Sistema de registro de asistencia de estudiantes mediante imágenes basado en Redes Neuronales Convolucionales

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

PROYECTO DE INVESTIGACIÓN

1. INFORMACIÓN GENERAL

1. Título

“Sistema de registro de asistencia de estudiantes mediante imágenes basado en Redes Neuronales Convolucionales”

1. Autores.

Apellidos y Nombres:                 Fernandez Delgado, Cleiver Norberto

Grado Académico:                         Estudiante de Ingeniería de Sistemas

Categoría y Modalidad:                   Estudiante

Teléfono:                                  966691395

E-mail:                                cfdelgado@unprg.edu.pe 

1. Línea de Investigación

Ingenierías y Tecnologías.

1. Lugar:

UNPRG

1.  Duración estimada del proyecto

8 semanas

1.  Fecha de inicio

Junio 2023

1.  Fecha de término

Agosto 2023

1. PLANTEAMIENTO DE LA INVESTIGACIÓN

2.1 Síntesis de la situación problemática

El registro de asistencia de estudiantes en escuelas, colegios y universidades se caracteriza por el proceso manual tedioso y consumidor de tiempo que realizan los profesores. Este método tradicional basado en hojas de papel presenta desafíos, como la propensión a errores y la posibilidad de suplantación de identidad. Además, el proceso manual dificulta el seguimiento en tiempo real de la asistencia y la generación de informes precisos. Por lo tanto, surge la necesidad de implementar un sistema automatizado que haga uso de tecnologías de procesamiento de imágenes y aprendizaje automático para detectar y reconocer a los estudiantes, y así llevar a cabo el marcado de asistencia de manera precisa y eficiente.

Existe una dificultad de los docentes para llevar un registro preciso de la asistencia de los estudiantes en el aula debido al sistema manual de marcado de asistencia. El proceso de mantener un registro físico de la asistencia de cada estudiante y consolidarlo regularmente resulta tedioso y propenso a errores. Además, la alta relación estudiante-docente dificulta aún más el mantenimiento de la asistencia de manera adecuada. Para superar estos desafíos, se propone un sistema automatizado de gestión de asistencia utilizando reconocimiento facial.(Muthunagai et al., 2020) 

El proceso de encontrar una coincidencia en el reconocimiento facial implica detectar caras y compararlas con codificaciones de un conjunto de entrenamiento. Se calcula la distancia euclidiana para determinar si una cara coincide, y se utiliza un valor umbral para hacer predicciones. Los datos de entrada son el flujo de video de una cámara, y el módulo de detección de caras se aplica a cada fotograma. Las caras coincidentes se clasifican con el nombre del estudiante, mientras que las caras desconocidas se clasifican como desconocidas. La asistencia de los estudiantes se marca en función del número de fotogramas en los que aparecen sus caras, con un umbral del 60% para determinar si están presentes. La precisión del modelo mejora con más imágenes por persona en el conjunto de entrenamiento.

2.2 Formulación del problema de investigación

¿Cómo automatizar el de registro de asistencia de estudiantes para superar los desafíos del proceso manual y lograr un marcado de asistencia preciso y eficiente?

2.3 Hipótesis.

Con un sistema inteligente de registro de asistencia de estudiantes basado en redes neuronales convolucionales y procesamiento de imágenes, se logre una mejora significativa en la precisión y eficiencia del marcado de asistencia.

2.4 Objetivos

   2.4.1 Objetivo general

Desarrollar un sistema inteligente de registro de asistencia de estudiantes basado en redes neuronales convolucionales y procesamiento de imágenes.

   2.4.2 Objetivos específicos

• Recopilar y preparar un conjunto de datos adecuado de imágenes de los estudiantes para el entrenamiento y prueba del modelo.
• Desarrollar una arquitectura de red neuronal convolucional que pueda aprender a reconocer y clasificar las caras de los estudiantes.
• Desarrollar una interfaz de usuario intuitiva que permita a los profesores o administradores cargar imágenes de estudiantes en el sistema y realizar el marcado de asistencia
• Realizar pruebas exhaustivas del sistema utilizando un conjunto de datos de prueba independiente. Evaluar la precisión del reconocimiento facial y la eficiencia del marcado de asistencia automatizado.

• Identificar posibles desafíos o limitaciones del sistema y realizar ajustes o mejoras para superarlos.

1. DISEÑO TEORICO

3.1 Antecedentes

(Budiman et al., 2023). Evaluaron diferentes algoritmos de reconocimiento facial, se encontró que el algoritmo de Redes Neuronales Convolucionales (CNN, por sus siglas en inglés) alcanzó una precisión del 99% al utilizar un conjunto de datos compuesto por 1050 imágenes. Por otro lado, el algoritmo de Histograma de Patrones Binarios Locales (LBPH, por sus siglas en inglés) logró una precisión del 92% utilizando un conjunto de datos de 165 imágenes. Asimismo, se identificaron otros algoritmos, como Eigenfaces, PCA y Haar Cascade, los cuales presentaron niveles de precisión diversos, con valores que oscilaron entre el 77.55% y el 95%. En relación a los factores externos que inciden en la precisión, se encontró que la iluminación del entorno tiene un impacto significativo en el desempeño del algoritmo. Se observó una precisión del 92% en ambientes bien iluminadas, mientras que en ambientes con poca luz la precisión disminuyó al 88%. Además, se determinó que la posición de la cara también influye en la precisión del reconocimiento facial. En específico, se obtuvo una precisión del 81.25% cuando la cara estaba en posición recta, del 75% en posición inclinada y del 43.75% cuando la cara se encontraba mirando hacia abajo.

...