DETECCIÓN DE PERSONAL NO AUTORIZADO EN EL DEPARTAMENTO DE TI UTILIZANDO REDES NEURONALES CONVOLUCIONALES EN TIEMPO REAL CON RASPBERRY Pi 3 B+

Miguel Quiroz Martínez; Galo Valverde Landivar; Jonathan Prieto Villamar; Luis Apupalo Del Rosario

DETECCIÓN DE PERSONAL NO AUTORIZADO EN EL DEPARTAMENTO DE TI UTILIZANDO REDES NEURONALES CONVOLUCIONALES EN TIEMPO REAL CON RASPBERRY Pi 3 B+

Autores/as

Miguel Quiroz Martínez
Galo Valverde Landivar Universidad Politécnica Salesiana
Jonathan Prieto Villamar Universidad Politécnica Salesiana
Luis Apupalo Del Rosario Universidad Politécnica Salesiana

Palabras clave:

MML; algoritmos; aprendizaje profundo.

Resumen

El presente proyecto detalla la elaboración de un sistema de reconocimiento facial y envío de alertas mediante correo electrónico email. Para llevarlo a cabo, se utilizó la librería TensorFlow, Numpy y OpenCV. Además, una Pi cámara V2 y un Raspberry Pi 3 B+. Las librerías encargadas para alinear los rostros de las personas a detectar y luego usar estos rostros “alineados” para entrenar la red neuronal que se usó en la aplicación son TensorFlow y Numpy. OpenCV para iniciar la captura de video y detección de objetos en tiempo real sobre el ambiente de un Raspberry Pi 3, encargado de procesar y almacenar la base de datos con las fotos de los rostros. Las alertas se envían mediante un correo electrónico (email) por cada rostro no detectado y encendiendo un LED color rojo. Se implementó este sistema de reconocimiento facial con el objetivo de detectar rostros que no se encuentran dentro de la base de datos. El sistema de autenticación se realizó en la Raspberry Pi 3, con la ayuda de las librerías TensorFlow, Numpy y OpenCV, los resultados obtenidos en este estudio fueron favorables luego de una evaluación sobre la base de datos de 10 personas. Este sistema trabaja perfectamente con la base de datos, esta estudia, aprende los rostros captados y los compara con los almacenados en la base de datos; y alertará cuando detecte un rostro no encontrado.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aguilar, J. F. (2006). Adapted fusion schemes for multimodal biometric authentication (esquemas adaptados de fusión para autenticación biométrica multimodal). Universidad Politecnica de Madrid.

Barrio Algarabel, A. (2019). Desarrollo de un sistema de análisis de imágenes médicas basado en técnicas de Deep Learning.

Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. “ O’Reilly Media, Inc.”

Buhus, E. R., Timis, D., & Apatean, A. (2016). Automatic parking access using openalpr on raspberry pi3. Acta Technica Napocensis, 57(3), 10.

Cicero, I. E. (2018). Utilización de redes neuronales convoluciones para la detección de tipos de imágenes.

Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. “ O’Reilly Media, Inc.”

Loncomilla, P. (2016). Deep learning: Redes convolucionales. Recuperado de https://ccc. inaoep. mx/~ pgomez/deep/presentations ….

Luis, F., & Suárez, B. (2019). PATRONES DE CONDUCTA FACIAL, PARA IDENTIFICAR ACCESOS INFORMÁTICOS NO AUTORIZADOS.

Marzal, A., & Luengo, I. G. (2002). Introducción a la Programación con Python y C. Publicacions de la Universitat Jaume I.

Mordvintsev, A., & Abid, K. (2014). Opencv-python tutorials documentation. Obtenido de Https://Media. Readthedocs. Org/Pdf/Opencv-Python-Tutroals/Latest/Opencv-Python-Tutroals. Pdf.

Olivier, T., Jiménez-Del Real, M., Escobedo, M., Estrada-Medrano, R., Ochoa, A., Castro, B., … Noriega, S. (n.d.). Implementación de un modelo de reconocimiento visual para mejorar el modelo adaptativo en niños con daltonismo usando un robot Nao para niños vulnerables en una ciudad inteligente.

Papernot, N., Goodfellow, I., Sheatsley, R., Feinman, R., & McDaniel, P. (2016). cleverhans v2. 0.0: an adversarial machine learning library. ArXiv Preprint ArXiv:1610.00768, 10.

Robles, L. V. M., Jiménez, E. Q., & Pizo, H. D. V. (2013). Reconstrucción 3D De Objetos Sumergidos En Agua. Ingeniería, 18(2), 5.

Rodríguez, R. H. F. (n.d.). Escuela de Ingeniería Eléctrica Facultad de Ingeniería.

Salas, R. (2004). Redes neuronales artificiales. Universidad de Valparaıso. Departamento de Computación, 1.

Torrey, L., & Shavlik, J. (2010). Transfer learning. In Handbook of research on machine learning applications and trends: algorithms, methods, and techniques (pp. 242–264). IGI Global.