Browsing by Author "Zambrano Vega , Cristian Gabriel"

Now showing 1 - 3 of 3
  • Thumbnail Image
    ItemOpen Access
    Aprendizaje profundo para la detección de armas de fuego en sistemas de videovigilancia
    (Quevedo: UTEQ, 2024) Briones Montalvo , Cristhian Danilo; Zambrano Vega , Cristian Gabriel
    Ecuador enfrenta un desafío creciente de inseguridad, potenciado por el narcotráfico y la proliferación de armas de fuego, lo que exige soluciones inteligentes que combinen estrategias de seguridad pública y tecnológica. En este contexto, los sistemas de videovigilancia basados en circuitos cerrados de televisión (CCTV) se han convertido en herramientas cruciales para el monitoreo y registro de eventos en tiempo real. Sin embargo, para combatir eficazmente la amenaza de las armas de fuego, se requieren sistemas precisos de detección en tiempo real. Este proyecto aborda una necesidad urgente al explorar técnicas de aprendizaje profundo y visión por computadora para desarrollar un sistema de reconocimiento de armas en sistemas de CCTV, con el objetivo de proponer una herramienta informática que pueda contribuir a la lucha contra la proliferación de armas de fuego y la violencia en la sociedad ecuatoriana. Se analizaron diversas herramientas para la construcción de modelos de visión artificial: YOLOv8, Teacheable Machine (EfficientNet) y la metodología Haar-Cascade. Se evaluaron los rendimientos de los modelos de detección generados empleando varias métricas de precisión. Entre los modelos evaluados, se encontró que el modelo basado en YOLOv8 demostró ser el más eficaz en términos de precisión y rendimiento.
  • Thumbnail Image
    ItemOpen Access
    Chatbot basado en inteligencia artificial para soporte informativo de la Universidad Técnica Estatal de Quevedo
    (Quevedo:UTEQ, 2023) Mora Euvin, Luis Ignacio; Zambrano Vega , Cristian Gabriel
    La creciente demanda global de asistencia y apoyo en la educación universitaria ha impulsado la exploración de soluciones innovadoras, incluyendo el uso de chatbots basados en inteligencia artificial. Estos sistemas ofrecen respuestas rápidas y efectivas, transformando la experiencia académica. En Ecuador, la Universidad Técnica Estatal de Quevedo enfrenta desafíos similares debido a la falta de disponibilidad las 24 horas. Se propone el desarrollo de un chatbot accesible vía WhatsApp para mejorar la experiencia académica al brindar respuestas eficientes a las consultas de los estudiantes. El proyecto busca diseñar un chatbot basado en inteligencia artificial que brinde soporte constante, considerando requisitos funcionales y no funcionales, asegurando facilidad de uso, escalabilidad y seguridad. El desarrollo seguirá un enfoque iterativo e incremental, con evaluación basada en pruebas exhaustivas para medir precisión en respuestas, tiempo de respuesta y satisfacción de los usuarios, con el objetivo de proporcionar un servicio de soporte óptimo y disponible en todo momento para los estudiantes universitarios.
  • Thumbnail Image
    ItemOpen Access
    Desarrollo de una aplicación móvil para la detección temprana de plagas en cultivos de maíz (zea mays l.) Empleando técnicas de visión artificial basada en aprendizaje profundo.
    (Quevedo:UTEQ, 2024) Zambrano Monserrate , Dennisse Paola; Zambrano Vega , Cristian Gabriel
    La detección temprana de plagas en cultivos de maíz (Zea mays L.) representa un desafío crítico para la agricultura, afectando directamente la productividad, calidad de los cultivos, y seguridad alimentaria. Con el avance de la tecnología, las técnicas de visión artificial y aprendizaje profundo emergen como soluciones prometedoras a esta problemática. Es por ello, que en el presente proyecto se desarrolló la aplicación móvil “PlagaScan” la cual permite la detección de plagas en el cultivo de maíz y brinda soporte en el diagnóstico para agricultores inexpertos con dificultades al identificar plagas en sus cultivos. La aplicación móvil ofrece tres funcionalidades principales: diagnóstico de plagas en tiempo real, diagnóstico mediante imágenes cargadas desde la galería y control de plagas proporcionando información relevante sobre posibles métodos de control o tratamiento para la plaga identificada. Los diagnósticos son generados por un modelo computacional de aprendizaje profundo basado en la arquitectura de la red neuronal convolucional MobileNet-v2, el cual ha sido entrenado y validado con un total de 750 imágenes previamente preparadas y preprocesadas. Este modelo está diseñado para detectar cinco tipos de plagas: gallina ciega, gusano trozado, gusano alambre, grillotopos y gusano lepidóptero. Durante el entrenamiento del modelo, se realizaron ajustes en los hiperparámetros, incluyendo un tamaño de lote de 16 y un entrenamiento durante 150 épocas. Para el desarrollo de la aplicación, se optó por la metodología Mobile-D, diseñada específicamente para el desarrollo de aplicaciones móviles. La aplicación brinda un rendimiento muy alto, con un 56.42% de precisión en los diagnósticos, lo que la convierte en una herramienta útil para agricultores con poca experiencia en la detección de plagas en el maíz.