Urban Eye: transformación del monitoreo pasivo en analítica predictiva mediante Deep Learning y computación perimetral

Abstract

Urban Eye es un prototipo que tiene como objetivo poder fortalecer los sistemas tradicionales de videovigilancia mediante la utilización de visión computacional. Edge Computing y Deep Learning. De esta manera la presente investigación surge debido a las limitaciones actuales que se encuentran presentes en los sistemas de monitoreo tradicionales, ya que estos dependen en gran medida de una supervisión humana, lo cual podría generar posibles retrasos en lo que se refiere a la detección de incidentes y anomalías en los entornos urbanos. Por lo mencionado anteriormente este proyecto se enfoco en desarrollar un sistema que fuera capaz de poder identificar eventos vehiculares en tiempo real mediante la implementación del algoritmo YOLO, Este algoritmo fue seleccionado debido a su gran capacidad para detectar objetos y su velocidad de procesamiento. además de esto se implementó una arquitectura Edge Computing para poder ejecutar parte de este procesamiento de manera local, reduciendo así la dependencia de servicios externos y disminuyendo la latencia para poder mejorar la eficiencia del sistema. Por otra parte, la metodología que fue empleada corresponde a un enfoque cuantitativo experimental que esta orientado a evaluar el desempeño del prototipo en unos escenarios urbanos de prueba. De esta manera durante la realización de las pruebas, el sistema logró mantener un procesamiento cercano a los 30 fotogramas por segundo, permitiendo así una detección estable de vehículos y un funcionamiento adecuado en condiciones de buena iluminación. Asimismo, el proyecto integró fundamentos de privacidad por diseño, enfocándose en el procesamiento local y la gestión de metadatos para minimizar riesgos vinculados al manejo de información delicada. De esta manera Urban Eye representa una alternativa tecnológica que esta orientada al fortalecimiento de soluciones de monitoreo inteligente en entornos urbanos.

Urban Eye is a prototype that aims to strengthen traditional video surveillance systems through the use of computer vision. Edge Computing and Deep Learning. In this way, the present research arises due to the current limitations that are present in traditional monitoring systems, since these depend largely on human supervision, which could generate possible delays in terms of the detection of incidents and anomalies in urban environments. As mentioned above, this project focused on developing a system that was capable of identifying vehicular events in real time through the implementation of the YOLO algorithm. This algorithm was selected due to its great capacity to detect objects and its processing speed. In addition to this, an Edge Computing architecture was implemented to be able to execute part of this processing locally, thus reducing dependence on external services and reducing latency to improve system efficiency. On the other hand, the methodology that was used corresponds to a quantitative experimental approach that is aimed at evaluating the performance of the prototype in urban test scenarios. In this way, during the tests, the system managed to maintain processing close to 30 frames per second, thus allowing stable vehicle detection and adequate operation in good lighting conditions. Likewise, the project integrated privacy by design fundamentals, focusing on local processing and metadata management to minimize risks linked to the handling of sensitive information. In this way, Urban Eye represents a technological alternative that is aimed at strengthening intelligent monitoring solutions in urban environments.