Sistema para el reconocimiento y clasificación de formas de objetos metálicos no permitidos en aeropuertos a través del procesamiento de imágenes (RCOPI)

El presente trabajo describe el diseño de un sistema de reconocimiento e identificación de armas cortopunzantes y de fuego, en los equipajes y maletas de manos de pasajeros en los aeropuertos, mediante el uso de las radiografías o respuestas de máquinas de escáner (imágenes) ultrasónicos realizadas a estos. Para llevar a cabo el reconocimiento y clasificación en el proyecto, se hace uso de herramientas como las redes neuronales convolucionales con segmentación de instancias, MASK RCNN (MASK region convolutional neural network, o Máscara de Región de Redes Neuronales Convolucionales), una base de datos en la cual se guardan o manipula los datos de radiografías realizadas a maletas o equipajes de mano, las cuales contienen imágenes con armas cortopunzantes, armas de fuego, armas japonesas medievales, herramientas de construcción, entre otras, y en cierto sentido también se extrae, para poder definir si en un equipaje o maleta de mano, contiene un material metálico no permitido por la normatividad vigente colombiana. La información de la red neuronal en conjunto con la base de datos para el entrenamiento de esta fue trabajada en un entorno virtual o cuaderno de programación virtual de Google Colaboraty que ofrece alta capacidad de procesamiento de imágenes y memoria RAM (memoria de acceso aleatorio) totalmente gratis, con el fin de extraer los coeficientes adaptativos necesarios para la elaboración del modelo, para luego realizar un aprendizaje por transferencia en el hardware escogido para el prototipo funcional del proyecto. El sistema RCOPI tiene como resultado una exactitud de un 93.17% (ver tabla 5) lo que, comparado con los trabajos investigados es un valor satisfactorio, el cual es sesgado por una precisión y sensibilidad promedio de las clases objeto de investigación mayores al 93% y 92% respectivamente, de lo que se puede deducir que la calidad de las veces acertadas en cada clase es alta con respecto a la cantidad de los datos no predichos, y que el modelo cuenta con una sensibilidad satisfactoria, ya que el sistema predijo 234 clasificaciones falsas erradamente que es muy inferior con las 3195 que acertó en las clases reales.

• Autores: Ibarguen Murillo, Samuel Andrés
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Institución Universitaria Antonio Jose Camacho
• Repositorio: Repositorio Uniajc
• Idioma: spa
• OAI Identifier: oai:repositorio.uniajc.edu.co:uniajc/385
• Acceso en línea: https://repositorio.uniajc.edu.co/handle/uniajc/385
• Palabra clave: Aprendizaje por transferencia; Matriz de confusión; Red neuronal convolucional; Segmentación de instancias; Instance segmentation; Confusion matrix; Convolutional neural network; Transfer learning
• Rights: closedAccess
• License: Institución Universitaria Antonio José Camacho, 2021