Sistema de reconocimiento facial en tiempo real orientado al control de acceso empresarial

Simple item page
dc.contributor.advisorForero Vargas, Manuel Guillermo
dc.contributor.authorOlier Olier, Jesús Rafael
dc.contributor.authorBarrios Rodríguez, Andrés David
dc.date.accessioned2025-02-24T19:55:52Z
dc.date.available2025-02-24T19:55:52Z
dc.date.issued2024
dc.description.abstractEl documento aborda el desarrollo e implementación de un sistema de reconocimiento facial basado en inteligencia artificial, diseñado para optimizar el control de acceso en un entorno minero caracterizado por condiciones adversas. Este proyecto, implementado en un entorno minero, representa una solución tecnológica que combina modelos avanzados de aprendizaje profundo y estadístico con estrategias eficientes de procesamiento de datos, adaptadas específicamente al contexto industrial. En primera instancia, se definieron los requisitos del sistema considerando la infraestructura tecnológica disponible, incluyendo cámaras de vigilancia de alta resolución y servidores con capacidades de GPU. A partir de este análisis, se establecieron métricas de rendimiento, tales como precisión, tasa de error y tiempo de respuesta, garantizando un marco evaluativo sólido. El proyecto evaluó cuatro modelos principales: Red Siamesa, FisherFaceRecognizer, LBPH Face Recognizer y Eigen Face Recognizer. Cada uno de ellos fue configurado, entrenado y probado bajo las mismas condiciones para asegurar una comparación justa, revelando que la Red Siamesa ofreció el mejor desempeño en términos de precisión (95.4%), mientras que los modelos estadísticos destacaron en tiempos de respuesta. Además, se implementaron técnicas fundamentales de procesamiento de imágenes, como la conversión a escala de grises, escalado uniforme y normalización, para mejorar la calidad de los datos de entrada. El uso de aceleración por GPU permitió reducir los tiempos de entrenamiento y predicción, optimizando la eficiencia general del sistema. Asimismo, se desarrollaron estrategias para mitigar errores críticos, como los falsos positivos y negativos, mediante ajustes de umbrales, aumentación de datos y optimización del preprocesamiento. Los resultados obtenidos demuestran que el sistema propuesto no solo cumplió con los objetivos específicos planteados, sino que también establece un precedente para la implementación de tecnologías de inteligencia artificial en entornos industriales. La integración de algoritmos robustos, procesamiento eficiente y gestión de errores asegura un sistema confiable y adaptable a condiciones cambiantes, contribuyendo significativamente a la seguridad y eficiencia operativa de la empresa minera.
dc.description.abstractengThe document addresses the development and implementation of a facial recognition system based on artificial intelligence, designed to optimize access control in a mining environment characterized by adverse conditions. This project, implemented in a mining environment, represents a technological solution that combines advanced deep and statistical learning models with efficient data processing strategies, specifically adapted to the industrial context. In the first instance, the system requirements were defined considering the available technological infrastructure, including high-resolution surveillance cameras and servers with GPU capabilities. From this analysis, performance metrics were established, such as accuracy, error rate and response time, guaranteeing a solid evaluation framework. The project evaluated four main models: Siamese Network, FisherFaceRecognizer, LBPH Face Recognizer, and Eigen Face Recognizer. Each of them was configured, trained and tested under the same conditions to ensure a fair comparison, revealing that the Siamese Network offered the best performance in terms of accuracy (95.4%), while the statistical models stood out in response times. Additionally, fundamental image processing techniques, such as grayscale conversion, uniform scaling, and normalization, were implemented to improve the quality of the input data. The use of GPU acceleration allowed training and prediction times to be reduced, optimizing the overall efficiency of the system. Additionally, strategies were developed to mitigate critical errors, such as false positives and negatives, through threshold adjustments, data augmentation, and preprocessing optimization. The results obtained demonstrate that the proposed system not only met the specific objectives set, but also establishes a precedent for the implementation of artificial intelligence technologies in industrial environments. The integration of robust algorithms, efficient processing and error management ensures a system that is reliable and adaptable to changing conditions, contributing significantly to the safety and operational efficiency of the mining company.
dc.format.extent54 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/4529
dc.language.isospa
dc.publisherPontificia Universidad Javariana Cali
dc.publisher.facultyFacultad de Ingeniería y Ciencias
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectReconocimiento Facial
dc.subjectBiometría
dc.subjectAnálisis de Componentes principales
dc.subjectSegmentación de imágenes
dc.subjectFacial Recognition
dc.subjectBiometrics
dc.subjectPrincipal Component Analysis
dc.subjectImage Segmentation
dc.thesis.disciplineFacultad de Ingeniería y Ciencias. Maestría en Ciencia de Datos - Modalidad virtual
dc.thesis.grantorPontificia Universidad Javeriana
dc.thesis.levelMaestría
dc.thesis.nameMagíster en Ciencia de Datos
dc.titleSistema de reconocimiento facial en tiempo real orientado al control de acceso empresarialeng
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestría
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Proyecto_Grado-Barrios_Olier.pdf
Size:
1.33 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia Autorizacion.pdf
Size:
168.41 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Maestría en Ciencia de Datos