DSpace Collection:

Diseño e implementación de un sistema de seguridad vehicular basado en tecnología lora para monitoreo remoto y prevención de robos

2026-09-07T14:19:57Z

Title: Diseño e implementación de un sistema de seguridad vehicular basado en tecnología lora para monitoreo remoto y prevención de robos Authors: Machado Ordoñez, Cesar Gonzalo Abstract: La investigación que se presenta aquí se desarrolla en torno a la creación y aplicación de un sistema de seguridad, antirrobo de vehículos, basado en tecnologías del Internet de las Cosas (IoT) y comunicación de larga distancia (LoRa). El problema que se ha identificado tiene que ver con la ineficiencia que ofrecen las alarmas convencionales que dependen de alarmas sonoras que normalmente pasan inadvertidas, puesto que no tienen la opción de tener un sistema de notificación inmediata. Por ello, se ha diseñado un prototipo con el microcontrolador ESP32-LoRa y se ha hecho la experimentación con una red de sensores multimodales IMU para impactos, ToF y PIR para la proximidad y GPS para el rastreo. La metodología empleada fue de carácter experimental con un enfoque cuantitativo, utilizando el método estadístico de Distribución Binomial y Pruebas de Hipótesis (t de Welch) para validar la eficacia del sistema mediante 50 ensayos controlados. Los resultados obtenidos han mostrado una tasa de éxito de un 96% en las medidas de detección y envío de alertas (p<0.05), logrando enviar alertas con información visual y geolocalización al usuario mediante un bot de Telegram, alcanzando un tiempo promedio de respuesta de 101.62 s, mostrándose notablemente más rápido y estable que las técnicas tradicionales. Por tanto, se establece que la arquitectura creada representa una solución sólida y eficaz para la protección de activos móviles que permite una reacción preventiva del propietario y aumenta de forma sustancial las probabilidades de recuperación del vehículo en caso de intento de hurto. Description: The study provides insight into developing and employing a vehicle anti-theft security mechanism utilizing the Internet of Things (IoT) and Long-Range (LoRa) technologies. Issues brought to attention include a problem concerning traditional alarms’ failure, which operates on sound alerts that may be unnoticed due to their inability to inform about breakins immediately. As a result, a prototype was developed using ESP32-LoRa microcontrollers, and experiments were actually carried out with a network of multimodal sensors (IMU detects bumps, ToF and PIR are responsible for detecting intrusion, and GPS is used for tracking). The methodology used in the investigation is experimental in character and quantitative in its approach, based on statistical methods, namely, the technique of binomial distribution and hypothesis testing (Welch’s t-test) which allows validating the efficiency of the developed system through 50 experiments. The outcome of the study has a detection and alerting efficiency equal to 96% (p<0.05) providing alerting of the user through a Telegram bot equipped with visual information and geographic location in an average of 101.62 seconds effectively and much faster than the classical techniques. The findings of the investigation lead to the conclusion about the efficiency of the developed architecture since it can ensure the efficient protection of mobile objects which allows its owner to take preventive measures and increase the probability of recovery of the vehicle after the theft.

Sistema de monitoreo del comportamiento de los pollos de engorde, empleando algoritmos de reconocimiento de imágenes, para reducir la tasa de mortalidad en la producción avícola.

2026-07-28T17:43:11Z

Title: Sistema de monitoreo del comportamiento de los pollos de engorde, empleando algoritmos de reconocimiento de imágenes, para reducir la tasa de mortalidad en la producción avícola. Authors: Jimenez Ruiz, Willigton Washington Abstract: El sector avícola ecuatoriano se enfrenta a pérdidas económicas significativas en el proceso de crianza de pollos de engorde. Debido a que la observación manual es costosa y propensa al error humano. Para abordar esta problemática, la investigación busca implementar un sistema de monitoreo basado en reconocimiento de imágenes y aprendizaje autónomo para detectar patrones de comportamiento anormal en pollos de engorde y contribuir a la reducción de la tasa de mortalidad. La investigación adopto un enfoque mixto, al contar con datos cuantitativos y cualitativos enfocados en un desarrollo experimental. Se entrenaron tres diferentes modelos YOLOv8n, YOLOv11n, YOLOv26n en las mismas condiciones, de tal manera se establecen tres categorías de clasificación: “Good”, “Warning” y “Bad”. La selección del modelo se fundamentó en un análisis estadístico no paramétrico y mediante la prueba de Kruskal-Wallis y U-Mann-Whitney con corrección de Bonferroni, se logró determinar el modelo óptimo y adecuado para la integración en el prototipo basado en la Raspberry Pi 5. YOLOv8n fue seleccionado por su eficiencia computacional en hardware embebido, operando establemente a 5.69 FPS. La validación demostró que el sistema contabiliza correctamente el 65.7% de las aves y detecta anomalías en el 54.3%. Aunque es una herramienta funcional para la supervisión automatizada, la detección de mortalidad alcanzó apenas el 26.67%. Esta efectividad moderada representa su principal limitación, orientando futuras investigaciones a perfeccionar el entrenamiento del modelo para mejorar dicha precisión. Description: The Ecuadorian poultry sector faces significant economic losses in the broiler rearing process. This is because manual observation is costly and prone to human error. To address this problem, the research seeks to implement a monitoring system based on image recognition and machine learning to detect abnormal behavior patterns in broilers and contribute to the reduction of the mortality rate. The research adopted a mixed-methods approach, relying on quantitative and qualitative data focused on experimental development. Three different models (YOLOv8n, YOLOv11n, and YOLOv26n) were trained under the same conditions, thus establishing three classification categories: “Good”, “Warning”, and “Bad”. Model selection was based on a non-parametric statistical analysis; through the Kruskal-Wallis and Mann-Whitney U tests with Bonferroni correction, it was possible to determine the optimal and appropriate model for integration into the Raspberry Pi 5-based prototype. YOLOv8n was selected for its computational efficiency on embedded hardware, operating stably at 5.69 FPS. Validation showed the system accurately counts 65.7% of the birds and detects anomalies in 54.3% of cases. Although it is a functional tool for automated supervision, mortality detection reached only 26.67%. This moderate effectiveness represents its main limitation, directing future research toward perfecting model training to improve this accuracy.

Desarrollo de un sistema aplicando visión artificial para el análisis de comportamientos sospechosos y la prevención de atracos armados en la compañía de telecomunicaciones Global Cell.

2026-07-28T16:33:40Z

Title: Desarrollo de un sistema aplicando visión artificial para el análisis de comportamientos sospechosos y la prevención de atracos armados en la compañía de telecomunicaciones Global Cell. Authors: Pungaña Villacrés, Augusto Luciano Abstract: La presente investigación aborda el desarrollo de un sistema de monitoreo y seguridad inteligente, fundamentado en el uso de visión artificial. Este sistema está concebido para la identificación automatizada de conductas consideradas sospechosas en cuanto a gestos corporales, además de la detección de prendas y accesorios que pueden opacar la visibilidad de una persona, todo ello mediante escenarios simulados. La implementación incorpora herramientas avanzadas de aprendizaje profundo, tales como Yolov11, Yolo pose, destinadas al seguimiento de individuos y a la estimación de posturas. Así mismo, se utiliza la biblioteca OpenCV para el procesamiento de video multicanal, estableciendo una interfaz de comunicación con la API de Telegram para la transmisión remota de notificaciones y alertas. No obstante, el uso de cámaras de video vigilancia MI 360 a 1080 de la compañía Xiaomi, un computador para su respectivo desarrollo y un móvil para el envío de alertas. La eficacia del sistema fue corroborada mediante evaluaciones de precisión en la detección de accesorios como gafas, gorras, mascarillas, etc. y en el reconocimiento de posturas indicativas de amenaza como manos en la cabeza o elevadas. El proyecto se llevó a cabo en tres etapas. En primer lugar, tras una exhaustiva revisión del estado del arte en sistemas de video vigilancia, se seleccionaron modelos de detección de objetos, ponderando su equilibrio entre la velocidad de inferencia y la precisión. En segundo lugar, se procedió a la programación del sistema en Python utilizando la interfaz de Visual Studio Code. La activación de alarmas se produce ante la presencia de tres o más objetos considerados sospechosos y posturas evaluadas como críticas. Se determina que la integración de redes neuronales convolucionales para la vigilancia representa una solución tecnológica sólida y adaptable. Se sugiere que las futuras generaciones incorporen el empleo de hardware especializado para aceleración como unidades de procesamiento gráfico dedicadas como por ejemplo NVIDIA Nano Jetson y la inclusión de algoritmos de identificación facial para perfeccionar el seguimiento de los individuos detectados, lo que optimizará los tiempos de respuesta en los sistemas de seguridad pública. Description: This research addresses the development of an intelligent monitoring and security system based on computer vision. The system is designed to automate the identification of suspicious behaviors related to body gestures, as well as the detection of garments and accessories that may obscure a person's visibility, all within simulated scenarios. The implementation incorporates advanced deep learning tools, such as YOLOv11 and YOLO Pose, for individual tracking and posture estimation. Furthermore, the OpenCV library is used for multi-channel video processing, and a communication interface with the Telegram API is established for remote transmission of notifications and alerts. The hardware setup included Xiaomi MI 360 1080p surveillance cameras, a development computer, and a mobile device for receiving alerts. The system's effectiveness was validated through precision evaluations for detecting accessories such as glasses, caps, and masks, and recognizing threat-indicative postures such as hands on head or raised. The project was executed in three stages. First, following an exhaustive state-of-the art review of video surveillance systems, object detection models were selected based on the balance between inference speed and accuracy. Second, the system was programmed in Python using the Visual Studio Code interface. Alarms are triggered by the presence of three or more suspicious objects or postures evaluated as critical. It is concluded that integrating Convolutional Neural Networks into surveillance represents a robust and adaptable technological solution. Future iterations are encouraged to incorporate specialized hardware for acceleration, such as NVIDIA Jetson Nano-based GPUs, and to include facial identification algorithms to refine individual tracking, thereby optimizing response times in public security systems.

Sistema De Identificación De Parásitos Intestinales En Ganado Bovinos Mediante Procesamiento De Imágenes Y Aprendizaje Automático Para Prevención De Enfermedades

2026-07-27T21:50:17Z

Title: Sistema De Identificación De Parásitos Intestinales En Ganado Bovinos Mediante Procesamiento De Imágenes Y Aprendizaje Automático Para Prevención De Enfermedades Authors: Ramírez Sánchez, Jairo Danilo Abstract: Este trabajo se centra en el uso de técnicas de procesamiento de imágenes y aprendizaje automático para el reconocimiento de parásitos mediante la obtención de imágenes microscópicas de parásitos que se encuentran en desechos orgánicos del ganado bovino, obtenidas en el laboratorio de la Universidad Católica de Cuenca. El sistema propuesto se ha desarrollado en el lenguaje de programación MATLAB, aplicando los diferentes toolboxes especializadas en procesamiento de imágenes y aprendizaje profundo. Antes de entrenar el modelo, se aplican técnicas de procesamiento de imágenes para mejorar la calidad de las imágenes de entrada. Para la categorización de los parásitos, se emplea una red neuronal profunda denominada ResNet-50, la cual posee 50 capas de tipo Residual Network, la cual permite extraer las características más importantes y mejorar el desempeño del modelo. Adicionalmente, se desarrolla una interfaz gráfica mediante MATLAB App Designer, mejorando la interacción del usuario con el sistema, para manejarlo de manera cómoda y fácil de visualizar los resultados. Los resultados obtenidos muestran niveles de resultados de los ácaros 89.39 %, Blastocystis sp. 97,03 %, Coccideos 88,88 %, Faciola 54,55 %, Strongilos 60,82 %, Taenia 76,64 %, Balatinoum coli 93,33 % en la presión de la clasificación de los parásitos por categoría. Estos resultados evidencian que el sistema desarrollado presenta un desempeño adecuado en la clasificación automática de parásitos, constituyéndose como una herramienta eficaz de apoyo en el análisis microbiológico. Description: This work focuses on the use of image processing and machine learning techniques for parasite recognition through the acquisition of microscopic images of parasites found in organic waste from cattle, obtained in the laboratory of the Catholic University of Cuenca. The proposed system was developed using the MATLAB programming language, applying specialized toolboxes for image processing and deep learning. Before training the model, image processing techniques were applied to enhance the quality of the input images. For parasite classification, a deep neural network known as ResNet-50 was used. This network consists of 50 residual layers, enabling the extraction of the most relevant features while improving the model's overall performance. In addition, a graphical user interface (GUI) was developed using MATLAB App Designer, enhancing user interaction with the system and making it more convenient to use while facilitating the visualization of the results. The results obtained show classification accuracies of 89.39% for mites, 97.03% for Blastocystis sp., 88.88% for coccidia, 54.55% for Fasciola, 60.82% for strongyles, 76.64% for Taenia, and 93.33% for Balantidium coli. These results demonstrate that the developed system performs effectively in the automatic classification of parasites, making it a valuable support tool for microbiological analysis.