Detección de somnolencia enfocado a conductores de automóviles con procesamiento de imágenes y CNN

María Laura Miranda León

Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12340

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	https://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Jesús Carlos Pedraza Ortega	es_ES
dc.creator	María Laura Miranda León	es_ES
dc.date.accessioned	2025-10-02T17:41:56Z	-
dc.date.available	2025-10-02T17:41:56Z	-
dc.date.issued	2026-07-30	-
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/12340	-
dc.description	La seguridad vial es una de las principales preocupaciones a nivel global. Debido al alto número de accidentes de tráfico, los cuales representan una causa significativa de lesiones y muertes. De acuerdo con el Anuario Estadístico de Colisiones en Carreteras Federales en México, los accidentes relacionados con la fatiga y la somnolencia presentan una tendencia fluctuante. Por lo que la presente investigación aborda el desafío de la detección de somnolencia enfocada en conductores de automóviles. Esta investigación se centra en la detección de somnolencia en conductores mediante el uso de modelos de inteligencia artificial y procesamiento de imágenes. Para ello, el estudio se estructuró en tres etapas principales: 1. Evaluación preliminar y experimentación con datasets públicos. En esta fase inicial, se analizaron bases de datos públicas mediante herramientas de detección de objetos como Liner.ai, lo que permitió una exploración inicial del rendimiento y la calidad de los datos. A partir de esta evaluación, se identificó la necesidad de construir un dataset acorde a las necesidades del proyecto. Incorporando técnicas de procesamiento de imágenes para enriquecer su calidad y diversidad. 2. Evaluación de modelos tradicionales de detección de objetos Se implementó y analizó el rendimiento del modelo Faster R-CNN, considerado un referente por su velocidad y precisión. Esta etapa permitió establecer una línea base para comparar el desempeño de modelos más recientes. Además, se descartaron aquellos experimentos con resultados poco prometedores y se seleccionaron los modelos con mejor desempeño para la siguiente fase. 3. Comparación de modelos YOLOv8 y YOLOv10 En la etapa final, se implementaron y compararon los modelos YOLOv8 y YOLOv10, esto con el objetivo de determinar cuál ofrece un mejor desempeño para la detección de somnolencia en conductores. Los resultados mostraron una precisión de hasta el 99.3%, lo que demuestra el potencial de estos modelos para futuras aplicaciones en seguridad vial.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (75 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autónoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	embargoedAccess	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Detección de somnolencia enfocado a conductores de automóviles con procesamiento de imágenes y CNN	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	0009-0000-4625-192X	es_ES
dc.contributor.identificador	0000-0001-5125-8907	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	326905	es_ES
dc.folio	IGMAC-326905	es_ES
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Archivos:

Fichero	Descripción	Tamaño	Formato
IGMAC-326905.pdf	Detección de somnolencia enfocado a conductores de automóviles con procesamiento de imágenes y CNN	4.86 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem