1. Repositorio Institucional UAQ
2. Tesis
3. Facultad de Ingeniería
4. Maestría
5. Maestría en Ciencias en Inteligencia Artificial

Título:	Detección de somnolencia enfocado a conductores de automóviles con procesamiento de imágenes y CNN
Autor(es):	María Laura Miranda León
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	30-jul-2026
Editorial :	Universidad Autónoma de Querétaro
Páginas:	1 recurso en línea (75 páginas)
Folio RI:	IGMAC-326905
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias en Inteligencia Artificial
Resumen:	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.
URI:	https://ri-ng.uaq.mx/handle/123456789/12340
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.