:(72,83),6:(84,95)
44
,7:(96,107),8:(108,119),9:(120,131)}
45
46
def extrae_numeros(img):
47
numero1 = 0
48
numero2 = 0
49
img2 = img[413:428 , 525:656]
50
th1 = img2
51
for i in pos_pix:
52
p = 0
53
j,k = pos_pix[i]
54
im = th1[0:15 , j:k]
55
im = cv2.cvtColor(im, cv2.COLOR_RGB2GRAY)
56
im_1 = cv2.threshold(im[0:8, 0:5 ], 0,
57 255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
58 im_2 = cv2.threshold(im[0:8 , 5:11], 0,

60 im_3 = cv2.threshold(im[8:15, 0:5], 0,

255,cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
61
im_4 = cv2.threshold(im[8:15, 5:11], 0,
63
64 imgg = im
80
65 imgg[0:8, 0:5 ]=im_1
66 imgg[0:8 , 5:11]=im_2
67 imgg[8:15, 0:5]=im_3
68 imgg[8:15, 5:11]=im_4
69 im = imgg
70 a=cv2.split(im)
71
72 for p in range(10):
73 m =np.array(digitos[p],dtype=np.uint8)
74 m=cv2.bitwise_not(m*255) #los unos indican en

numero,se escala de 0-1 a 0-255
75
n=np.array(a,dtype=np.uint8)
76
77
w = np.logical_xor(n,m)
78
unos = (w).sum()
79
unos = unos / 165
80
if unos < 0.18 :
81
valor = p
82
if i < 5 :
83
numero1 += (valor * (10 ** (4 - i)))
84
else :
85
numero2 += (valor * (10 ** (9 - i)))
86
break
87
return numero1, numero2
88
89
90
def agrega_temperatura(img,tmin,tmax, Ec, em, Ta, Corr,dist):
91
d = float(dist)
92
E = float(em)
93
tAmb = float(Ta)
94
if Ec == 0 :
95
a = 1.089247464*(10**-16)*tmin**4 - 1.148710973*(10**-
96 11)*tmin**3 + 1.269505043*(10**-7)*tmin**2 + 2.470194145*(10**-
97 2)*tmin - 640.9709413
98
81
99 b = 1.089247464*(10**-16)*tmax**4 - 1.148710973*(10**-
11)*tmax**3 + 1.269505043*(10**-7)*tmax**2 + 2.470194145*(10**-
100 2)*tmax - 640.9709413
101
102 elif Ec == 1 :
103 a = (1308.45/(mt.log(4.59064950609725*(10**5)/(tmin -
104 0.267584022320203*10**5) + 1.0 )))-273.15
105 b = (1308.45/(mt.log(4.59064950609725*(10**5)/(tmax -
0.267584022320203*10**5) + 1.0 )))-273.15
106
107
if Corr :
108
if(d>10):
109
err = 1.762026991*(10**-9)*d**3 - 6.324618148*(10**-
110 6)*d**2 + 1.826922911*(10**-2)*d + 1.443509426
111 else:
112 err = 0
113
114 a = (a*0.96) + (0.04*22)

115 b = (b*0.96) + (0.04*22)
116 a = (a - ((1-E)*tAmb))/E
117 b = (b - ((1-E)*tAmb))/E + err
118 if( a>500 or a < -80):
119 a = "--"
120 else:
121 a=str('%.3f'%(a))
122
123 if( b>500 or b < -80):

124 b = "--"
125 else :
126 b=str('%.3f'%(b))
127
128
129 font = cv2.FONT_HERSHEY_DUPLEX

130 img = cv2.putText(img,'min: ',(10,20), font,
0.5,(200,255,155),1,cv2.LINE_AA)
131
132
82
133 img = cv2.putText(img,'max: ',(10,40), font,

0.5,(200,255,155),1,cv2.LINE_AA)
134
img = cv2.putText(img,a,(50,20), font,
135 0.5,(200,255,155),1,cv2.LINE_AA)
136 img = cv2.putText(img,b,(50,40), font,

137 0.5,(200,255,155),1,cv2.LINE_AA)
138
139
140 return img,a,b
141
142 def recortaImagen(img):
143 im=img.copy()
144 im = cv2.circle(im,(648,48), 17, (0,0,0), -1)
145 return im[0:392,:]
146 def pixel_Temp(img,imgP, tmin, tmax, x, y, Ec, em, ta):
147 E = float(em)
148 tAmb = float(ta)
149 try:
150 t_min = float(tmin)
151 t_max = float(tmax)
152 except ValueError:
153 print("Error de temperatura")
154 t_min = 0.0
155 t_max = 0.0
156
157 mn = np.amin(imgP[:,:,0])
158 mx = np.amax(img[:,:,0])
159 print("límites:",mn,mx)
160
161 p = (float(img[y,x,0]) + float(img[y,x,1]) +

float(img[y,x,2]))/3
162
print("Valor pixel:",img[y,x,0],img[y,x,1],img[y,x,2])
163
tp = ((p-mn)/(mx-mn))
164
tp = tp*(t_max - t_min)+t_min
165
return tp
166
83
167
168
169 def cursor(img,x,y):
170 img = cv2.circle(img,(x,y), 2, (250,210,1), 2)
171 return img
172
173 def punto_caliente(img):
174 mn,mx,mnLoc,mxLoc = cv2.minMaxLoc(img[:,:,0])
175 top = (mxLoc[0]-5,mxLoc[1]-5)
176 bot = (mxLoc[0]+5, mxLoc[1]+5)
177 try:
178 im = cv2.rectangle(img,top,bot,(0,255,2555),2)
179 except:
180 im=img
181 return im
182
183
184
185
Software desarrollado para procesar y visualizar de vídeos térmicos
El software presenta una jerarquía respecto a sus layouts para poder darle forma a la ventana
que sirve para visualizar las imágenes e ingresar algunos parámetros de los objetos
observados y del ambiente. La Figura 55 presenta la jerarquía de forma visual, señalando
la pertenencia de cada uno. El diseño principal esta dado por el layout1. El código del
aplicativo, también elaborado en Python se presenta a continuación:
84
Figura 55. Jerarquía en el diseño del programa. Fuente: Elaboración propia.
from PyQt4.QtCore import *
from PyQt4.QtGui import *
import sys
import num_recog as nr
import cv2
import numpy as np
import os
import math as mt
path=""
pp = False
barra = 0
nframes = 0
count = 0
class Ventana(QMainWindow):
def __init__(self,parent=None):
85
super(Ventana, self).__init__(parent)
self.setWindowTitle("Visor Termico")
tb = QMainWindow.addToolBar(self,"File")
self.abrir = QAction(QIcon("open.ico"),"abrir",self)
tb.addAction(self.abrir)
tb.actionTriggered[QAction].connect(self.abrirPath)
self.mywid = MainWidget(self)
self.setCentralWidget(self.mywid)
def abrirPath(self):
self.fvideo = QFileDialog.getOpenFileName(self,'Abrir
Video','C:\\',"Video files (*.avi)")
path = os.path.normpath(self.fvideo)
path = self.fvideo
print(path,type(path))
self.mywid.getVideo(path)
class MainWidget(QWidget):
def __init__(self,parent):
super(MainWidget,self).__init__(parent)
self.pr = False
self.q = 1
self.tym = 80
valueChanged = pyqtSignal(object)
self.layout1 = QVBoxLayout(self)
self.layout2 = QHBoxLayout(self)
self.layout4 = QVBoxLayout(self)
86
self.temp = QPushButton()
self.temp.setIcon(QIcon(QPixmap(("thm.png"))))
self.temp.setIconSize(QSize(44,44))
self.tA = 0
self.tB = 0
self.T = QLabel(" ")
self.TambText = QLabel(self)
self.TambText.setText('T Ambiente:')
self.T_amb_in = QLineEdit(self)
self.T_amb_in.setText("25")
self.EmText = QLabel(self)
self.EmText.setText('Emisividad:')
self.Emi_in = QLineEdit(self)
self.Emi_in.setText("0.96")
self.Dist = QLabel(self)
self.Dist.setText('Distancia(cm):')
self.Dist_in = QLineEdit(self)
self.Dist_in.setText("100.0")
self.Reg = QComboBox()
self.Reg.addItems(['Ecuación Polinomial','Ecuación Plank'])
self.img = QLabel()
self.im = QImage(704,480,QImage.Format_RGB888)
87
self.br=QRadioButton("Mostrar máx y min")
self.br.setChecked(True)
self.cr = QPushButton()
self.cr.setText("Correcciones activas")
self.speed=QSlider(Qt.Vertical)
self.speed.setMinimum(0)
self.speed.setMaximum(160)
self.speed.setValue(80)
self.speed.setTickPosition(QSlider.TicksBelow)
self.speed.setTickInterval(40)
self.speed.valueChanged.connect(self.velVideo)
self.x = 0
self.y = 0
self.nroEcuacion = 0;
self.Reg.currentIndexChanged.connect(self.selEcuacion)
self.mostrarMinMax = True
self.p = QPushButton(self)
self.sp = QSlider(Qt.Horizontal)
self.p.setCheckable(True)
self.p.toggle()
self.temp.clicked.connect(self.addPunto)
self.p.clicked.connect(self.playVideo)
self.sp.valueChanged.connect(self.slider)
self.cr.clicked.connect(self.correcciones)
88
self.layout2.addWidget(self.img)
self.layout5.addWidget(self.temp)
self.layout5.addWidget(self.T)
self.layout6.addWidget(self.TambText)
self.layout6.addWidget(self.T_amb_in)
self.layout7.addWidget(self.EmText)
self.layout7.addWidget(self.Emi_in)
self.layout8.addWidget(self.Dist)
self.layout8.addWidget(self.Dist_in)
self.layout4.addLayout(self.layout5)
self.layout4.addWidget(self.Reg)
self.layout4.addWidget(self.cr)
self.layout4.addStretch()
self.layout4.addWidget(self.br)
self.layout4.addWidget(self.speed)
self.layout3.addWidget(self.p)
self.layout3.addWidget(self.sp)
self.setLayout(self.layout1)
89
self._timer = QTimer(self)
self._timer.timeout.connect(self.setframes)
def getVideo(self, path):
global nframes
self.vid = cv2.VideoCapture(path)
nframes = self.vid.get(cv2.CAP_PROP_FRAME_COUNT)
print(nframes)
self.sp.setMinimum(0)
self.sp.setMaximum(nframes)
def velVideo(self):
if self._timer.isActive():
self._timer.stop()
self.tym = mt.fabs(self.speed.value() - 160)
print("intervalo",self.tym)
self._timer.start(self.tym)
else:
self.tym = mt.fabs(self.speed.value() - 160)
print("interval",self.tym)
def playVideo(self):
global pp
if pp :
pp = False
self._timer.start(self.tym)
self.p.setIcon(QIcon("pause.png"))
self.p.setIconSize(QSize(34,34))
90
else:
pp = True
self._timer.stop()
self.p.setIcon(QIcon("play.png"))
self.p.setIconSize(QSize(34,34))
print(pp)
def addPunto(self):
if self.pr:
self.pr = False
else:
self.pr = True
def correcciones(self):
if self.q:
self.q = False
self.cr.setText("correcciones desactivadas")
else:
self.q = True
self.cr.setText("correcciones activadas")
def selEcuacion(self,k):
self.nroEcuacion = k
if k :
print("Ecuación de Plank") #igual a 1
else :
print("Ecuación Polinomial")#igual a 0
def slider(self):
global count
if self.sp.value() == count :
pass
else :
count = self.sp.value()
self.sp.setValue(count)
91
def setframes(self):
global nframes
global count
count += 1
self.vid.set(cv2.CAP_PROP_POS_FRAMES,count)
self.ret,self.frame = self.vid.read()
self.f = nr.recortaImagen(self.frame)
self.minT, self.maxT = nr.extrae_numeros(self.frame)
print("valores:",self.minT,self.maxT,self.x,self.y)
if self.pr:
self.f = nr.punto_caliente(self.f)
self.T.setText(
str('%.3f'%((nr.pixel_Temp(self.f,self.frame,self.tA, self.tB,
self.x,
self.y,self.nroEcuacion,self.Emi_in.text(),self.T_amb_in.text())))))
if self.br.isChecked():
self.f,self.tA,self.tB = nr.agrega_temperatura(self.f,
self.minT, self.maxT,self.nroEcuacion,
self.Emi_in.text(),self.T_amb_in.text(),self.q, self.Dist_in.text())
self.f = nr.cursor(self.f,self.x,self.y)
self.f = cv2.cvtColor(self.f, cv2.COLOR_BGR2RGB)
self.im = QImage(self.f, self.f.shape[1], self.f.shape[0],

QImage.Format_RGB888)
self.pix = QPixmap.fromImage(self.im)
self.img.setScaledContents(True);
self.img.setPixmap(self.pix)
self.img.setObjectName("img")
self.img.mousePressEvent = self.getPos #no lleva parentesis

- evento
92
self.sp.setValue(count)
if count >= nframes-1 :
count = 0
self._timer.stop()
self.vid.set(cv2.CAP_PROP_POS_FRAMES,count)
def getPos(self , event):
self.x = event.pos().x()
self.y = event.pos().y()
print (self.x, self.y)
def main():
app = QApplication(sys.argv)
win = Ventana()
win.setGeometry(100,100,500,500)
win.setWindowTitle("VideoVisorTermico")
win.show()
app.exec_()
if __name__ == "__main__" :
sys.exit(main())
93
Anexo D
En las siguientes páginas se muestran los planos de las piezas fabricadas para este proyecto,
no se incluyeron los modelos 3D que se realizaron a algunos componentes como la cámara
y motores. El material del cuerpo negro es MDF de 3mm de espesor. Las piezas realizadas
en impresión 3D en algunos casos requirieron adhesión mediante pegamento, esto fue
realizado usando pegamento instantáneo de Ciano-acrilato.
Figura 56. Captura de las primeras pruebas realizadas, con temperatura a 190°C.
Para las piezas de MDF se usó pegamento de resina SOLDIMIX, ya que tiene una mejor
resistencia a las altas temperaturas que otros pegamentos de madera. Las primeras pruebas
para observar los límites de temperatura que puede detectar la cámara requirieron elevar la
temperatura cerca a los 200 °C, así como se observa en la Figura 56.
94
Página adjunta 15
95
Página adjunta 16
96
Página adjunta 17
97
Página adjunta 18

TESIS JoabApaza Rev24

Cargado por

Información del documentohacer clic para expandir la información del documento

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

TESIS JoabApaza Rev24

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

TESIS JoabApaza Rev24

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL MAYOR DE SAN

E.P DE INGENIERÍA ELECTRÓNICA

Para optar el Título Profesional de Ingeniero Electrónico

Joab Max Alonso Apaza Martinez

Flavio Nireo Carrillo Gomero

Lima, Perú 2023

Población y muestra .......................................................................................................... 25

Figura 2. Onda electromagnética. Fuente: (Serway y Jewett, 2004, p. 1071) ....................... 20

Figura 3. Espectro infrarrojo. Fuente: (Prieto, 2018) ............................................................. 21

Figura 4. Curvas de radiación de los cuerpos negros a distintas temperaturas. Fuente:

Figura 9. Transmisión atmosférica a distintas alturas y distancias. Fuente: (Harris, 2013, p.

Figura 11. Calibraciones a nivel de píxel. Fuente: Elaboración propia. ................................. 33

Figura 13. Ejemplo de resultados de operaciones entre imágenes. Fuente: Elaboración

Figura 19. Piezas diseñadas en 3D. Fuente: Elaboración propia.............................................. 4

Figura 20. Simulación de deformación en Autodesk Inventor. Fuente: Elaboración propia. .. 5

Figura 29. Localización de los números de interés. Fuente: Elaboración propia................... 14

Figura 32. Plantillas de números 3 y 6. Fuente: Elaboración propia...................................... 17

Figura 33. Extracción de fragmentos de imagen. Fuente: Elaboración propia. ..................... 18

Figura 44. Obtención de función error de temperatura en base a distancia. Fuente:

Figura 45. Implementación en drone. Fuente: Elaboración propia. ...................................... 33

Tabla 1. Regiones del espectro electromagnético ................................................................. 20

Tabla 2. Comparación de los motores. .................................................................................... 3

Tabla 3. Asignación de canales extra en el receptor de radio. ................................................ 6

Tabla 4. Comparación de tiempos de ejecución, promedio de 100 repeticiones. ................ 23

Tabla 5. Datos obtenidos en la calibración, temperatura en Celsius .................................... 28

Tabla 6. Variación de la temperatura (Celsius) según la distancia. ....................................... 32

Tabla 7. Temperatura real y medida con la cámara, en °C. ................................................... 37

Tabla 8. Temperatura homogénea del plato respecto a la deseada en °C. ........................... 38

Tabla 9. Valores recolectados con las pruebas con el drone. ................................................ 42

Tabla 14 Matriz de consistencia del proyecto. ...................................................................... 56

La finalidad de este proyecto fue desarrollar la calibración radiométrica de una cámara

Keywords: thermal camera, calibration, black body, 3D designs, image processing,

Actualmente en el mercado es posible encontrar cámaras térmicas a un precio moderado y

En los capítulos siguientes se muestra el procedimiento desarrollado para calibrar una

Planteamiento del problema

Determinación del problema

La adquisición de la cámara se realizó de forma directa con el fabricante de la misma, la

Formulación del problema.

Problema general. ¿Es posible realizar la calibración radiométrica de una cámara

Problemas específicos. Se tienen los siguientes problemas específicos para el

1. ¿Se puede obtener un modelo matemático de la intensidad de radiación infrarroja

3. ¿Es posible solucionar el problema de enfoque manual de la cámara mediante el

El objetivo de esta tesis es desarrollar la calibración radiométrica de una cámara de

1. Obtener un modelo matemático de la intensidad de radiación infrarroja con la

2. Desarrollar un software para obtener imágenes térmicas con valores medibles de

3. Solucionar el enfoque manual de la cámara mediante el diseño e implementación

Importancia y alcance de la investigación.

La aplicación final requiere que la toma de imágenes funcione a un rango de cientos de

Se define como radiación electromagnética a la propagación, transmisión y difusión de

Figura 2. Onda electromagnética. Fuente: (Serway y Jewett, 2004, p. 1071)

Tabla 1. Regiones del espectro electromagnético

Región Frecuencia longitud de Ejemplo

Fuente: Elaboración propia

Se define como radiación infrarroja a las ondas electromagnéticas comprendidas en el

• Onda Corta (SW): Entre el rango de 0.9 a 3 µm.

• Onda Media (MW): Entre el rango de 3 a 5 µm.

• Onda Larga (LW): Entre el rango de 5 a 15 µm.