Aplicación móvil con reconocimiento numérico por cámara fotográfica para el cierre de turno en grifos

• Autor: Payano Mamani, Marco Stiv
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/153745
• Enlace del recurso: https://hdl.handle.net/20.500.12692/153745
• Nivel de acceso: acceso abierto
• Materia: Detección de objetos; Detección de patrones; Modelos pre-entrenados; Exactitud; Tiempo de identificación; https://purl.org/pe-repo/ocde/ford#2.02.04

Esta investigación se enfocó en el desarrollo e implementación de una aplicación móvil para el cierre de turno en estaciones de servicio utilizando reconocimiento numérico a través de la cámara. Esto se hizo considerando que aproximadamente el 44.84% de las estaciones de servicio en Perú aún realizan este proceso manualmente, sin la ayuda de tecnologías modernas, y representando una excelente oportunidad para innovar mediante la visión por computadora. El objetivo de la investigación fue determinar el efecto del uso de una aplicación móvil para el reconocimiento óptico de los totalizadores de los dispensadores para la generación del resultado de cierre de turno de un grifo. Se consideró la exactitud y el tiempo de identificación como indicadores. El desarrollo de la aplicación implicó el uso de modelos pre-entrenados de aprendizaje profundo de la colección Zoo de Tensorflow 2, junto con las bibliotecas Tensorflow, Tensorflow Lite, Keras y OpenCV. Se utilizó Google Colab como entorno de desarrollo, y Android Studio como entorno de desarrollo integrado. Se llevó a cabo un estudio cuantitativo aplicado con un diseño preexperimental de post test, utilizando un total de 984 fotografías de los totalizadores de los dispensadores para el entrenamiento de los modelos. La exactitud y el tiempo de identificación de los modelos se midieron antes y después de su fusión, utilizando una ficha de registro. El rendimiento del modelo combinado resultó satisfactorio, con una exactitud por imagen del 95.3252% y un tiempo de identificación de 0.78 segundos. Al aplicar este modelo en el entorno real, se mejoró la precisión del cierre de turno en un 10.9439% y se redujo el tiempo del proceso en 8 minutos y 19 segundos, lo que equivale a una disminución del tiempo del proceso del 63.9436%. Se sugiere que el modelo continúe aprendiendo de las imágenes recopiladas durante el uso de la aplicación, con el fin de garantizar una mejora continua en su rendimiento.