Look-up in Google Scholar
Full metadata record
Huamaní Navarrete, Pedro Freddy
Chirinos Carranza, Xavier Alexander
Calero Segura, Paúl Manuel
2022-05-12T05:39:23Z
2022-05-12T05:39:23Z
2021
https://hdl.handle.net/20.500.14138/4864
En la presente investigación se optó por trabajar con tres modelos de redes neuronales convolucionales particulares para la detección de mascarillas, y se evaluó la capacidad de reconocimiento de una persona usando mascarilla, sin mascarilla y haciendo mal uso de esta, justificando con valores numéricos y ecuaciones la que posee mayor efectividad al momento de la detección, utilizando para este cometido tres parámetros significativos como lo son: la matriz de confusión, la métrica Precision y la métrica Accuracy. En primer lugar, se realizó la adquisición de imágenes y seguidamente su procesamiento para conformar la base de datos, la cual se organizó en tres grupos que son: Con Mascarilla, conformada por 968 imágenes, Sin Mascarilla, conformada por 988 imágenes, y Mal Uso conformada por 967 imágenes, dándonos un total de 2923 imágenes. Teniendo la base de datos se procedió al entrenamiento de los tres modelos de redes neuronales convolucionales, la primera red utilizó 3 capas convolucionales, la segunda red 5 capas convolucionales y la tercera red 7 capas convolucionales, a través del Toolbox Deep Learning de Matlab, seguidamente se realizó una comparación entre las redes neuronales convolucionales para saber que red será la más indicada y llevarla a la simulación respectiva. En cuanto a los resultados obtenidos, se evidenciaron que la red neuronal convolucional que posee más capas tiene un mejor desempeño en el reconocimiento de la mascarilla, sin mascarilla y haciendo mal uso de esta, logrando clasificar 668 imágenes de 673 para la validación, con una precisión y accuracy del 99%, demostrado a través de la matriz de confusión y cálculo respectivo. Con este resultado se eligió la tercera red neuronal convolucional particular para la detección de mascarilla. Seguidamente se procedió con la implementación de la interfaz del proyecto a través del App Designer del Matlab para su visualización en tiempo real. Finalmente, se recreó un ambiente parecido a la entrada de un laboratorio de una universidad, para su simulación, logrando el correcto funcionamiento en el reconocimiento del uso correcto de la mascarilla. (es_ES)
Submitted by Fiorella Tipula (fiorella.tipula.95@gmail.com) on 2022-05-12T05:39:23Z No. of bitstreams: 1 T030_47584611_T CHIRINOS CARRANZA XAVIER ALEXANDER.pdf: 2953690 bytes, checksum: 2c28633298bf446d5eb2f5ef8b92b8d8 (MD5) (es_ES)
Made available in DSpace on 2022-05-12T05:39:23Z (GMT). No. of bitstreams: 1 T030_47584611_T CHIRINOS CARRANZA XAVIER ALEXANDER.pdf: 2953690 bytes, checksum: 2c28633298bf446d5eb2f5ef8b92b8d8 (MD5) Previous issue date: 2021 (es_ES)
application/pdf
spa
Universidad Ricardo Palma - URP (es_ES)
info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-nd/4.0/
Repositorio Institucional - URP (es_ES)
Red neuronal convolucional (es_ES)
Toolbox Deep Learning (es_ES)
Matlab (es_ES)
App Designer (es_ES)
Detección del uso correcto de mascarillas utilizando una red neuronal convolucional para el ingreso de personas a un laboratorio de una universidad (es_ES)
info:eu-repo/semantics/bachelorThesis
Universidad Ricardo Palma. Facultad de Ingeniería. Escuela Profesional de Ingeniería Electrónica (es_ES)
Ingeniería Electrónica (es_ES)
Título Profesional (es_ES)
Ingeniero Electrónico (es_ES)
PE (es_ES)
https://purl.org/pe-repo/ocde/ford#2.02.00
https://purl.org/pe-repo/renati/nivel#tituloProfesional
712026
https://purl.org/pe-repo/renati/type#tesis
Privada asociativa
info:eu-repo/semantics/publishedVersion



This item is licensed under a Creative Commons License Creative Commons