http://dspace.unach.edu.ec/handle/51000/10220 2026-07-30T21:27:50Z http://dspace.unach.edu.ec/handle/51000/17293 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. 2026-07-28T00:00:00Z http://dspace.unach.edu.ec/handle/51000/17290 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. 2026-07-28T00:00:00Z http://dspace.unach.edu.ec/handle/51000/17288 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. 2026-07-27T00:00:00Z http://dspace.unach.edu.ec/handle/51000/17256 Title: Desarrollo de estrategias de ciberseguridad para la protección de la infraestructura tecnológica de la Universidad Nacional de Chimborazo utilizando la detección y respuesta de endpoints. Authors: Machado Espinoza, Daniel Marcelo Abstract: La presente investigación desarrolla estrategias de ciberseguridad orientadas a la protección de la infraestructura tecnológica de la Universidad Nacional de Chimborazo (UNACH) mediante la implementación de tecnologías de Detección y Respuesta de Endpoints (EDR). El estudio surge ante el incremento de amenazas cibernéticas que afectan a las instituciones de educación superior, donde la amplia conectividad, el uso de dispositivos personales y la dependencia de servicios digitales incrementan la superficie de ataque y comprometen la confidencialidad, integridad y disponibilidad de la información institucional. El objetivo principal consistió en diseñar estrategias de ciberseguridad basadas en EDR para fortalecer la seguridad de la infraestructura tecnológica universitaria. La metodología aplicada contempló fases de revisión bibliográfica, análisis de la infraestructura existente, identificación de vulnerabilidades, comparación de estrategias de ciberseguridad y diseño de propuestas de seguridad. El análisis se enfocó en la red inalámbrica de la Facultad de Ingeniería de la UNACH, considerando aproximadamente 800 endpoints concurrentes distribuidos en redes segmentadas mediante VLANs. Se emplearon herramientas de software libre para pruebas de vulnerabilidad y simulación de ataques, además de la plataforma SOPHOS Central para el monitoreo y control de eventos de seguridad. Los resultados evidenciaron vulnerabilidades críticas relacionadas con contraseñas débiles, ausencia de monitoreo en tiempo real, riesgos de ataques Rogue AP, fuerza bruta y denegación de servicio. Posteriormente, la implementación de estrategias EDR permitió reducir significativamente la tasa de éxito de amenazas en los componentes de confidencialidad, integridad y disponibilidad de la triada CID. Los análisis estadísticos mediante prueba de proporciones y chi-cuadrado confirmaron que la disminución de incidentes exitosos fue estadísticamente significativa, alcanzando una reducción de hasta 49 puntos porcentuales en algunos componentes evaluados. Asimismo, el sistema SOPHOS permitió detectar y bloquear accesos a contenido no autorizado, aplicaciones de anonimización y herramientas potencialmente peligrosas, fortaleciendo la capacidad institucional de monitoreo y respuesta ante incidentes. Finalmente, se propusieron estrategias complementarias relacionadas con políticas de contraseñas seguras, autenticación multifactor, capacitación en ciberseguridad y protocolos de respuesta a incidentes, contribuyendo al fortalecimiento de la resiliencia tecnológica y operativa de la universidad. Description: This research develops cybersecurity strategies aimed at protecting the technological infrastructure of the National University of Chimborazo (UNACH) through the implementation of Endpoint Detection and Response (EDR) solutions. The study emerged in response to the increasing number of cyber threats affecting higher education institutions, where extensive connectivity, the use of personal devices, and growing dependence on digital services expand the attack surface and compromise the confidentiality, integrity, and availability of institutional information. The main objective of this research was to design EDR-based cybersecurity strategies to strengthen the university’s technological infrastructure. The research methodology comprised several phases, including literature review, analysis of the existing infrastructure, identification of vulnerabilities, comparison of cybersecurity strategies, and the design of security proposals. The study focused on the wireless network infrastructure of the Faculty of Engineering at UNACH, considering approximately 800 concurrent endpoints distributed across segmented VLAN networks. Open-source software tools were used to perform vulnerability assessments and simulated cyberattacks, while the Sophos Central platform was employed for monitoring and managing security events. The results revealed critical vulnerabilities associated with weak passwords, lack of real-time monitoring, exposure to Rogue Access Point attacks, brute-force attacks, and denial-of-service incidents. Following the implementation of EDR-based strategies, a significant reduction in successful security incidents affecting the confidentiality, integrity, and availability components of the CIA triad was observed. Statistical analyses using tests of proportions and chi-square analysis confirmed that the reduction in successful incidents was statistically significant, reaching decreases of up to 49 percentage points in some evaluated components. Additionally, the Sophos platform enabled the detection and blocking of unauthorized web content, anonymization applications, and potentially harmful tools, thereby strengthening the institution’s monitoring and incident response capabilities. Finally, complementary cybersecurity strategies were proposed, including secure password policies, multi-factor authentication, cybersecurity awareness training, and incident response protocols. These measures contribute to strengthening the university’s technological resilience and operational cybersecurity posture. 2026-07-21T00:00:00Z