Con el presente trabajo, se ha elaborado un “DIAGNÓSTICO DEL MODELO DE GESTIÓN EN UNA EMPRESA DE TRANSPORTE DE CARGA PESADA POR CARRETERA”; al respecto, hemos tenido limitantes como el acceso a determinada información de la compañía debido a sus políticas de seguridad así como la limitación de traslado y comunicación generada por la pandemia COVID-19 que ha afectado sustancialmente a todo el país; con todo ello, hemos culminado con éxito, logrando el objetivo de tener un diagnóstico de calidad que permita mejorar la gestión de la compañía quedando solo en su decisión el implementarla. Luego del análisis realizado, proponemos implementar un modelo de gestión EFQM que es acorde a la realidad actual de la compañía. De que asegurarán obtener resultados rentables y sostenibles para la organización. Asimismo, con el compromiso de los colaboradores, se logrará una cultura organizacional orientada a una visión estratégica que contribuya al desarrollo de la empresa y de la sociedad. / This work is about a "DIAGNOSIS OF THE MANAGEMENT MODEL IN A HEAVY LOAD TRANSPORTATION COMPANY". It has been prepared although, we have had limitations such as access to certain company information due to its security policies as well as the limitation communication visits due to the COVID-19 pandemic that has substantially affected the entire country. Despite of all this, we have successfully achieved the objective of having a quality diagnosis that could allow to make some improvements on the management of the company. The implementation of the improvements is now up to the company. After the analysis carried out, our proposal is to implement an EFQM management model that is consistent with the current reality of the company. Some improvements have been proposed in order to ensure profitable and sustainable results for the organization. Likewise, with the commitment of all employees, an organizational culture oriented towards a strategic vision that contributes to the development of the company and society will be achieved. / Trabajo de investigación

Los métodos tradicionales de escaneo 3D requieren de un contacto físico directo con los objetos a escanear. En algunos casos demandan incluso la rotación y movimiento constante de estos, lo cual representa un riesgo para objetos frágiles como las piezas arqueológicas. Si ignoramos este factor de riesgo podemos causar daños irreparables y frustrar el proceso de documentación de estas. Por otro lado, existen técnicas de escaneo 3D sin contacto - pasivas que no requieren de una interacción directa con los objetos. Es por ello que se propone desarrollar un software que permita escanear piezas arqueológicas usando las técnicas de reconstrucción tridimensional mediante conceptos de visión artificial, aprendizaje de máquina, data augmentation y mallas poligonales. Para lograr nuestro cometido se parte de un set inicial de 962 huacos peruanos pre escaneados proporcionados por el grupo de Inteligencia Artificial PUCP. Con este conjunto de datos se genera una extenso volumen de imágenes los cuales son procesados y utilizados para el entrenamiento de un modelo de aprendizaje de máquina. Segundo, al obtener unos primeros resultados se propone llevar a cabo la técnica de data augmentation para extender nuestra data disponible, normalizarla, segmentarla y con ello entrenar múltiples modelos bajo 2 experimentos definidos. Todo ello nos permite mejorar los resultados de reconstrucción de objetos 3D considerando la alta variabilidad de huacos peruanos. Finalmente se implementa una interfaz gráfica la cual permite al usuario interactuar con el proyecto desarrollado. En conclusión, se logra desarrollar una herramienta de software que nos permite cargar videograbaciones reales de piezas arqueológicas (bajo ciertos parámetros establecidos), procesar los archivos, visualizar y descargar los resultados obtenidos como mallas poligonales (reconstrucciones 3D almacenados en el computador).

Según los últimos censos, nuestro planeta tiene cerca de 7.000 millones de habitantes principalmente concentrados en zonas urbanas. Consecuencia de esto las multitudes de personas se congregan en estos sitios, complicando la tarea de supervisión y vigilancia para mantener la seguridad pública en calles, plazas, avenidas y demás. Esto motiva el estudio y mejora de métodos de análisis automático del comportamiento humano. A esta área de investigación se le denomina Análisis del Comportamiento Humano, o Reconocimiento de Actividades Humanas. Gran parte de los trabajos dedicados a este problema se basan en técnicas de visión por computador junto con algoritmos de Machine Learning y, más recientemente, en Deep Learning. En este proyecto de tesis, se ha hecho inicialmente una revisión del estado del arte respecto al tema del análisis y reconocimiento de actividades y comportamientos humanos. En este estudio se han analizado los principales trabajos de machine learning tradicional y deep learning para el tema de la tesis, así como los principales datasets. Se ha visto que no existe un estándar o arquitectura que proponga solución genérica. Por otro lado, la mayoría de trabajos se centran en un determinado rango de individuos, habiendo propuestas para personas individuales, para pequeños grupos, grandes grupos o multitudes. Además, no existe un consenso en la nomenclatura respecto a los grados de complejidad, niveles de comportamiento o, como aquí se denomina, nivel de semántica de las acciones que se realizan. Tras este estudio, se ha propuesto una taxonomía bidimensional que permite clasificar las propuestas en el espacio "número de personas/nivel de semántica", siendo más descriptivo respecto al actual estado del arte y permitiendo ver donde se concentran mayormente los trabajos y cuales los retos aun no resueltos. Tras el estudio del estado del arte, en este trabajo se ha propuesto una arquitectura de visión y aprendizaje para reconocer actividades de grupos usando descriptores de movimiento. Se compone de dos bloques principales, el descriptor de movimiento y el clasificador de actividad. Las arquitecturas de red profunda que se estudian actualmente tienen la bondad de, dados unos datos en crudo (imágenes, secuencias, etc.) tratarlos internamente de forma que devuelvan un resultado, sin necesidad de pre-procesarlos primero. Sin embargo, esto los hace dependientes de los datos de entrenamiento y necesitan grandes datasets para que el entrenamiento sea suficiente. El hecho de introducir un descriptor hace que el espacio de búsqueda se reduzca, y por lo tanto se pueda entrenar con menor número de datos, y además, se pueda independizar la escena (número de individuos, localización de la actividad en el espacio, etc.) del comportamiento en sí. Para el descriptor de la arquitectura se propone en esta tesis como una variante del descriptor Activity Descriptor Vector (ADV), que se denomina D-ADV, y que obtiene dos imágenes del movimiento local acumulado, una UDF (de los movimientos arriba, Up, abajo, Down, y Frecuencia) y otra LRF (de los movimientos Left, izquierda, Right, derecha y Frecuencia). Por otro lado, como instancias de la arquitectura haciendo uso del D-ADV, se proponen el D-ADV-MultiClass para clasificación de múltiples clases. Esta propuesta se basa en utilizar los dos streams UDF y LRF, junto con una red profunda y transfer learning, para reconocer la actividad del grupo. Además, se ha propuesto otra instancia, llamada D-ADV-OneClass, que añade a los dos streams anteriores, otro con información de contexto. Esta última instancia da solución a problemas en los que solo se conoce una clase durante el entrenamiento, y por lo tanto se utilizan técnicas de one-class classification. En la experimentación se ha validado la arquitectura con las dos instancias D-ADV-MultiClass y D-ADV-OneClass utilizando los datasets públicos ampliamente conocidos, como son BEHAVE, INRIA y CAVIAR para multi-class, y para one-class los datasets Ped 1, Ped 2 y Avenue. Los resultados experimentales muestran la capacidad de la arquitectura para clasificar las actividades de los grupos presentados en los datasets. Además, se demuestra que la arquitectura es capaz de tener buenos resultados utilizando datasets con poca cantidad de datos. En este caso, no a partir de la imagen sino de la representación del movimiento. Por último se plantean como trabajos futuros experimentar con otros datasets de mayor tamaño o con otro tipo de datos (peleas callejeras y en rings de boxeo para ver como afecta el contexto en estas situaciones). A medio o largo plazo se realizarán mejoras aumentando y comprobando otras instancias de la arquitectura utilizando múltiples streams de entrada que puedan permitir detectar otros comportamientos.

En los últimos años el campo de la Visión Artificial ha experimentado un crecimiento acelerado con el éxito de las Redes Neuronales Artificiales y el Aprendizaje Profundo. La cantidad de datos etiquetados que se han relevado, las mejoras en hardware especializado y las importantes modificaciones introducidas en los algoritmos tradicionales surgidos en la segunda mitad del siglo pasado han posibilitado el avance en problemas complejos que parecían imposibles de abordar pocos años atrás. En particular, las Redes Neuronales Convolucionales se han convertido en el modelo más popular dentro de este campo de las Ciencias de la Computación. A lo largo de la década del 2010, los trabajos que avanzaron el estado del arte en los diferentes problemas de la Visión Artificial han incluido casi exclusivamente redes de este tipo. Sin embargo, algunos componentes de las Redes Convolucionales han mantenido sus estructuras y definiciones originales. Este es el caso de los filtros convolucionales, los cuales han mantenido su estructura geométrica estática en las últimas décadas. El objetivo general de esta tesis es explorar las limitaciones inherentes a la estructura tradicional de los filtros convolucionales, proponiendo nuevas definiciones y operaciones para superar las mismas. En esta línea, se presenta una generalización de la definición de los filtros convolucionales, extendiendo el concepto de dilatación de los mismos a intervalos continuos sobre las dimensiones espaciales. Adicionalmente, se presenta una nueva definición de la Convolución Dilatada para permitir comportamientos dinámicos durante el proceso de entrenamiento. Basadas en las definiciones introducidas, se proponen las nuevas operaciones de Convolución de Dilatación Adaptativa y Convolución de Dilatación Aleatoria. La primera introduce a las redes convolucionales la capacidad de optimizar la dilatación de los filtros de acuerdo a los datos de entrada, de manera de adaptarse dinámicamente a los cambios semánticos y geométricos presentes en las diferentes escenas. La segunda permite explorar la utilización de filtros de dilataciones aleatorias para simular transformaciones de escala, con el objetivo de aumentar la invariancia a escala de una red convolucional, una de sus limitaciones más conocidas. Finalmente, se definieron casos de estudio para Clasificación de Imágenes y Segmentación Semántica, de manera de obtener métricas cuantitativas que permitan evaluar las propuestas realizadas. Se realizaron múltiples entrenamientos de diferentes arquitecturas y configuraciones para redes conocidas en la literatura, mostrando resultados favorables con la inclusión de las operaciones propuestas. Más aún, el diseño de estas es modular, por lo que pueden ser incluidas en arquitecturas arbitrarias. / In the last years, the field of Computer Vision has seen incredible success through the adoption of Artificial Neural Networks and Deep Learning. The amount of labeled data, the improvements in specialized hardware, and further development in the traditional algorithms, have enabled advances in complex problems that seemed impossible to approach a few years before. In particular, these networks have become the most popular models within this field of Computer Sciences. Throughout the last decade, the state-of-the-art research in the different Computer Vision problems had almost exclusively included this type of model. However, the structure of some components of Convolutional Networks has remained almost unaffected. This is the case with convolutional filters, which have kept their original geometric structure in the last decades. The overall goal of this thesis is to explore the limitations inherent to the traditional structure of the convolutional filters, introducing new definitions and operations to overcome them. In this context, a generalization of the definition of convolutional filters is presented, extending the concept of dilation to continuous intervals in the spatial dimensions. Additionally, a new definition for the Dilated or Atrous Convolution is proposed, which enables dynamic behaviors in the dilation of the filters during the training process. Based on these new definitions, two new operations are presented: the Adaptive Dilation Convolution and the Random Dilation Convolution. The first one introduces the capacity for Convolutional Networks to optimize the dilation of the filters according to the input data, dynamically adapting to the semantic and geometric differences found across scenes. The second, enables the exploration of random dilations to simulate different scale transformations in the data, aiming to increase the scale invariance of these networks, one of their known limitations. Finally, different study cases were defined for Image Classification and Semantic Segmentation, in order to evaluate the introduced operations using quantitative metrics. Several training experiments were performed, using different architectures and configurations for renowned networks, showing positive results during the inclusion of the proposed operations. Moreover, their design is modular, enabling them to be included in arbitrary architectures.

En el ámbito del aprendizaje automático, un desafío persistente es la disponibilidad de datos suficientes, especialmente en tareas de visión por computadora. Este desafío se amplifica cuando se trabaja con sensores remotos, donde las bases de datos etiquetadas para abordar problemas son escasas. Este manuscrito examina críticamente el monitoreo de deslizamientos de tierra en el paisaje peruano y presenta tres contribuciones en esta dirección. La primera contribución expande un conjunto de datos de imágenes satelital es sobre deslizamientos de tierra (Landslide4Sense) proveniente de territorios asiáticos, con 3799 imágenes debidamente etiquetadas. Reconociendo la dinámica geoespacial de Perú, se incrementó este conjunto de datos con 838 escenarios locales. Estas adiciones mantienen congruencia con el conjunto de datos original en términos de atributos y configuración, asegurando replicabilidad y escalabilidad para futuras investigaciones. La segunda evalúa varios modelos de segmentación semántica basados en la arquitectura U-net, reforzada por la función de pérdida de Entropía Cruzada Ponderada + Dice Loss, óptima en tareas de segmentación con conjuntos de datos desequilibrados. Los resultados permiten alcanzar un F1-Score del 75.5% con la arquitectura U-net (vanilla) superando el benchmark de referencia del 71.65%. La última contribución muestra un desarrollado integral para la adquisición de datos, procesamiento y entrenamiento/evaluación de modelos. Dado que este marco tiene el potencial de impulsar una aplicabilidad general de sistemas de segmentación a sistemas de monitoreo de deslizamientos de tierra, y detener un alcance más amplio a la comunidad académica y partes interesadas gubernamentales en Latinoamérica y en todo el mundo.

Al 2020, y pasados menos de 8 años desde la primera exportación significativa de arándanos frescos, el Perú se ha consolidado como el mayor exportador de este fruto, ofreciéndolo en mercados como EEUU, la Unión Europea y China [4] [14]. La apertura de estos nuevos mercados trae consigo la obligación de cumplir estándares de calidad; en el caso de los arándanos, incluyendo rangos de calibre (diámetro mayor), color e incidencia de defectos superficiales. Si bien existen máquinas que automatizan por completo el proceso de selección de dichos frutos, sus costos son un impedimento para su adquisición en asociaciones de productores pequeños y medianos. En el Perú, este proceso es mayormente manual, complicando el cumplimiento adecuado de los estándares internacionales y suponiendo además riesgos ergonómicos para los operarios. De esta forma, surge la necesidad de una máquina para la clasificación de arándanos costeable por productores peruanos. En ese sentido, el presente trabajo de tesis detalla el proceso de diseño de un prototipo para la clasificación de arándanos según tamaño y características asociadas al color, mediante visión por computadora; poniéndose especial énfasis en la identificación de criterios de selección efectivos aplicados al análisis de imágenes del fruto. Bajo el enfoque de la metodología VDI 2221 y los métodos de diseño de la Universidad Tecnológica de Delft, se inicia con una revisión de los métodos más empleados en la industria para la clasificación de fruta, los parámetros de calidad cruciales para arándanos y el estado de la tecnología en clasificación de los mismos. Luego, se delimitan los requerimientos básicos para el diseño y se determinan posibles soluciones para un prototipo, las cuales fueron evaluadas cualitativamente. Seguidamente, se analiza una muestra de 100 arándanos con el fin de determinar características útiles para el diseño, y se realizan experimentos para comprobar el principio de funcionamiento del concepto de solución seleccionado. Posteriormente, se diseña un prototipo para la clasificación de arándanos, que incluye pruebas de visión por computadora para la estimación del calibre del fruto y la determinación de un criterio de selección asociado al color del mismo. Finalmente, se presentan los resultados de las pruebas, conclusiones y recomendaciones para la validación del diseño propuesto. Se busca que el producto de este estudio permita complementar trabajos previos y servir de base para próximas investigaciones, con el objetivo de conseguir implementar una máquina seleccionadora de arándanos que pueda competir en el mercado peruano.

Los paisajes agrícolas y ganaderos están estrechamente relacionados con el flujo de carbono, ya que actúan como reservorios de carbono en forma de biomasa. La evaluación de las reservas de carbono almacenadas en estas zonas es importante para apoyar la toma de decisiones que impidan que estas zonas se conviertan en fuentes de emisión de carbono. Sin embargo, las técnicas tradicionales de estimación de las reservas de carbono requieren un muestreo in situ, lo que supone una tarea extenuante, arriesgada, costosa DE escasa cobertura. En este estudio, proponemos una metodología, basada en imágenes multiespectrales capturadas por drones y modelos de aprendizaje profundo, para automatizar la tarea de estimar mapas de reservas de carbono almacenados en paisajes agrícolas y ganaderos. Aplicamos una arquitectura de red neuronal U-Net para discriminar las zonas arbóreas y pastizales. Luego, se desarrolla un modelo basado en redes neuronales convolucionales para la estimación de la densidad de carbono a partir de imágenes multiespectrales. Resultados experimentales en paisajes agrícolas y ganaderos de la Amazonía peruana mostraron la efectividad de la metodología propuesta, reportando un mIoU de 87%, un RMSE de 2.44 para zonas arbóreas, y un RMSE de 1.84 para zonas de pastura. Concluimos que la estimación de la densidad de carbono es alcanzable con el enfoque propuesto. Esta metodología puede ser útil para la toma de decisiones y puede contribuir a la gestión o al control del cambio climático. / Agricultural and livestock landscapes are closely related to carbon flux, serving as carbon 1 reservoirs in the form of biomass.The assessment of carbon stocks stored in these areas is important to 2 support decision-making that prevents these areas from becoming carbone misión sources. However, 3 traditional carbon stock estimation techniques require on-site sampling, which is a strenuous, risky, 4 expensive and low-coverage task. In this study, we propose a methodology, based on multispectral 5 images captured by drones and Deep learning models, to automate the task of estimating maps of 6 carbon stocks sequestered in agricultural and livestock landscapes. We applied U-Net neural network 7 architecture to discriminate arboreal and grasslands zones. Then, a convolutional neural-network 8 based model is developed for carbon density estimation from multispectral images. Experimental 9 results on agricultural and livestock landscapes in Peruvian Amazon regions showed the effectiveness 10 of the proposed methodology, reporting mIoU of 87%, RMSE of 2.44 for arboreal zones, and RMSE 11 of 1.84 for grassland zones. We conclude that the carbon density estimation is achievable with the 12 proposed approach. This methodology can be helpful for decision-making and may contribute to the 13 management or controlling climate change.

Las evaluaciones de riesgos y seguridad en el trabajo generalmente se han realizado con observaciones efectuadas in situ por personal especializado. Esta evaluación de riesgos tradicional es costosa e ineficaz, especialmente en los países en desarrollo, donde hay una necesidad de recursos humanos más capacitados. Además, el estado del arte resalta que incluso los especialistas calificados carecen de precisión intra- e inter-observador, pues a menudo se equivocan en juicios de riesgos principalmente debido a sesgos subjetivos o condiciones visuales subóptimas en el lugar de trabajo, como ser iluminación reducida, oclusiones de equipos, auto-oclusiones y ángulos de video inadecuados. En esta tesis presentamos diversas propuestas, basadas en el uso de visión artificial, para facilitar la toma de decisiones, estandarizar el proceso de evaluación y reducir el tiempo requerido para estimar el riesgo ergonómico y cuantificar el uso de equipos de protección individual. En el primer capítulo se presenta la introducción a las tecnologías de la Industria 4.0 como marco básico de requerimiento de soluciones a los problemas antes mencionados. El segundo capítulo detalla las soluciones propuestas desde la visión artificial y las redes neuronales para la estimación del riesgo ergonómico. En el tercer capítulo se presentan dos soluciones basadas en redes neuronales para la inspección y cuantificación del uso de equipos de protección personal. Finalmente, se presentan las conclusiones y el trabajo futuro. Los resultados indicaron que los métodos propuestos facilitan el proceso de evaluación de riesgos y condiciones de trabajo en aplicaciones reales en entornos desafiantes, utilizando entre otras fuentes videos obtenidos por medio de cámaras deportivas egocéntricas, teléfonos inteligentes y drones. / Risk and safety assessment at worksites is generally carried out through on-site observations performed by specialized personnel. This traditional risk assessment procedure is costly and ineffective, especially in underdeveloped countries, where specifically trained human resources are scarce and expensive. Also, the state-of-art points out that even qualified specialists lack intra- and inter-observer precision, and often err on risk judgments, mainly due to subjective biases or workplace sub-optimal visual conditions, such as reduced illumination, equipment occlusions, self-occlusions, and inadequate video angles. In this thesis we present several computer-vision- based solutions aimed to facilitate decision-making, to standardize the evaluation process, and to reduce the amount of time required for estimating ergonomic risk and quantifying the use of personal protective equipment. In the first chapter, the introduction to Industry 4.0 technologies is presented as a basic framework requiring solutions to the problemsmentioned. The second chapter details the proposed solutions based on computer vision and neural networks for the estimation of ergonomic risk. In the third chapter, two solutions based on neural networks for the inspection and quantification of the use of personal protective equipment are presented. Finally, conclusions and future work are presented. The results indicated that the methods facilitated the process of assessing risks and working conditions in real applications in challenging environments, using video recorded with sports egocentric cameras, smartphones, and drones.

La motivación de esta tesis consistió en investigar el empleo de sistemas visuales monoculares en ambientes subacuáticos e implementar soluciones novedosas a los problemas complejos que en tales ambientes se presentan. Algunos de los principales aportes de este trabajo son: el desarrollo de algoritmos para la navegación en ambientes altamente auto-símiles, la implementación de un sistema monocular SLAM (Simultaneous localization and Mapping) denso orientado a su uso en ambientes subacuáticos, el desarrollo de una metodología robusta para la exploración retorno y revisita basada en SLAM, la implementación de un filtro de onda cáustica para ambientes tridimensionales. La validez de los resultados obtenidos teóricamente se verificó experimentalmente en ambientes subacuáticos controlados. / The motivation of this thesis consisted in researching the use of visual-monocular systems in underwater environments and to implement novel solutions to the complex problems that arise in such scenes. Some of the main contributions of this work are: the development of algorithms for navigation in highly self-similar scenes, the implementation of a dense monocular SLAM system (Simultaneous localization and Mapping) developed to be used in underwater scenes, the development of a robust methodology for exploration, return and revisiting based on SLAM, the implementation of a caustic wave filter for tridimentional environments. The validity of the obtained results were verified experimentally in controlled underwater environments.

Ultrasound imaging in rural areas often faces challenges due to the scarcity of skilled radiologists or sonographers. This research explores enhancing ultrasound imaging focused in resource-scarce settings via external anatomical landmarks for asynchronous ultrasound acquisition using artificial intelligence (AI) and computer vision algorithms based on the nature of the acquisition. First, it addresses lung ultrasound health status by generating one single image by sweeping the transducer in a sagittal position along the chest. The validation was performed using normal and abnormal cases. Second, a multi-camera system for ultrasound probe tracking with AI is proposed. The results were evaluated by quantitative measurements of speeds, angles, and simulation of lung VSI protocol. Third, a 3D segmentation of breast tumors using ultrasound videos acquired by asynchronous protocols was realized. A representative frame of the videos is extracted to analyze the nature and determine if is a benign or malignant case. Fourth, a set of obstetric data acquired by asynchronous protocols for the assessment of fetal head presentation and placenta position was realized. Fetal biometry such as head circumference and biparietal diameter were calculated and compared with physician measurements. Finally, an elastography approach was tested for plantar soft tissue assessment by a test-retest experiment for biomechanical characterization. An automatic calcaneus segmentation was employed in the B-mode as an aid in the visualization and for an immediate region of interest selection. The results were compared with the manual selection of the region of interest and the respective calcaneus segmentation. The findings of this work demonstrate a substantial advancement in the field of ultrasound imaging, especially tailored for resource-limited settings. / Las imágenes ecográficas en zonas rurales enfrentan desafíos debido a la escasez de radiólogos o sonografistas. Esta investigación explora la mejora de las imágenes por ultrasonido enfocadas en indicadores anatómicos externos para realizar adquisiciones asíncronas haciendo uso de inteligencia artificial (IA) y de algoritmos de visión por computadora basados en la naturaleza de la adquisición. En el primer capítulo, se aborda el estado del pulmón haciendo uso de ultrasonido pulmonar generando una sola imagen haciendo un barrido del transdutor en posición sagital con respecto al pecho. La validación fue realizada usando casos normales y anormales. En el segundo capítulo, se propone un sistema de adquisición con múltiples cámaras para hacer un seguimiento del transductor. Los resultados fueron comparados cuantitativamente realizando mediciones de velocidad, ángulos y de simulación del protocolo protocolo VSI pulmonar. En el tercer capítulo, se implementó una segmentación 3D para tumores de mama usando videos de ultrasonido adquiridos de manera asíncrona. Se extrajeron imágenes representativas de cada video para determinar si es benigno o maligno. En el cuarto capítulo, se trabajó con un conjunto de datos obstétricos adquiridos por protocolos asíncronos para la evaluación de la cabeza fetal y posición fetal. La biometría fetal como la circunferencia de la cabeza y diámetro biparietal fueron calculados y comparatods con mediciones de radiólogos. Finalmente, se evaluó un método de elastografía para la evaluación del tejido plantar realizando un experimento repetitivo para su caraterización biomecánica. Posteriormente, se propuso la segmentación automatizada del calcáneo utilizando las imágenes en modo B como apoyo en la visualización y para una inmediata selección de región de interés. Los resultados fueron comparados con la selección manual de la región de interes y su respectiva segmentación del calcáneo. Los hallazgos de este trabajo demostraron los avances sustanciales en el campo de imágenes de ultrasonido, especialmente diseñada para entornos con recursos limitados