Modelo para la monitorización continua y la identificación temprana de situaciones de riesgo en entornos urbanos vigilados

• Autor: Ramirez Romero, Brandon Vicente
• Formato: tesis doctoral
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/11767
• Enlace del recurso: http://hdl.handle.net/20.500.12894/11767
• Nivel de acceso: acceso abierto
• Materia: Videovigilancia inteligente, aprendizaje profundo, integración multimodal, detección temprana.; https://purl.org/pe-repo/ocde/ford#2.02.04

La creciente incidencia de riesgos urbanos en Perú, evidenciada por 124,951 denuncias en el primer trimestre de 2024 (Instituto Nacional de Estadística e Informática [INEI], 2024a, 2024b), resalta las limitaciones de los sistemas tradicionales de videovigilancia, donde la fatiga cognitiva y atencional de los operadores humanos compromete la detección oportuna de estos eventos. Esta investigación aplicada, de nivel explicativo y diseño cuasiexperimental, tuvo como objetivo desarrollar un modelo para la monitorización continua e identificación temprana de situaciones de riesgo en entornos urbanos. Se propone el SIGMA Threat Management Framework (ΣTMF) y el modelo VibeNet, que integra los submodelos AuraNet (detección de violencia en video) con hasta 91.25% de exactitud, EchoGuard (clasificación de sonidos urbanos) con hasta 82.16% de exactitud, y ClipDet (detección de objetos peligrosos) con hasta 64.61% de mAP@50- 95. Los resultados muestran que la integración multimodal mediante fusión tardía incrementa la exactitud del sistema en un 6.67%. Las conclusiones evidencian que la especialización por modalidad y el uso de arquitecturas optimizadas permiten una detección más robusta, aunque persisten limitaciones en la disponibilidad de datasets multimodales etiquetados. La implementación de este sistema facilitaría una respuesta más rápida y efectiva por parte de las autoridades.