Diseño y desarrollo de un sistema de alerta remota para los laboratorios de cómputo de la URP mediante machine learning en plataforma Python

• Autores: Campos Ochoa, Steven Orlando, Zegarra Huayllas, Manuel Angel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/8764
• Enlace del recurso: https://hdl.handle.net/20.500.14138/8764
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático (Inteligencia artificial); Aprendizaje supervisado (Aprendizaje automático); Laboratorios de cómputo -- Sistemas electrónicos de alarma; https://purl.org/pe-repo/ocde/ford#2.11.02

La presente investigación se centró en el diseño y desarrollo de un sistema de alerta remota para los laboratorios de cómputo de la Facultad de Ingeniería de la Universidad Ricardo Palma, utilizando machine learning, por medio de modelos de aprendizaje supervisados y no supervisados, en lenguaje Python. El proceso incluyó la selección del equipamiento necesario, que abarca la cámara IP de Hikvision, el NVR de marca Dahua para almacenar los videos, un PC servidor para el procesamiento de modelos de machine learning, un router de gran alcance para conectar los dispositivos en una red local y un monitor dedicado para la visualización. El equipamiento seleccionado garantiza una integración efectiva con el software desarrollado en Visual Studio Code, utilizando las bibliotecas de OpenCV. Estas facilitaron la comparación y selección del modelo de aprendizaje supervisado para autenticación facial, optando en la comparación de los modelos Fisherfaces, Eigenfaces y Local Binary Patterns Histogram (LBPH). Además, se eligió el modelo de aprendizaje no supervisado Isolation Forest para detectar comportamientos sospechosos en base a un video simulado de hurto. Los resultados indican que el modelo Fisherfaces es el más adecuado, logrando una tasa de acierto del 98.45% en reconocimiento facial, con un menor consumo de recursos y un rendimiento superior en la visualización de video. Por otro lado, el modelo Isolation Forest demostró ser eficaz al no generar falsas alarmas en diversas situaciones, lo que respalda su idoneidad para el sistema