Redes neuronales de aprendizaje profundo para el reconocimiento facial y control de acceso de estudiantes a un laboratorio

• Autores: Cayllahua Aquino, Nestor Asbel, Suárez Macedo, Juan Carlos
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/3086
• Enlace del recurso: https://hdl.handle.net/20.500.14138/3086
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; reconocimiento facial; Matlab; toolbox Deep Learning; convolución; capas; https://purl.org/pe-repo/ocde/ford#2.02.00

Las redes neuronales convolucionales (CNN siglas en inglés) de aprendizaje profundo han demostrado en los últimos años una gran capacidad para resolver problemas de clasificación de imágenes, gracias al aprendizaje que realizan con millones de datos que se pueden encontrar en diferentes motores de almacenamiento en el internet. Asimismo, el reconocimiento facial representa un importante campo de aplicación desde hace algunos años y actualmente, por su diversificación en aplicaciones que van desde la mejora de la seguridad, programas digitales de telefonía celular y aplicaciones industriales. Por lo cual, este trabajo tuvo como objetivo la implementación de una red neuronal convolucional de aprendizaje profundo, para el reconocimiento facial y el control de acceso de estudiantes de la carrera de Ingeniería Mecatrónica; para esto, la metodología empleada consistió en el entrenamiento de la red neuronal, con el propósito de extraer los datos relevantes de los rasgos faciales en las fotografías tomadas al grupo de estudiantes, y cuando se probó con un nuevo grupo de fotos de las mismas personas, se consiguió el reconocimiento de las personas. La muestra utilizada fue de 426 fotografías correspondiente a 14 alumnos que utilizaron el Laboratorio de Control en el semestre 2019-I; igualmente, el software empleado para el entrenamiento de la red fue el MATLAB y su Toolbox Deep Learning. Así como también, se realizaron diferentes pruebas para la selección de la red, iniciando con una capa de convolución, luego dos, y finalmente tres capas, las cuales otorgaron los siguientes porcentajes de precisión 15.63%, 94.00% y 67.13% , respectivamente. De esta manera, se optó por elegir la red neuronal con dos capas de convolución, de 16 y 32 filtros, para realizar el reconocimiento facial.