Experiencias en la aplicación de librerías gráficas para el tratamiento automatizado de flujos de video y su aplicación en materia de seguridad en instalaciones

Abstract

A lo largo del proyecto, se ha desarrollado un sistema de detección y seguimiento de objetos en tiempo real utilizando técnicas avanzadas de visión por computadora, librerías gráficas y aprendizaje profundo. El objetivo principal ha sido mejorar la seguridad en instalaciones mediante el análisis automatizado de flujos de video. Para lograr este objetivo, se realizó un estudio detallado de los métodos tradicionales y de diversas librerías de Python utilizadas para el procesado de imágenes y videos, evaluando su rendimiento y capacidades.

Al no obtener los resultados esperados con los métodos tradicionales, se llevó a cabo un análisis exhaustivo de las Redes Neuronales Convolucionales (CNN). Posteriormente, se decidió implementar el modelo YOLOv8, reentrenándolo con un conjunto de datos específico. Este modelo mostró una detección precisa en diversos escenarios, incluyendo condiciones de iluminación variada y diferentes ángulos de cámara.

El sistema desarrollado fue adaptado para procesar flujos de video en tiempo real, lo que permitió automatizar las tareas de procesado de imágenes para el reconocimiento de posibles incidencias antes de que ocurran. Durante las pruebas en tiempo real, el modelo demostró ser capaz de detectar, clasificar y seguir objetos de manera consistente y precisa, incluso en entornos dinámicos.

Los resultados obtenidos indican que la implementación de técnicas avanzadas de visión por computadora y aprendizaje profundo puede mejorar significativamente la seguridad en instalaciones mediante la detección temprana de amenazas potenciales. Sin embargo, se identificaron áreas de mejora, como la robustez en condiciones de iluminación adversa, la precisión en la detección a largas distancias y la capacidad de detectar objetos parcialmente ocultos, proporcionando una base sólida para futuros trabajos y mejoras en el modelo.

Throughout the project, a real-time object detection and tracking system has been developed using advanced computer vision techniques, graphics libraries and deep learning. The main objective has been to improve security in facilities through the automated analysis of video streams. To achieve this goal, a detailed study of traditional methods and various Python libraries used for image and video processing was carried out, evaluating their performance and capabilities.

When the expected results were not obtained with traditional methods, an exhaustive analysis of Convolutional Neural Networks (CNN) was carried out. Subsequently, it was decided to implement the YOLOv8 model, retraining it with a specific data set. This model showed accurate detection in various scenarios, including varied lighting conditions and different camera angles.

The developed system was adapted to process video streams in real time, which allowed automating image processing tasks for the recognition of possible incidents before they occur. During real-time testing, the model proved to be able to detect, classify and track objects consistently and accurately, even in dynamic environments.

The results obtained indicate that the implementation of advanced computer vision and deep learning techniques can significantly improve facility security through early detection of potential threats. However, areas for improvement were identified, such as robustness in adverse lighting conditions, detection accuracy over long distances, and the ability to detect partially hidden objects, providing a solid foundation for future work and model improvements.