DETECCIÓN DE ESCENAS DE RIESGO EN TRANSPORTE PÚBLICO UTILIZANDO APRENDIZAJE PROFUNDO (DETECTION OF RISK SCENE ON PUBLIC TRANSPORT USING DEEP LEARNING)

Resumen

Resumen
Este documento presenta una propuesta para mejorar la seguridad en el transporte público mediante la detección temprana y automática de situaciones potencialmente riesgosas. Para ello, se diseñó y evaluó un sistema de visión artificial basado en redes neuronales convolucionales, capaz de clasificar imágenes en cuatro categorías de niveles de riesgo, las cuales son “no riesgo”, “amenaza”, “arma” y “no arma”. El modelo fue entrenado utilizando una base de datos compuesta de 4272 imágenes estandarizadas y equilibrar las muestras por categoría, el sistema demostró una alta precisión diagnóstica. El modelo alcanzó una exactitud del 98.39% en pruebas generales y el desempeño en validación cruzada por clase son: “no riesgo”, 100%; “amenaza”, 87.91%; “arma”, 89.6% y “no arma”, 87.91%. Estos resultados validan la viabilidad de integrar el sistema en dispositivos inteligentes para monitoreo en tiempo real, facilitando respuestas inmediatas ante actos delictivos.
Palabras Clave: Imágenes, redes neuronales convolucionales, transporte público.

Abstract
This document presents a proposal to improve safety in public transportation by automatically and early detecting potentially risky situations. To this end, we designed and evaluated a computer vision system based on convolutional neural networks that can classify images into four risk level categories: "no risk," "threat," "weapon," and "non-weapon." The model was trained using a balanced database of 4,272 standardized images, and the system demonstrated high diagnostic accuracy. It achieved 98.39% accuracy in general tests, and the cross-validation performance by class is as follows: "No risk": 100%; "Threat": 87.91%; "Weapon": 89.6%; and "Non-weapon": 87.91%. These results validate the feasibility of integrating the system into smart devices for real-time monitoring and immediate response to criminal acts
Keywords: Convolutional neural networks, images, public transportation.