El documento describe el diseño, construcción y control de un robot SCARA paralelo asistido por visión artificial y deep learning para automatización de líneas de producción. El objetivo es diseñar, construir y controlar un robot SCARA paralelo para manipulación de objetos utilizando visión artificial para determinar posiciones y trayectorias, así como deep learning para reconocimiento de objetos. El proyecto involucra análisis cinemático, diseño mecánico, implementación de electrónica, programación en ROS, visión artificial y deep learning.

1. “DISEÑO, CONSTRUCCIÓN Y CONTROL DE UN
ROBOT/COBOT PARALELO SCARA ASISTIDO POR
VISIÓN ARTIFICIAL Y DEEP LEARNING PARA
AUTOMATIZACIÓN DE LÍNEAS DE PRODUCCIÓN”
• Leonardo F. Cochachin Mendoza
• Asesor: Henry Huanca Loza
• Curso: IF543 – Proyecto de tesis III

2. INTRODUCCIÓN

3. OBJETIVOS

4. OBJETIVO
GENERAL
•EL OBJETIVO FUNDAMENTAL ES EL DISEÑO,
CONSTRUCCIÓN Y CONTROL UN ROBOT DEL TIPO
SCARA PARALELO PARA MANIPULACIÓN DE
OBJETOS. ESTA A SU VEZ CONTARÁ CON ASISTENCIA
DE VISIÓN ARTIFICIAL DETERMINACIÓN DE
POSICIONES Y TRAYECTORIAS DEL ROBOT, ASÍ COMO
LA IMPLEMENTACIÓN DE DEEP LEARNING PARA EL
RECONOCIMIENTO DE OBJETOS Y DE SU ENTORNO.

5. OBJETIVOS
ESPECÍFICOS
• REALIZAR UN PRIMER PROTOTIPO FUNCIONAL DEL SISTEMA EN GENERAL.
• REALIZAR, EN BASE AL PRIMER PROTOTIPO, UN DISEÑO DE LA
ESTRUCTURA MECÁNICA DEL ROBOT PARALLEL SCARA.
• MECANIZAR LAS PIEZAS NECESARIAS PARA LA IMPLEMENTACIÓN
MECÁNICA, ASÍ COMO LA IMPRESIÓN DE OTRAS, DE SER NECESARIA.
• CONSTRUIR EL ROBOT PARALLEL SCARA DE ACUERDO AL DISEÑO
REALIZADO.
• IMPLEMENTAR LA ELECTRÓNICA Y EL CONEXIONADO DEL SISTEMA EN
GENERAL.
• PROGRAMAR LOS PAQUETES NECESARIOS PARA EL ROBOT EN ROS
(DINÁMICAS DE MOVIMIENTO, RECONOCIMIENTO DE IMÁGENES, ETC)
• PROGRAMAR LA VISIÓN ARTIFICIAL PARA DE LA DETECCIÓN DE
ELEMENTOS DE DISTINTA GEOMETRÍA TAMAÑO, Y COLOR.
• IMPLEMENTAR DISTINTOS ALGORITMOS DE MOVIMIENTO PARA EL
TRANSPORTE DE LOS ELEMENTOS.
• ENTRENAR UN ALGORITMO DE DEEP LEARNING CON UNA DATASET
PROPIA.
• IMPLEMENTAR LA INFERENCIA EN LA JETSON NANO PARA EL
RECONOCIMIENTO DE OBJETOS ANTES CLASIFICADOS.

6. METODOLOGÍA DEL PROYECTO

7. 1. DISEÑO
2. SIMULACIÓN
3. IMPLEMENTACION DEL PROTOTIPO
4. AUTOMATIZACIÓN DEL SISTEMA
5. DETECCIÓN DE OBJETOS
6. IMPLEMENTACIÓN DE INTERFAZ DE USUARIO

8. MARCO TEÓRICO

9. ROBÓTICA
MANIPULADOR MULTIFUNCIONAL,
CONTROLADO
AUTOMÁTICAMENTE,
REPROGRAMABLE EN TRES O MÁS
EJES, QUE PUEDE ESTAR FIJO O
MÓVIL PARA USO EN
APLICACIONES DE
AUTOMATIZACIÓN INDUSTRIAL.
(ISO 8373:2012)
¿Que es un robot industrial?
Figura 1. Robot bi-manipulador IK4-TEKNIKER. [2]

10. ROBOTS DE REPETICIÓN O APRENDIZAJE. –
• SE LIMITAN A REPETIR UNA SECUENCIA DE
MOVIMIENTOS, PREVIAMENTE EJECUTADA POR UN
OPERADOR HUMANO, HACIENDO USO DE UN
CONTROLADOR MANUAL O UN DISPOSITIVO
AUXILIAR
ROBOTS POLIARTICULADOS. –
• SUELEN SER SEDENTARIOS, ADEMÁS DE ESTAR
ESTRUCTURADOS PARA MOVER SUS EFECTORES EN
UN DETERMINADO ESPACIO DE TRABAJO; SEGÚN
UNO O MÁS SISTEMAS DE COORDENADAS, Y CON
UN NÚMERO LIMITADO DE GRADOS DE LIBERTAD.
Figura 2. Robots manipuladores (RV, RH-AH SCARA, y RP-AH
SCARA). [5]

11. ESTRUCTURA DE ROBOTS INDUSTRIALES
SECUENCIA DE ELEMENTOS ESTRUCTURALES RÍGIDOS,
DENOMINADOS ENLACES O ESLABONES, CONECTADOS
ENTRE SÍ MEDIANTE JUNTAS O ARTICULACIONES.
PUEDEN SER ABIERTAS (SECUENCIALES) O CERRADAS
(PARALELAS)
LOS ELEMENTOS TERMINALES PUEDEN SER PINZAS
(GRIPPER) O HERRAMIENTAS.
Figura 3. Elementos estructurales de un robot industrial.
Figura 5. Herramienta de soldar.
Figura 4. Herramienta pinza.

12. ROBOTS PARALELOS
LOS ROBOTS PARALELOS SON CADENAS
CINEMÁTICAS CERRADAS, CUYO EFECTOR FINAL
SE ENCUENTRA CONECTADO A LA BASE
MEDIANTE VARIAS CADENAS CINEMÁTICAS
SERIALES INDEPENDIENTES.
VENTAJAS:
• LA RELACIÓN CARGA/POTENCIA ES ALTA
• PRESENTAN UNA ALTA RIGIDEZ
• SU ARQUITECTURA LES PERMITE ALCANZAR
ALTAS VELOCIDADES Y ACELERACIONES
DESVENTAJA:
• LA CINEMÁTICA, LA DEFINICIÓN DE LAS
POSICIONES SINGULARES Y LA
CONSTRUCCIÓN DEL MODELO DINÁMICO
SON MÁS COMPLICADOS QUE PARA EL CASO
SERIE Figura 6. : Robot paralelo espacial de 6 grados de libertad [10]

13. EL ROBOT SCARA PARALELO
RESULTA DE LA UNIÓN DE DOS
ROBOTS TIPO SCARA EN EL PUNTO
DONDE SE UBICA EL EFECTOR
FINAL, DE AHÍ PROVIENE LA
CONNOTACIÓN “PARALELO”, YA
QUE ESTA UNIÓN PERMITE
FORMAR, A PARTIR DE 2 CADENAS
SERIALES ABIERTAS, UNA CADENA
CERRADA.
ROBOT SCARA PARALELO
Figura 7. Prototipo DexTAR [9]

14. Área de trabajo y singularidades
Figura 8. Área de trabajo del
robot Scara Paralelo [9].
Figura 10. Singularidad de tipo 1
en los dos brazos del robot [9].
Figura 9. Singularidad de tipo 1
en el brazo izquierdo del robot [9].
Figura 11. Singularidad de tipo 2
en el robot. [9]

15. ÁREA DE TRABAJO Y SINGULARIDADES
EL ROBOT SCARA PARALELO TIENE
CUATRO MODOS DE TRABAJO, CADA
UNO DE ELLOS REPRESENTA UNA
SOLUCIÓN AL PROBLEMA
CINEMÁTICO INVERSO. PARA
CAMBIAR ENTRE ESTOS MODOS DE
TRABAJO, EL ROBOT DEBE PASAR POR
LAS SINGULARIDADES DE TIPO 1 [8].
Figura 12. Zonas alcanzables libre de singularidades [10]

16. ROS: ROBOTIC OPERATING SYSTEM
ROS ES UN META SISTEMA OPERATIVO DE CÓDIGO ABIERTO DISEÑADO PARA EL DESARROLLO DE
ROBOTS
Figura 13. Conceptos ROS a nivel de gráfico computacional
(Achmad, Priyandoko, & Daud, 2017)

17. VISIÓN ARTIFICIAL
IMAGEN DIGITAL:
PODEMOS DEFINIR UNA IMAGEN EN
ESCALA DE GRISES COMO UNA
FUNCIÓN DE LA FORMA F (M, N),
DONDE M Y N SON POSICIONES EN
UN PLANO BIDIMENSIONAL. LA
MAGNITUD DE F (M, N) REPRESENTA
LA INTENSIDAD DE IMAGEN EN LA
COORDENADA (M, N).
𝑓 𝑚, 𝑛 =
𝑓 1,1 … 𝑓 1 𝑁
⋮ ⋱ ⋮
𝑓 𝑀 1 … 𝑓 𝑀 𝑁
Ecuación 1. Representación matricial
de una imagen
Figura 13. Pixeles en una imagen en escala de grises (8 bits por
pixel). [11]

18. Imagen digital a color (RGB)
Figura 14. Componentes y generación de imagen a color. [11]

19. TRATAMIENTO DE IMAGEN
FILTRO MEDIO: IMPLEMENTAR PARA SUAVIZAR IMÁGENES, ES DECIR, REDUCIR LA CANTIDAD DE
VARIACIONES DE INTENSIDAD ENTRE PÍXELES VECINOS.
Figura 15. Ruido tipo “sal y pimienta”
(fuente: es.mathworks)
Figura 16. Algoritmo de funcionamiento del filtrado medio.

20. DILATACIÓN:
EL PRIMER ELEMENTO DE LA DILATACIÓN, A, ESTÁ ASOCIADO CON LA IMAGEN QUE SE ESTÁ
PROCESANDO Y EL SEGUNDO RECIBE EL NOMBRE DE ELEMENTO ESTRUCTURAL, LA FORMA QUE
ACTÚA SOBRE A EN LA DILATACIÓN PARA PRODUCIR A⊕ B.
Figura 17. Algoritmo de funcionamiento de Dilatación.

21. EROSIÓN:
LA EROSIÓN SE CONCIBE USUALMENTE COMO UNA REDUCCIÓN DE LA IMAGEN ORIGINAL (A⊖B).
Figura 18. Algoritmo de funcionamiento de Dilatación.

22. DEEP LEARNING
ES UNA TÉCNICA DE LA INTELIGENCIA
ARTIFICIAL (IA) QUE COPIA LA
MANERA EN QUE EL CEREBRO
HUMANO FUNCIONA AL MOMENTO
DE PROCESAR DATOS Y CREAR
PATRONES PARA TOMAR DECISIONES.
DE IGUAL FORMA, CUENTA CON REDES
CAPACES DE APRENDER A REALIZAR
UNA TAREA SIN SUPERVISIÓN A
PARTIR DE DATOS NO
ESTRUCTURADOS O ETIQUETADOS. EL
DEEP LEARNING TAMBIÉN RECIBE EL
NOMBRE DE APRENDIZAJE NEURONAL
PROFUNDO O RED NEURONAL
PROFUNDA.
Figura 19. inteligencia artificial, aprendizaje automático y
aprendizaje profundo [16]

23. YOLOV4-TINY
YOU ONLY LOOK ONCE (YOLO) SE
ENFOCA LA DETECCIÓN DE OBJETOS
EN UNA IMAGEN. YOLO UTILIZA UN
ENFOQUE DE REGRESIÓN,
UTILIZANDO LOS PÍXELES DE LA
IMAGEN, LAS COORDENADAS DEL
BOUNDING BOX, Y PROBABILIDAD
DE CLASES. ESTO PERMITE A YOLO
PREDECIR QUE OBJETOS ESTÁN
PRESENTES Y DONDE ESTÁN. EN LA
SIGUIENTE FIGURA SE MUESTRA LA
ESTRUCTURA DE YOLO
Figura 20. Arquitectura de YOLO [19]

24. Detección Unificada
YOLO UNIFICA LOS DIFERENTES
COMPONENTES DE UNA DETECCIÓN
DE OBJETOS EN UNA SIMPLE CNN.
USA CARACTERÍSTICAS DE LA
IMAGEN ENTERA PARA PREDECIR
CADA BOUNDING BOX DONDE ES
MUY PROBABLE QUE SE ENCUENTRE
UN OBJETO QUE PERTENECE A UNA
CLASE DE ENTRENAMIENTO
Figura 21. Modelo de detección de YOLO con enfoque de regresión

25. DESARROLLO DEL PROYECTO

26. ANÁLISIS CINEMÁTICO
DEL SISTEMA

27. CINEMÁTICA DIRECTA DEL
SISTEMA
CON LA CINEMÁTICA DIRECTA LO
QUE ES HACEMOS ES DETERMINAR
LA ORIENTACIÓN Y POSICIÓN FINAL
DEL EFECTOR EN FUNCIÓN LOS
ÁNGULOS DE LAS ARTICULACIONES
Y GEOMETRÍA DE LOS ESLABONES.
Figura 19. Esquema robot SCARA paralelo de 2 grados de
libertad.

28. LA IDEA ES PODER DETERMINAR LA
POSICIÓN DE C RESPECTO DE A,
PARA ELLO, PODEMOS
DESCOMPONER NUESTRA CADENA
CINEMÁTICA CERRADA EN 2
ABIERTAS: : 𝑨𝑩𝑪 Y 𝑨𝑬𝑫𝑪.
PROCEDEMOS A HALLAR LA
POSICIÓN DE C RESPECTO DE A
PARA CADA UNA DE ESTAS
CADENAS COMENZANDO CON LAS
PROYECCIONES DE LOS
ESLABONES TANTO EN EL EJE X
COMO EN EL Y
𝐴𝐵𝐶:
𝑋 = 𝐴𝐵𝑋 + 𝐵𝐶𝑋 = 𝑙1𝑐𝑜𝑠𝜃1 + 𝑙2𝑐𝑜𝑠𝜃2
𝑌 = 𝐴𝐵𝑌 + 𝐵𝐶𝑌 = 𝑙1𝑠𝑒𝑛𝜃1 + 𝑙2𝑠𝑒𝑛𝜃2
𝐴𝐸𝐷𝐶:
𝑋 = 𝐸𝐴𝑋 + 𝐷𝐸𝑋 + 𝐶𝐷𝑋 = 𝑙5 + 𝑙4𝑐𝑜𝑠𝜃4 + 𝑙3𝑐𝑜𝑠𝜃3
𝑌 = 𝐸𝐴𝑌 + 𝐷𝐸𝑌 + 𝐶𝐷𝑌 = 𝑙4𝑠𝑒𝑛𝜃4 + 𝑙3𝑠𝑒𝑛𝜃3

29. CINEMÁTICA INVERSA DEL
SISTEMA
EL OBJETIVO ES HALLAR LAS POSICIONES
ANGULARES DE LAS ARTICULACIONES A
PARTIR DE LA POSICIÓN Y ORIENTACIÓN
FINAL DEL EFECTOR.
.
𝑠 = 𝑥 −
𝑙1
2
2
+ 𝑦2
𝜎 = atan 2 𝑦, 𝑥 −
𝑙1
2
𝜓 = ± acos
𝑙4
2
− 𝑠2
− 𝑙5
2
−2 ⋅ 𝑠 ⋅ 𝑙5
𝜃5 = 𝜎 − 𝜓
𝑡 = 𝑥 +
𝑙1
2
2
+ 𝑦2
𝜉 = atan 2 𝑦, 𝑥 +
𝑙1
2
𝜙 = ± acos
𝑙3
2
− 𝑡2 − 𝑙2
2
−2 ⋅ 𝑡 ⋅ 𝑙5
𝜃1 = 𝜉 + 𝜙
Figura 20. Representación de parámetros del 5R SCARA para
cinemática inversa

30. PROCESO DE DISEÑO

31. PRIMER PROTOTIPO: DISEÑO CAD:
Figura 21. Primer prototipo, vista interna de rótula lateral.
Figura 22. Primer prototipo, vista de acople de tubo de aluminio a eje de motor. Figura 23. Primer prototipo, vista horizontal.

32. Figura 24. Primer prototipo, vista normal.

33. DISEÑO CAD DE PROTOTIPO FINAL:
Figura 25. Diseño 3D de robot SCARA paralelo.

34. DISEÑO CAD DE PROTOTIPO FINAL:
Figura 27. Diseño 3D de robot SCARA paralelo, vista frontal.
Figura 26. Diseño 3D de robot SCARA paralelo, vista horizontal.

35. DISEÑO CAD DE PROTOTIPO FINAL
Figura 28.Diseño 3D de la nuevo grado de libertad. Figura 29. Soporte de cámara RPI. Figura 30. Diseños de la pinza y eje
giratorio del efector.

36. DISEÑO CAD DE PROTOTIPO FINAL
Figura 31. Diseño de disposición electrónica.
Figura 32. Medidas del robot scara.
Figura 33. Medidas de posición
de la camara

37. ÁREA EFECTIVA DE TRABAJO DEL ROBOT
Figura 34. Medidas del robot scara.

38. CONSTRUCCION DE LA
ESTRUCTURA DEL PRIMER
PROTOTIPO

40. CONSTRUCCION DEL
PROTOTIPO FINAL

42. IMPLEMENTACIÓN
ELETRÓNICA:

43. IMPLEMENTACIÓN ELETRÓNICA:
Figura 36. Puertos de entrada y salida
del driver TB6600.
Figura 35. Motor NEMA 23.

44. IMPLEMENTACIÓN ELETRÓNICA:
Figura 38. Módulo de cámara
Raspberrry Pi NoIR V2.
Figura 37. Placa de desarrollo
Nvidia Jetson Nano.

45. IMPLEMENTACIÓN ELETRÓNICA:
Figura 40. SERVO MG90S METAL GEAR.
Figura 39. Raspberry pi pico.

46. DIAGRAMA DE FUNCIONAMIENTO:
Figura 41. Diagrama de funcionamiento de los distintos componentes del robot.

47. PROGRAMACION DEL MOVIMIENTO DEL ROBOT

48. FUNCION MOVIMIENTO EN LA
RASPBERRY PICO.
Figura 42. Diagrama de flujo de la función movimiento con

49. Figura 56. . Diagrama de flujo de modificación de la función
movimiento para obtener aceleración.

50. VISION ARTIFICIAL
Figura 54. Diagrama de flujo del proceso de imágenes.

51. VISION ARTIFICIAL:
EN EL PRIMER PROTOTIPO SE UTILIZÓ UNA CAMARA CONVENCIONAL PARA L A TOMA DE
IMÁGENES. ESTA DATA SE PROCESÓ EN UNA PC CON EL MATLAB. SIN EMBARGO, ESTE
SISTEMA NO ES VIABLE YA QUE LA INTENCIÓN ES QUE EL ROBOT SEA INDEPENDIENTE.
Figura 55. Proceso de tratamiento de imagen del 1er prototipo.

52. VISIÓN ARTIFICIAL
CLASIFICACIÓN POR ÁREA:
LAS FIGURAS ROJAS DE MENOR
TAMAÑO SON CATALOGADAS COMO
“REFERENCIA” MIENTRAS QUE LA DE
MAYOR TAMAÑO COMO “EFECTOR”
CALIBRACION DEL SISTEMA:
DEBIDO A QUE EL EFECTOR Y LA MESA
DE TRABAJO SE ENCUENTRAN
DISTINTA ALTURA, SE DEBE CALIBRAR
TANTO UN OBJETO EN LA MESA
COMO EL EFECTOR, Y APLICAR LA
CORRECCIÓN PARA CADA UNA.
Figura 56. Clasificación de elementos por área en el 1er
prototipo.

53. PROCESAMIENTO DE RE-
ENTRENAMIENTO DE
MODELO YOLOV4-TINY

54. ANOTADO DE DATASET:

55. ANOTADO DE DATASET:

56. ANOTADO DE DATASET:

57. RE-ENTRENAMIENTO EN GOOGLE COLAB:

58. RE-ENTRENAMIENTO EN GOOGLE COLAB:

59. IMPLEMENTACIÓN EN JETSON:

60. IMPLEMENTACIÓN EN JETSON:

61. IMPLEMENTACIÓN EN JETSON:

62. IMPLEMENTACIÓN EN JETSON:

63. IMPLEMENTACIÓN EN JETSON:

64. IMPLEMENTACIÓN EN JETSON:

65. IMPLEMENTACIÓN EN JETSON:

66. RESULTADOS

67. INFERENCIA EN JETSON NANO:

68. INFERENCIA EN JETSON NANO:

69. FUNCIONAMIENTO GENERAL
DEL SISTEMA:
EL EQUIPO ES CAPAZ DE REALIZAR
LAS ACCIONES DEL DIAGRAMA
ANTES MOSTRADO. SIN EMBARGO,
EN DETERMINADAS
CIRCUNSTANCIAS, EL SISTEMA NO
CONSIGUE DETECTAR
ADECUADAMENTE ALGUNAS
CLASES DE OBJETO, O TAMBIÉN,
CONFUNDE UNA CLASE CON OTRA.

70. RESULTADO EN CINTA TRANSPORTADORA

71. DEMO

72. RESULTADO EN CINTA TRANSPORTADORA

73. RESULTADO EN CINTA TRANSPORTADORA

74. RESULTADO EN CINTA TRANSPORTADORA

75. DISCUSIONES:
ES RECURRENTE TAMBIÉN LA CONFUSIÓN DEL MODELO ENTRE “BOOGUE ROJO ” Y “BOOGUE
ROSA” DEBIDO A QUE AMBOS SE DIFERENCIAN CASI ÚNICAMENTE POR EL COLOR.
EN DETERMINADAS ILUMINACIONES, EL MODELO NO PUEDE DETECTAR ADECUADAMENTE
CIERTAS CLASES, COMO TAMBIÉN CONFUNDIRLAS. ESTO PODRÍA DEBERSE A L POCO TAMAÑO DE
NUESTRA DATASET, ASÍ COMO TAMBIÉN A LA CALIDAD DE ESTAS, YA QUE TODAS FUERON
TOMADES POR ENCIMA DE UNA PLACA DE MADERA, HACIENDO QUE LA INFER ENCIA EN LA CINTA
TRANSPORTADORA SEA NUEVA PARA EL MODELO.
EN LA IMAGEN ANTERIOR PODEMOS NOTAR QUE EL GRADO DE CONFIABILIDA D DE ELEMENTOS
BIEN DIFERENCIADOS COMO “CHICLETS” Y “CLORETS” ES MUY CERCANO A 1, MIENTRAS QUE EL
GRADO DEL BOOGUE ROSA ES DE APENAS EL 80%. ESTO REFLEJA LA DIFIC ULTAD DE DETECCIÓN
DE ELEMENTOS SIMILARES Y MÁS AÚN EN ENTORNOS DISTINTOS AL DE LA DATASET.
CON RESPECTO AL ROBOT PARALELO SCARA, ESTE CUENTA CON UNA GRAN V ELOCIDAD DE
TRABAJO, PUDIENDO REUBICAR UN OBJETO EN POCO MAS DE UN SEGUNDO. SIN EMBARGO, EL
FACTOR QUE LIMITA LA VELOCIDAD ES LA INFERENCIA, QUE TOMA BASTANTE TIEMPO EN
REALIZAR. UNA VEZ OPTIMIZADO ESTE PUNTO, EL ROBOT PODRÍA FUNCION AR PRÁCTICAMENTE
EN TIEMPO REAL.

76. CONCLUSIONES

77. SE DISEÑO Y CONSTRUYÓ UN ROBOT SCARA PARALELO CAPAZ DE REALIZAR TRABAJOS DE PICK
AND PLACE CLASIFICANDO ADECUADAMENTE DISTINTOS TIPOS DE CARAMELOS.
SE DESARROLLO UN ALGORITMO CON DATA SET PROPIA BASADA EN YOLOV4 -TINY Y CORRIDA
SOBRE EL FRAMEWORK DARKNET, OBTENIENDO GRADOS DE FIABILIDAD PRÓX IMOS A 1 EN
CLASES DISTINTAS.
SE PROGRAMARON DINÁMICAS DE MOVIMIENTO BASADAS EN LA INFERENCIA PARA REALIZAR
TRABAJOS DE PICK AND PLACE.
DEBIDO A INCOMPATIBILIDADES ENTRE LIBRERÍAS NECESARIAS PARA LA I NFERENCIA Y ROS NO
SOLVENTAS, NO SE PUDO IMPLEMENTAR ESTA ÚLTIMA.

78. AGRADECIMIENTOS

79. RECEPCION Y PROCESADO DE DATOS

80. EJECUCION DEL ORDEN