• Monitoreo de afluencia de pers...

Treffer: Monitoreo de afluencia de personas utilizando aprendizaje profundo

Title:
Monitoreo de afluencia de personas utilizando aprendizaje profundo
Authors:
Bechara Echeverry, Lucas, Parra Giraldo, Steven
Contributors:
López Sotelo, Jesús Alfonso
Source:
instname:Universidad Autónoma de Occidente ; reponame:Repositorio Institucional UAO ; [1] "Script", Es.wikipedia.org. [En línea]. Disponible: https://es.wikipedia.org/wiki/Script. [Accedido: 18- Feb- 2019]. [2] "Tipado dinámico", Es.wikipedia.org. [En línea]. Disponible: https://es.wikipedia.org/wiki/Tipado_din %C3 %A1mico. [Accedido: 18- Feb2019]. [3] Marr, B. (2016). Forbes Welcome. Forbes.com. Accedido el 2 de febrero de 2018, Obtenido de; https://www.forbes.com/sites/bernardmarr/2016/12/29/4- amazing-ways-facebook-uses-deep-learning-to-learn-everything-aboutyou/2/1d8933493090. [4] A. Ouaknine, Review of Deep Learning Algorithms for Image Classification", Medium, 2018. [En linea]. Disponible en: https://medium.com/zylapp/review-ofdeep-learning-algorithms-for-image-classification-5fdbca4a05e2. [Accedido el:22- Jun- 2019]. [5] A. Krizhevsky, I. Sutskever and G. Hinton, ÏmageNet Classification with Deep Convolutional Neural Networks", Papers.nips.cc, 2019. [En linea]. Disponible: https://papers.nips.cc/paper/4824-imagenet-classificationwith-deep-convolutional-neural-networks. [Accedido: 22- Jun- 2019]. [6] ....
Publisher Information:
Universidad Autónoma de Occidente
Ingeniería Mecatrónica
Departamento de Automática y Electrónica
Facultad de Ingeniería
Publication Year:
2019
Collection:
Repositorio Educativo Digital Universidad Autónoma de Occidente (RED UAO)
Subject Terms:
Ingeniería Mecatrónica, Redes neuronales (Computadores), Inteligencia artificial, Deep learning, Neural networks (Computer science), Artificial intelligence
Time:
Universidad Autónoma de Occidente. Calle 25 115-85. Km 2 vía Cali-Jamundí
Document Type:
Dissertation bachelor thesis
File Description:
application/pdf; 102 páginas
Language:
Spanish; Castilian
Relation:
http://red.uao.edu.co//handle/10614/11986
Availability:
http://red.uao.edu.co//handle/10614/11986
Rights:
Derechos Reservados - Universidad Autónoma de Occidente ; https://creativecommons.org/licenses/by-nc-nd/4.0/ ; info:eu-repo/semantics/openAccess ; Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
Accession Number:
edsbas.A0502B18
Database:
BASE

Weitere Informationen

En el presente proyecto se desarrolló una aplicación de aprendizaje profundo (Deep Learning) la cual identifica el nivel de ocupación en lugares comunes con afluencia de personas en la Universidad Autónoma de Occidente, haciendo uso de la técnica transfer Learning para identificar de forma cualitativa el estado de ocupación. Para llevar a cabo este proyecto, se utilizó una red neuronal pre-entrenada (Yolo Detection) para clasificar el objeto(Persona). Con base en dicha información se creó el dataset compuesto de 9 clases, las cuales representan los estados (vacío, medio y lleno) de la cafetería primer piso, laboratorio de electrónica y laboratorio de automática. La aplicación fue desarrollada en TensorFlow, en donde se usó Yolo Detection para añadir la característica de los cuadros delimitadores a las imágenes. Una vez se obtuvieron las representaciones de las imágenes procesadas por Yolo Detection, posteriormente se entrenó una capa clasificadora mediante transfer learning usando Mobilenet V1.0 para realizar de forma cualitativa la representación de ocupación por parte de personas en los lugares. El sistema de interfaz gráfica está compuesto por 2 componentes; Aplicación desarrollada en Java para administradores y el desarrollo de una aplicación de Android Studio para usuarios. Se hizo de esta manera para evitar de que el usuario final tenga acceso a las imágenes capturadas por el sistema, y con ello solo puede acceder a la información de los estados de niveles de ocupación, por otro lado, el administrador cuenta con una aplicación Web, en la cual puede interactuar con toda la información del sistema, modificar y eliminar datos de la base de datos en caso de ser necesario. El sistema de monitoreo funciona en tiempo real teniendo como sensor una cámara tipo (Ojo de pez), obteniendo el nivel de ocupación actualizado cada 5 minutos, este es almacenado en una base de datos MySQL para su registro ; Proyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2019 ; Pregrado ; Ingeniero(a) ...