Implementación de un sistema de control de acceso basado en detección y reconocimiento facial utilizando un computador embebido
El hogar inteligente “Smart Home” se ha convertido a lo largo de los años, en una de las aplicaciones más conocidas de IoT, debido a que proporciona seguridad y confort a los domicilios, por lo que en la actualidad se hace cada vez más necesaria. En el mercado hay disponibles sistemas de hogar intel...
Saved in:
| 主要作者: | |
|---|---|
| 格式: | bachelorThesis |
| 語言: | spa |
| 出版: |
2023
|
| 主題: | |
| 在線閱讀: | http://repositorio.espe.edu.ec/handle/21000/37342 |
| 標簽: |
添加標簽
沒有標簽, 成為第一個標記此記錄!
|
添加標簽 | 總結: | El hogar inteligente “Smart Home” se ha convertido a lo largo de los años, en una de las aplicaciones más conocidas de IoT, debido a que proporciona seguridad y confort a los domicilios, por lo que en la actualidad se hace cada vez más necesaria. En el mercado hay disponibles sistemas de hogar inteligente propietarios y de código abierto que usan nodos que se encargan del monitoreo de variables físicas por medio de sensores, o del control de objetos por medio de actuadores. La carga computacional del sistema recae generalmente sobre servidores locales o en la nube, pero para ciertas aplicaciones sensibles a la latencia, como la seguridad electrónica, podría ser conveniente que el propio nodo realice el procesamiento de datos para la toma de decisiones. Esto se podría lograr mediante el uso de la computación de borde “Edge computing”. En este contexto, se desea probar esta tecnología en un nodo IoT de hogar inteligente para el control de accesos. De allí que, el presente trabajo de Unidad de Integración Curricular intenta fusionar las ventajas de la computación de borde y de IoT para proyectos de hogar inteligente, con el fin de mejorar la seguridad y comodidad. Para ello, se explorará un computador embebido que implementa un procesador de redes neuronales de arquitectura RISC V de 64 bits, con el cual se trabajará en el diseño e implementación de un sistema de control de acceso basado en detección y reconocimiento facial. El sistema debe ajustarse hasta obtener una efectividad de al menos 90%, es decir, debe reconocer correctamente al menos nueve de cada diez personas que lo usen. Para poder evaluar el desempeño de la detección y reconocimiento facial del módulo de inteligencia artificial hardware, se lo comparará con el reconocimiento facial software utilizando librerías tales como OpenCV sobre un computador de escritorio o laptop de similares características. |
|---|