Buscar en Google Scholar
Registro completo de metadatos
Alfaro Paredes, Emigdio Antonio
Quito Gonzales, Ernesto Edgar
2023-12-01T17:08:14Z
2023-12-01T17:08:14Z
2023
https://hdl.handle.net/20.500.12692/129729
Lima Este (sede)
Escuela de Ingenieria Sistemas (escuela)
Sistema de Información y Comunicaciones (lineadeinvestigacion)
Desarrollo sostenible, emprendimientos y responsabilidad social. (lig)
Desarrollo económico, empleo y emprendimiento (rsu)
Industria, innovación e infraestructura (ods)
El problema de la investigación fue ¿Cuál fue el efecto del sistema de detección de cuchillos y pistolas con los algoritmos YOLOv3-spp y la iluminación y la difuminación de OpenCV? El objetivo de la investigación fue determinar el efecto del sistema de detección de cuchillos y pistolas con los algoritmos YOLOv3-spp y la iluminación y la difuminación de OpenCV. El diseño de investigación fue preexperimental y la metodología ágil utilizada fue Scrum. La muestra por conveniencia estuvo conformada por 2083 imágenes de cuchillos y 1327 imágenes de pistolas. La sensibilidad del 94.2% fue menor al 100% logrado por Olmos et al. (2017), porque usaron un conjunto de datos guiados por el clasificador VGG-16. La especificad del 89.4% fue menor al 95% logrado por Elsner et al. (2019) porque utilizaron un detector de 2-Pass (2 pasadas) totalmente convolucionada en regiones (R-FCN) con un extractor de características ResNet-101. La precisión del 94.2% de esta investigación fue superior al 44.28% obtenido por Fernandez Carrobles et al. (2019) porque se usó imágenes tratadas con iluminación, difuminación y una capa Spatial Pyramid Pooling (He et al., 2015). La exactitud del 88% fue menor al 97% de Arceda et al. (2016) porque usaron un detector de escenas violentas, un algoritmo de normalización y un detector de rostros. El tiempo promedio de entrenamiento de 2.07 s se mantuvo dentro de los mejores porque se usó una instancia con Intel(R) Xeon(R) CPU @ 2.30GHz, 12.7 GB RAM y Tesla T4 15 GB GPU similar a Nguyen et al. (2020) con Intel (R) Xeon (R) Gold 6152 CPU @ 2.10 GHz, GPU Tesla P100 con el algoritmo YOLOv3. El tiempo promedio de entrenamiento de 26.19 ms fue rápido porque se utilizó YOLOv3-spp, que aparte de usar Darknet53, adiciona una capa llamada Spatial Pyramid Pooling, similar a Nguyen et al. (2020), quienes usaron YOLOv3 con Darknet53. Se recomienda utilizar más algoritmos de aumento de datos como rotación, acercar y alejar, así como aumentar el conjunto de datos de entrenamiento e interactuar con los hiperparámetros. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad César Vallejo (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Repositorio Institucional - UCV (es_PE)
Universidad César Vallejo (es_PE)
Deep learning (es_PE)
YOLOv3 (es_PE)
Detección de objetos (es_PE)
Detección cuchillos (es_PE)
Detección pistolas (es_PE)
Sistema de detección de cuchillos y pistolas con los algoritmos YOLOv3-SPP y la iluminación y la difuminación de OpenCV (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad César Vallejo. Facultad de Ingeniería y Arquitectura (es_PE)
Ingeniería de Sistemas (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
10288238
https://orcid.org/0000-0002-0309-9195 (es_PE)
47439349
612076 (es_PE)
Pérez Rojas, Even Deyser
Burga Vasquez, Nestor Giankeiler
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons