Aprendizaje profundo para la detección de armas de fuego en sistemas de videovigilancia
| dc.contributor.advisor | Zambrano Vega , Cristian Gabriel | |
| dc.contributor.author | Briones Montalvo , Cristhian Danilo | |
| dc.date.accessioned | 2025-05-27T15:29:57Z | |
| dc.date.available | 2025-05-27T15:29:57Z | |
| dc.date.issued | 2024 | |
| dc.description | Ecuador faces a growing challenge of insecurity, driven by drug trafficking and the proliferation of firearms, necessitating smart solutions that blend public security and technological strategies. In this context, closed-circuit television (CCTV) surveillance systems have become crucial tools for real-time monitoring and event recording. However, effectively combating the threat of firearms requires precise real-time detection systems. Thus, this project addresses this urgent need by exploring deep learning techniques and computer vision to develop a firearms recognition system within CCTV systems, aiming to propose a computational approach to combat the proliferation of firearms and violence in Ecuadorian society. Various tools for constructing artificial vision models were analyzed: YOLOv8, Teacheable Machine (EfficientNet), and the Haar-Cascade methodology. The performance of detection models was evaluated using multiple precision metrics. Among the evaluated models, it was found that the YOLOv8-based model proved to be the most effective in terms of precision and performance. | |
| dc.description.abstract | 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. | |
| dc.format.extent | 78 | |
| dc.identifier.citation | Briones Montalvo, Cristhian Danilo (2024). Aprendizaje profundo para la detección de armas de fuego en sistemas de videovigilancia. Quevedo. UTEQ. 78 paginas | |
| dc.identifier.other | 1300011 | |
| dc.identifier.uri | https://repositorio.uteq.edu.ec/handle/43000/8162 | |
| dc.language.iso | spa | |
| dc.publisher | Quevedo: UTEQ | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | |
| dc.subject | Detección de armas | |
| dc.subject | Aprendizaje Profundo | |
| dc.subject | Visión por Computadora | |
| dc.subject | Modelos de detección | |
| dc.subject | CCTV | |
| dc.title | Aprendizaje profundo para la detección de armas de fuego en sistemas de videovigilancia | |
| dc.type | masterThesis |
