dc.contributor |
JORGE DE LA CALLEJA MORA;102624 |
es |
dc.contributor.advisor |
De la Calleja Mora, Jorge |
|
dc.contributor.author |
Cruz Medrano, Jordi Jaromil |
|
dc.creator |
JORDI JAROMIL CRUZ MEDRANO;704756 |
es |
dc.date.accessioned |
2018-06-07T18:12:52Z |
|
dc.date.available |
2018-06-07T18:12:52Z |
|
dc.date.issued |
2017-05-31 |
|
dc.identifier.citation |
Cruz M. J. J. 2017. Automatic detection of drivers with fatigue using deep learning. Universidad Politécnica de Puebla. Departamento de Posgrado. Tesis de maestría. |
es |
dc.identifier.uri |
http://repositorio.uppuebla.edu.mx:8080/xmlui/handle/123456789/41 |
|
dc.description |
This document presents a prototype for the identification of fatigue in individuals
through the recognition of yawns, closed eyes and inclined head by using deep learning.This with the objective to detect the fatigue that is considered dangerous for any task that requires the use of heavy machinery. For the construction of the prototype we followed the following steps: obtaining the set of images, preprocessing, extraction of characteristics using a pre-trained network giving us as a result the high-level feature extraction, next we did a experiment with weka for determine what machine learning algorithm use for training, after of training we built the prototype. The experimental results indicate that support vector machines algorithm obtains the best results with 98.3% of accuracy in average , with a system capable of correctly detecting the three fatigue manifestations. |
es |
dc.description.abstract |
Este documento presenta un prototipo para la identificación de fatiga en individuos a través del reconocimiento de bostezos, ojos cerrados y cabeza inclinada usando aprendizaje profundo, el propósito es detectar la fatiga que se considera peligrosa en cualquier tarea que requiera el uso de maquinaria pesada. Para la construcción del prototipo se siguieron los pasos siguientes: obtener el conjunto de imágenes, pre-procesarlas, extraer las características, utilizando una red pre-entrenada dio un resultado de extracción de características de alto nivel, después se experimentó con weka para determinar el algoritmo de aprendizaje automático a utilizar, después del entrenamiento, se construyó el prototipo. Los resultados experimentales indican que el algoritmo de máquinas de soporte vectorial obtiene los mejores resultados con una exactitud del 98.3% en promedio, con un sistema capaz de detectar correctamente tres manifestaciones de fatiga. |
es |
dc.description.statementofresponsibility |
Público en general |
es |
dc.language |
Inglés |
es |
dc.language |
spa |
|
dc.publisher |
Universidad Politécnica de Puebla |
es |
dc.relation |
Versión publicada |
es |
dc.relation.ispartof |
REPOSITORIO NACIONAL CONACYT |
es |
dc.rights |
Acceso Abierto |
es |
dc.rights |
http://creativecommons.org/licenses/by-nc-nd/4.0 |
|
dc.rights.uri |
http://creativecommons.org/licenses/by-nc-nd/4.0 |
es |
dc.subject |
Aprendizaje profundo, detección de comportamiento |
es |
dc.subject.classification |
INGENIERÍA Y TECNOLOGÍA |
es |
dc.title |
Automatic detection of drivers with fatigue using deep learning |
es |
dc.title.alternative |
Detección automática de conductores con fatiga usando aprendizaje profundo |
es |
dc.type |
Tesis de maestría |
es |