Uso de la técnica Compressed Sensing para reducir el ancho de banda en él envió de imágenes en aplicaciones de laboratorios remotos.

Abstract

En la actualidad, el uso de los laboratorios remotos se ha popularizado en el ámbito educativo sobre todo en instituciones que no cuentan con laboratorios tradicionales porque carecen de recursos, presupuesto, infraestructura y equipamiento. Los laboratorios remotos están equipados con instrumentos reales de laboratorio, lo que permite a los estudiantes realizar actividades prácticas similares a las llevados a cabo en laboratorios tradicionales, aprovechando así sus conocimientos teóricos. Sin embargo, uno de los requerimientos más comunes de este tipo de laboratorios es la transmisión en tiempo real de imágenes y/o audio para visualizar el funcionamiento del mismo lo que provoca un aumento del ancho de banda necesario para su correcto funcionamiento convirtiéndose en un desafío principalmente en las zonas rurales donde las velocidades de los servicios de internet son muy bajas. En este sentido, con el desarrollo de este proyecto se evaluó el uso de la técnica de Compressed Sensing (CS) para reducir el ancho de banda en él envió de imágenes en aplicaciones de laboratorios Remotos. Esta técnica permite reconstruir señales a partir de una cantidad mínima de datos optimizando así el ancho de banda requerido para ser trasmitida. Este trabajo se llevó a cabo en 3 fases. En la fase inicial se compararon diferentes técnicas de compresión ratificando las ventajas que CS es una de las mejores opciones, durante la segunda se aplicó CS para comprimir imágenes: se desarrolló una aplicación utilizando el lenguaje de programación Python y se creó una interfaz web para que el sistema pueda ser embebido en cualquier aplicación de laboratorio remoto. Finalmente, en la fase final fue posible evaluar el desempeño de la técnica CS en relación al ancho de banda utilizando un software libre analizador de paquetes y estadístico. Los resultados mostraron que el ancho de banda utilizado para transmitir las imágenes fue de 2236KB/s usando la técnica de Compress Sensing y de 3357KB/s sin ella, evidenciado una optimización del mismo. Estos resultados fueron validados estadísticamente aplicando la prueba de hipótesis no paramétrica de Mann-Whitney.