Reconocimiento de Personas en Ambiente con Emisiones de Humo Usando Sensor Laser y Redes Neuronales Convolucionales desde Nube de Puntos 3D. Parte 1.

Autores/as

  • Abraham E. Gamarra Moreno Universidad Nacional del Centro del Perú
  • José A. Dávalos Pinto Universidad Católica del Perú

DOI:

https://doi.org/10.24054/bistua.v17i1.282

Palabras clave:

reconocimiento de personas, redes neuronales convolucionales, programación en entorno Matlab, sensor laser, dron

Resumen

Cuando ocurren incendios en Plantas industriales, los materiales siniestrados y el humo dificultan la identificación del personal. Los Drones con sensores laser y redes CNN posibilitan el reconocimiento de personas en tales ambientes. El objetivo del proyecto es el estudio de un sistema neuronal convolucional para el reconocimiento de personas en un ambiente con emisiones de humo (parte1) y para su implementación usa un sensor laser, una tarjeta controladora y un dron (parte2). El método empleado consideró la realización de un reconocimiento de personas usando una red CNN previamente entrenada con nube de puntos 3D. La prueba se realizó con Alexnet e imágenes de personas. Los resultados (parte1) muestran que una matriz de confusión del 97.5 % ha sido alcanzada. Basado en el estudio, se concluye que el sistema neuronal de reconocimiento de personas usando CNN en ambientes siniestrados presenta un comportamiento muy aceptable para su aplicabilidad.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Campbell, M. (1997). Sensor Systems for Environmental Monitoring. Volume One: Sensor Technologies. Glasgow: Chapman & Hall.

Chollet, F. (2018). Deep Learning with Python. New York: Manning Publications Co..

Fujii, T. & Fukuchi, T. (2005). Laser Remote Sensing. Boca Raton: Taylor & Francis Group.

Hammer, M., Hebel, M. & Arens, M. (2016). Automated object detection and tracking with a flash LiDAR system. s.l., SPIE.

Hammer, M., Hebel, M. & Arens, M. (2017). Person detection and tracking with a 360° lidar system. Warsaw, SPIE.

Kapusta, A., Beeson, P. (2016). Person Tracking and Gesture Recognition in Challenging Visibility Conditions Using 3D Thermal Sensing. New York, IEEE, pp. 1112-1119. DOI: 10.1109/ROMAN.2016.7745247

Locatelli, M. at al. (2013). Imaging live humans through smoke and flames using far-infrared digital holography. Washington: Journal Optics Express.

MathWorks (2017). Introducing Deep Learning with MATLAB. Natick: The MathWorks, Inc.

Pajares, G. & De la Cruz, J. (2008). Visión por Computador. México.: Alfa y Omega.

Sales, J. at al. (2010). Multi-Sensor Person Following in Low-Visibility Scenarios. Castellón, Sensors, pp. 10953-10966. DOI: 10.3390/s101210953.

Tamás, L. & Lazea, G. (2010). Pattern recognition and tracking dynamic objects with LIDAR. Cluj-Napoca, ISR/ROBOTIK, pp. 278-283. Print ISBN: 978-3-8007-3273-9.

Archivos adicionales

Publicado

2019-06-13

Cómo citar

Gamarra Moreno, A. E. ., & Dávalos Pinto, J. A. . (2019). Reconocimiento de Personas en Ambiente con Emisiones de Humo Usando Sensor Laser y Redes Neuronales Convolucionales desde Nube de Puntos 3D. Parte 1. BISTUA Revista De La Facultad De Ciencias Básicas, 17(1), 179–186. https://doi.org/10.24054/bistua.v17i1.282

Número

Sección

Artículo