diseño e implementación de un prototipo de videovigilancia para la detección de elementos de pesca ilegal con visión artificial en la laguna de Pacucha – 2022

• Autor: Vargas Huarcaya, Jhon
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Nacional José María Arguedas
• Repositorio: UNAJMA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unajma.edu.pe:20.500.14168/842
• Enlace del recurso: https://hdl.handle.net/20.500.14168/842
• Nivel de acceso: acceso abierto
• Materia: Pesca ilegal,; visión artificial,; raspberry Pi,; Vertex AI,; TensorFlow; http://purl.org/pe-repo/ocde/ford#2.02.04

La pesca ilegal, no declarada y no reglamentada (INDNR) abarca toda pesca que viola las normas pesqueras o se produce fuera del alcance de las leyes y reglamentos. Representa una amenaza social, económica y ambiental. Pone en peligro la seguridad alimentaria y nutricional de personas cercanas a la actividad pesquera en el país. En septiembre del 2017 el Perú se adhirió al Acuerdo sobre Medidas del Estado Rector del Puerto (AMERP) para prevenir, desalentar y eliminarlo del ecosistema marino. Sin embargo, existen mínimas normativas que fortalezcan la lucha contra la pesca ilegal en lagos, ríos y lagunas en el país. Como el caso de la laguna de Pacucha en donde se planteó como objetivo general desarrollar un sistema de videovigilancia con IA (Inteligencia Artificial), haciendo el uso de visión artificial con capacidad de identificar elementos de pesca ilegal. Para el desarrollo del proyecto se tomó por conveniente el uso de la metodología Empagile el cual es una adaptación del método Desing Thinking que tiene la finalidad de encontrar la solución con ideas innovadoras, combinado con métodos de procesos agiles, el marco de desarrollo ágil SCRUM, el cual nos proporciona lo necesario para construir la solución. Se utilizó el microordenador Raspberry 4B y una cámara Pi, la plataforma de desarrollo de aprendizaje automático supervisado Vertex AI donde se entrenó el modelo personalizado para ser exportado en formato “.tflite”, su ejecución se llevó con TensorFlow lite una librería de software libre y de código abierto para el aprendizaje de maquina e inteligencia artificial. Se concluyó con la detección correcta de los objetos obteniendo una precisión del 97.1% y un puntaje de 0.871 de 1 que demuestra la alta calidad del modelo entrenado.