Abstract:
El presente proyecto de titulación consiste en el desarrollo de un sistema de detección de caídas en el adulto mayor, utilizando técnicas de aprendizaje profundo. Para el entrenamiento del sistema de detección se usan dos sets de datos con imágenes de las actividades diarias de varias personas. El primer set de datos es el UR Fall Detection Dataset que puede ser descargado de la web, en tanto que el segundo Dataset fue creado por el autor de este trabajo. Este último contiene fotografías de personas en diferentes posiciones como parada, sentada, agachada, acostada y caída. Las imágenes correspondientes al conjunto de datos final se etiquetan utilizando la herramienta LabelImg. LabelImg es un software de anotación de imágenes que permite marcar regiones de interés con las clases de objeto correspondientes. Una vez etiquetado todo el set de datos se procede al entrenamiento del sistema de detección de caídas mediante la red neuronal convolucional (CNN). Para este propósito, se aplica el concepto de Aprendizaje por transferencia, que permite trabajar con CNN ya entrenadas y capacitarlas para solucionar un nuevo problema en específico. El modelo de CNN con el que se trabaja es SSD Mobilenet v2. Este es un modelo de red neuronal profunda implementado en equipos de bajas características computaciones, como son los dispositivos móviles (de allí el nombre Mobilenet), y con un rendimiento de alta precisión en detección de objetos. Finalmente se procede a realizar las pruebas del modelo de CNN mediante la detección de objetos de clase en escenas capturadas en tiempo real, mediante una cámara integrada al computador.
