Prototipo de Sistema de Monitoreo Inteligente para la detección en Tiempo Real de Objetos y Actividades Sospechosas Utilizando Deep Learning

Autores/as

  • Lauro Alfonso Erreyes Cuenca Universidad Técnica de Machala, Facultad de Ingeniería Civil, Carrera de Tecnologías de la Información, Machala, El Oro, Ecuador. https://orcid.org/0009-0002-6552-4537
  • Nahin Josue Olmedo Chica Universidad Técnica de Machala, Facultad de Ingeniería Civil, Carrera de Tecnologías de la Información, Machala, El Oro, Ecuador. https://orcid.org/0009-0004-5555-2977
  • Mariuxi Paola Zea Ordóñez Universidad Técnica de Machala, Facultad de Ingeniería Civil, Carrera de Tecnologías de la Información, Machala, El Oro, Ecuador. https://orcid.org/0000-0001-8860-6282
  • Nancy Magaly Loja Mora Universidad Técnica de Machala, Facultad de Ingeniería Civil, Carrera de Tecnologías de la Información, Machala, El Oro, Ecuador. https://orcid.org/0000-0002-5583-4278

DOI:

https://doi.org/10.33936/isrtic.v9i2.7908

Palabras clave:

inteligencia artificial, deep learning, YOLOv8, videovigilancia

Resumen

Esta investigación trata sobre la necesidad de optimizar los sistemas de videovigilancia a través del uso de inteligencia artificial para detectar proactivamente amenazas.  El propósito primordial es desarrollar un prototipo de monitoreo inteligente que pueda detectar en tiempo real a personas, armas y conductas sospechosas, enfocándose en la eficiencia computacional y la precisión de detección para garantizar su viabilidad en hardware accesible. Se utilizó la metodología CRISP-DM para conseguir esta meta, que dividió el proyecto de manera sistemática en etapas que incluían la preparación, modelado y valoración de los datos.  Un modelo YOLOv8 es el elemento principal del sistema, el cual fue entrenado con un conjunto de datos personalizado que comprende cerca de 8.500 imágenes y se expandió a través de distintos métodos. La robustez del modelo se confirma mediante los resultados cuantitativos, que muestran una puntuación F1-score del 93,99% y una precisión media (mAP) de 50 del 96,97% en las clases especificadas. Finalmente, el modelo fue incorporado en un prototipo funcional de videovigilancia, lo que demostró su utilidad y efectividad operativa en entornos de seguridad urbana y comercial.

Descargas

La descarga de datos todavía no está disponible.

Citas

Acuña-Cid, H. A., Ahumada-Tello, E., Ovalle-Osuna, Ó. O., Evans, R., Hernández-Ríos, J. E., & Zambrano-Soto, M. A. (2025). CRISP-NET: Integration of the CRISP-DM Model with Network Analysis. Machine Learning and Knowledge Extraction, 7(3), 101. https://doi.org/10.3390/make7030101

Alvarado, H. P. L., & Villavicencio, O. E. C. (2024). Regulación del Manejo de la Inteligencia Artificial, Consecuencias y Daños a la Sociedad por su Mal Uso. Ciencia Latina Revista Científica Multidisciplinar, 8(1), 1966–1978. https://doi.org/10.37811/cl_rcm.v8i1.9596

Azatbekuly, N., Mukhanbet, A., & Bekele, S. D. (2024). Development of an Intelligent Video Surveillance System Based on YOLO Algorithm. 2024 IEEE 4th International Conference on Smart Information Systems and Technologies (SIST), 498–503. https://doi.org/10.1109/SIST61555.2024.10629617

Castro-Paredes, J. G., Mendoza-Masache, G. R., Loja-Mora, N. M., & Loján-Alvarado, H. P. (2025). Protección de datos por diseño y por defecto. Implicaciones legales en el desarrollo de software. Ingenium et Potentia, 7(12), 77–96. https://doi.org/10.35381/i.p.v7i12.4471

Cheng, G., Chao, P., Yang, J., & Ding, H. (2024). SGST-YOLOv8: An Improved Lightweight YOLOv8 for Real-Time Target Detection for Campus Surveillance. Applied Sciences, 14(12), 5341. https://doi.org/10.3390/app14125341

Delwar, T. S., Mukhopadhyay, S., Kumar, A., Singh, M., Lee, Y., Ryu, J.-Y., & Hosen, A. S. M. S. (2025). Real-Time Farm Surveillance Using IoT and YOLOv8 for Animal Intrusion Detection. Future Internet, 17(2), 70. https://doi.org/10.3390/fi17020070

Erreyes, L. (2025). Dataset Detección personas-armas-personas armadas. Zenodo. https://doi.org/10.5281/zenodo.17215185

Espinoza, L. J. M., Rojas, S. J. Z., Bravo, V. J. P., & Valarezo, L. C. C. (2025). Balanceo de Conjuntos de Datos Basado en Redes Generativas Aplicado a Imágenes del Sector Agrícola. Informática y Sistemas, 9(2), 164–176. https://doi.org/10.33936/isrtic.v9i2.7782

Gawande, U., Hajari, K., & Golhar, Y. (2024). Novel person detection and suspicious activity recognition using enhanced YOLOv5 and motion feature map. Artificial Intelligence Review, 57(2), 16. https://doi.org/10.1007/s10462-023-10630-0

Hua, C., Luo, K., Wu, Y., & Shi, R. (2024). YOLO-ABD: A Multi-Scale Detection Model for Pedestrian Anomaly Behavior Detection. Symmetry, 16(8), 1003. https://doi.org/10.3390/sym16081003

Li, Y., Li, Q., Pan, J., Zhou, Y., Zhu, H., Wei, H., & Liu, C. (2024). SOD-YOLO: Small-Object-Detection Algorithm Based on Improved YOLOv8 for UAV Images. Remote Sensing, 16(16), 3057. https://doi.org/10.3390/rs16163057

Nasir, R., Jalil, Z., Nasir, M., Alsubait, T., Ashraf, M., & Saleem, S. (2025). An enhanced framework for real-time dense crowd abnormal behavior detection using YOLOv8. Artificial Intelligence Review, 58(7), 202. https://doi.org/10.1007/s10462-025-11206-w

Ni, Y., Huo, J., Hou, Y., Wang, J., & Guo, P. (2024). Detection of Underground Dangerous Area Based on Improving YOLOV8. Electronics, 13(3), 623. https://doi.org/10.3390/electronics13030623

Schcolnik-Elias, A., Martínez-Díaz, S., Luna-Taylor, J. E., & Castro-Liera, I. (2023). Detección de armas tipo pistola mediante el uso de redes convolucionales con una arquitectura tipo YOLO y estereoscopía. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 11, 196–204. https://doi.org/10.29057/icbi.v11iEspecial2.10727

Stainer, M. J., Raj, P. V, Aitken, B. M., Bandarian-Balooch, S., & Boschen, M. J. (2021). Decision-making in single and multiple-screen CCTV surveillance. Applied Ergonomics, 93, 103383. https://doi.org/10.1016/j.apergo.2021.103383

Sudharson, D., Srinithi, J., Akshara, S., Abhirami, K., Sriharshitha, P., & Priyanka, K. (2023). Proactive Headcount and Suspicious Activity Detection using YOLOv8. Procedia Computer Science, 230, 61–69. https://doi.org/10.1016/j.procs.2023.12.061

Descargas

Publicado

2025-11-19

Cómo citar

[1]
Erreyes Cuenca, L.A., Olmedo Chica, N.J., Zea Ordóñez, M.P. y Loja Mora, N.M. 2025. Prototipo de Sistema de Monitoreo Inteligente para la detección en Tiempo Real de Objetos y Actividades Sospechosas Utilizando Deep Learning. Informática y Sistemas. 9, 2 (nov. 2025), 197–213. DOI:https://doi.org/10.33936/isrtic.v9i2.7908.

Número

Vol. 9 Núm. 2: Julio - Diciembre (2025)

Sección

Artículos regulares

Licencia

Derechos de autor 2025 Lauro Alfonso Erreyes Cuenca, Nahin Josue Olmedo Chica, Mariuxi Paola Zea Ordóñez, Nancy Magaly Loja Mora

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)

Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.