Detección de pistas aéreas ilegales en imágenes digitales empleado técnicas de inteligencia artificial

Autores/as

  • Carlos Patricio Erazo Yánez Fuerza Aérea Ecuatoriana, Ecuador.
  • Gabriela Alexandra Navarrete Cedillo Independiente, Ecuador.

DOI:

https://doi.org/10.18667/cienciaypoderaereo.758

Palabras clave:

Aprendizaje profundo, detección de objetos, inteligencia artificial, pistas de aterrizaje

Resumen

El Ecuador es considerado un país de tránsito de actividades de narcotráfico y contrabando; siendo una problemática existente actual en la frontera norte y costera del territorio nacional, para estas actividades ilegales se utilizan pistas aéreas no autorizadas donde se transportan sustancias sujetas a fiscalización, dinero, armas, municiones y explosivos. 

La investigación se basará en diseñar y desarrollar una metodología de uso mediante técnicas de inteligencia artificial, para el análisis y procesamiento de las imágenes que serán obtenidas de las misiones de reconocimiento que realicen los aviones de la Fuerza Aérea Ecuatoriana. Para el reconocimiento de pistas aéreas clandestinas se utilizarán el método de detección de objetos basado en aprendizaje profundo Yolo y técnicas de segmentación.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Carlos Patricio Erazo Yánez, Fuerza Aérea Ecuatoriana, Ecuador.

    Magíster en Inteligencia Artificial Mayor Fuerza Aérea Ecuatoriana Ecuador. Rol del investigador: teórico y escritura Grupo de investigación: Tecnologías de Información y Comunicaciones.

  • Gabriela Alexandra Navarrete Cedillo, Independiente, Ecuador.

    Magíster en Inteligencia Artificial Independiente Ecuador Rol del investigador: teórico y escritura Grupo de investigación: Tecnologías de Información y Comunicaciones.

Referencias

Berchane, N. (2018, 16 de abril). Artificial intelligence, machine learning, and deep learning: Same context, different concepts. https://master-iesc-angers.com/artificial-intelligence-machine-learning-and-deep-learning-same-context-different-concepts/

Cedeño-Bravo, G., Marcillo-Parra, D. y Pereira, A. (2017). Drone autómata para identificación de pistas aéreas clandesti-nas. Iberian Conference on Information Systems and Technologies. https://doi.org/10.23919/CISTI.2017.7975951

Diario El Universo. (2021, 30 de septiembre). Ecuador entra en la lista de los países con más muertos en motines en cárceles. Redacción Internacional. https://www.eluniverso.com/noticias/internacional/ecuador-entra-en-la-lista-de-los-paises-con-mas-muertos-en-motines-en-carceles-nota/

Fernández Cordeiro, L. y Paredes Palacios, R. (2019). Desarrollo de dataset personalizado para entrenamiento de yolocomo sistema de detección de objetos en tiempo real, para entorno con brazo robot [tesis de máster, Univer-sitat Politècnica de València]. Repositorio institucional upv. http://hdl.handle.net/10251/115351

Gutiérrez Lancho, C. (2019). Detección de armas en vídeos mediante técnicas de Deep Learning [tesis de grado, Escuela Técnica Superior de Ingeniería Industrial, Informática y de Telecomunicación]. Repositorio institucional. https://hdl.handle.net/2454/33697

López Moreno, L. M., Moya Garzón, J. Á., Valoyes Porras, D. M. y Romero Álvarez, F. E. (2021, 21-24 de septiembre). Sistemas inteligentes autónomos para ejecutar misiones de búsqueda y reconocimiento [ponencia]. Mujeres en Ingeniería: Empoderamiento, Liderazgo y Compromiso, Universidad El Bosque.

Miranda Pérez, R., Solano Arias, J. y Méndez Porras, A. (2019). Introducción al aprendizaje automático con yolo. Te c-nología Vital, 2(6). https://revistas.ulatina.ac.cr/index.php/tecnologiavital/article/view/250

Monroy de Jesús, J., Reyes Nava, A. y Olmos, F. (2019). Clasificador de plantas medicinales por medio de deep learning. Research in Computing Science, 148(7), 65-78. https://doi.org/10.13053/rcs-148-7-5

Moreira Ramos, D. L. (2021). Aplicación de un modelo de reconocimiento de objetos utilizando yolo (you only look once). https://repositorio.upse.edu.ec/xmlui/handle/46000/5755

Núñez Sánchez-Agustino, F. J. (2016). Diseño de un sistema de reconocimiento automático de matrículas de vehículos me-diante una red neuronal convolucional [tesis de máster, Universitat Oberta de Catalunya]. Repositorio institu-cional uoc. https://openaccess.uoc.edu/browse?type=author&authority=439af5fa-aedc-4b2e-ad2c-7b790819c592

Redmon, J., Divvala, S., Girshick, R. y Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 779-788. https://doi.org/10.1109/CVPR.2016.91

Russo, C., Ramón, H., Alonso, N., Cicerchia, B., Esnaola, L. y Tessore, J. P. (2016). Tratamiento masivo de datos utilizando técnicas de machine learning [ponencia]. XVIII Workshop de Investigadores en Ciencias de la Computación WICC, pp. 131-134. http://repositorio.unnoba.edu.ar:8080/xmlui/handle/23601/107

Sánchez, D. A. y Gonzáles Díez, H. (2020). Algorithms for detection and tracking objects with deep networks for intelligent video surveillance : A review. Revista Cubana de Ciencias Informáticas, 14(3), 165-196.

Descargas

Publicado

2022-11-03

Número

Sección

Tecnología e Innovación

Categorías

Cómo citar

Detección de pistas aéreas ilegales en imágenes digitales empleado técnicas de inteligencia artificial. (2022). Ciencia Y Poder Aéreo, 18(1). https://doi.org/10.18667/cienciaypoderaereo.758