Look-up in Google Scholar
Full metadata record
Grados Espinoza, Herbert Junior
Huaman Yrigoin, Dennis
2024-12-18T17:31:48Z
2024-12-18T17:31:48Z
2024
https://hdl.handle.net/20.500.12952/9539
En el Perú, los delitos contra el patrimonio se han incrementado considerablemente en los últimos diez años, estos generalmente realizados con armas de fuego o punzocortantes, poniendo en riesgo la integridad de la persona afectada. Pese a los esfuerzos que realizan los gobiernos locales por mejorar la seguridad ciudadana instalando cámaras de vigilancia o mediante patrullajes policiales o de serenazgo continuos, éstos últimos también se pueden ver afectados por el desconocimiento de los tipos de armas que puedan portar los criminales que cometen delitos como robo, hurto, sicariato, etc., al momento de confrontarlos. Ante ello, se propuso el desarrollo e implementación de un sistema de alerta y videovigilancia que pueda detectar diferentes tipos de armas las cuales fueron categorizadas en AFCA (Armas de Fuego de Corto Alcance), AFLA (Armas de Fuego de Largo Alcance) y APC (Armas punzocortantes). En primera instancia se evaluaron los diferentes tipos de cámaras a elegir compatibles con Raspberry Pi 4B, así como el tipo de notificación a implementar. Para la detección de armas, se utilizó como base el modelo de detección YOLOv8 y se establecieron 3 modificaciones, las cuáles se denominaron (YOLOv8n-I y YOLOv8n-II, basados en el modelo YOLOv8n) y (YOLOv8s-I basado en el modelo YOLOv8s). Para cada modelo se especificaron parámetros de entrenamiento como la cantidad de épocas, cantidad de imágenes de entrenamiento y validación, tamaño del lote (batch) y tamaño de imagen de entrenamiento. Para las métricas de desempeño del sistema, se consideraron la Precision, FPS, Recall, F1-Score, Matriz de Confusión y el mAP. Se obtuvo que, el modelo YOLOv8n-II tuvo el mejor rendimiento respecto a los modelos YOLOv8n-I y YOLOv8s-I. El modelo se escogió en base a la tasa promedio de fotogramas por segundo (FPS) de 3.5, una precisión de 83.3%, un Recall de 89.5% y un F1-Score de 88.9% para las 3 categorías. Adicionalmente se tuvo un tiempo promedio de 2 segundos para el envío de las notificaciones conteniendo las imágenes de las armas detectadas al aplicativo de Telegram. El sistema se puso a prueba en un entorno real y a una distancia de 1.5 a 7 metros, logrando una detección de las armas correspondientes a las categorías indicadas. Este sistema puede utilizarse para ser implementado en entornos urbanos o residenciales, pudiendo notificar a las autoridades competentes sobre los tipos de armas que los delincuentes puedan portar. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional del Callao (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Sistema (es_PE)
Videovigilancia (es_PE)
Raspberry PI 4B (es_PE)
Sistema de alerta y videovigilancia utilizando raspberry PI 4B para la detección de armas en la región Callao, 2023 (es_PE)
info:eu-repo/semantics/masterThesis (es_PE)
Universidad Nacional del Callao. Facultad de Ingeniería Eléctrica y Electrónica (es_PE)
Maestría en ciencias de la electrónica con mención en control y automatización (es_PE)
Maestro en ciencias de la electrónica con mención en control y automatización (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.01 (es_PE)
https://purl.org/pe-repo/renati/level#maestro (es_PE)
46168554
https://orcid.org/0000-0002-5504-0734 (es_PE)
72138492
712037 (es_PE)
Tejada Cabanillas, Adan Almircar
Mendoza Apaza, Fernando
Alfaro Rodírguez, Carlos Humberto
Tirado Mendoza, Gabriel Augusto
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública



This item is licensed under a Creative Commons License Creative Commons