RESUMEN:

El creciente desarrollo de sistemas embebidos de bajo costo ha abierto nuevas posibilidades para la implementación de soluciones de inteligencia artificial en dispositivos con recursos computacionales limitados. El presente trabajo describe el diseño, desarrollo e implementación de un sistema embebido de visión artificial orientado a la asistencia contextual y percepción espacial en tiempo real, ejecutado íntegramente sobre una Raspberry Pi Zero 2W con cámara Module 3. El sistema fue desarrollado con el propósito de proporcionar apoyo tecnológico mediante detección de objetos, estimación de distancia y geolocalización en tiempo real a través de una interfaz accesible e interactiva.

La metodología empleada comprende la integración del modelo YOLOv3-tiny para detección de objetos, procesado mediante la librería OpenCV utilizando el backend DNN sobre CPU. Para maximizar el rendimiento en hardware limitado (512 MB RAM y procesador quad-core a 1 GHz), se implementaron diversas técnicas de optimización, incluyendo reducción del blob de inferencia a 160×160 píxeles, salto configurable de frames (skip=1/3), codificación MJPEG acelerada por hardware mediante MJPEGEncoder de picamera2, y separación concurrente de procesos de captura e inferencia utilizando threading con colas de tamaño unitario. Estas optimizaciones permitieron mantener estabilidad en el procesamiento y reducir la latencia del sistema.

La geolocalización se obtiene mediante la API de geolocalización del navegador cliente (navigator.geolocation), transmitida en tiempo real al servidor Flask mediante solicitudes HTTP tipo POST. La estimación de distancia se realiza utilizando la ecuación de distancia focal:

d=F×HrealHpx

donde Frepresenta la longitud focal calibrada, Hrealcorresponde a la altura real conocida del objeto y Hpxa la altura detectada en píxeles dentro del cuadro delimitador. De manera complementaria, se integra un sensor ultrasónico HC-SR04 para mejorar la precisión de medición sobre el objeto central del campo visual.

Los resultados obtenidos demuestran que el sistema alcanza una tasa de procesamiento de entre 10 y 15 cuadros por segundo en la transmisión de video, mientras que la inferencia del modelo YOLO opera aproximadamente a 2 FPS efectivos, rendimiento suficiente para aplicaciones de asistencia y monitoreo en tiempo real sobre hardware embebido de bajo consumo. La interfaz web desarrollada mediante Flask, JavaScript, Leaflet.js y OpenStreetMap permite visualizar en tiempo real el mapa de ubicación, las detecciones organizadas en una cuadrícula espacial de 3×3, la estimación de distancia expresada en pasos y la generación de indicaciones auditivas mediante síntesis de voz utilizando la Web Speech API en español.

Se concluye que es viable implementar sistemas funcionales de visión artificial e inteligencia artificial embebida sobre plataformas de recursos limitados, manteniendo capacidades de detección, geolocalización, orientación espacial y asistencia contextual en tiempo real. El proyecto demuestra el potencial de las plataformas embebidas para el desarrollo de tecnologías accesibles orientadas al apoyo asistivo e interacción inteligente con el entorno.

Palabras clave: Inteligencia artificial embebida, detección de objetos en tiempo real, Raspberry Pi, YOLOv3-tiny, geolocalización.