Sistema de visión computacional basada en reconocimiento facial para identificación de personas dirigido a los miembros de la organización regional de ciegos del Perú – Chiclayo

Abstract

En el presente estudio se desarrolló un sistema de visión computacional basada en reconocimiento facial para identificación de personas con el propósito de que las personas con discapacidad visual se sientan autónomas al utilizar la herramienta además de no ser dependientes de su entorno. Para lograr el objetivo principal, se realizó una comparativa de arquitecturas existentes basados en criterios de rendimiento, portabilidad y costos; siendo Facenet la arquitectura idónea para la construcción del algoritmo. Asimismo, se evaluó los modelos existentes de reconocimiento facial mediante procesamiento de imágenes, siendo Facenet el modelo óptimo con 98% de accuracy. En cuanto a la validación del modelo, a través de las métricas de visión computacional en precisión, exactitud y F1; los resultados fueron 100%, 97% y 96% respectivamente. Para la validación del funcionamiento, se encuestaron a 13 personas de la asociación donde el 81% consideraron completamente en cuanto a facilidad de uso percibida y el 95% calificaron la misma categoría en cuanto a utilidad percibida a través del modelo de aceptación tecnológica TAM. Cabe resaltar que la selección de la arquitectura, construcción y validación del modelo se elaboraron dentro del proceso de preparación de datos e ingeniería de atributos proporcionado por Google. Asimismo, para la integración de todo el sistema de visión computacional se desarrolló utilizando Scrum con duración de 3 sprints. El despliegue del modelo se construyó utilizando el lenguaje Python, exportado con TensorFlow Lite, y para la aplicación móvil, se implementó bajo el lenguaje Dart con Flutter Framework para aplicaciones móviles híbridas.

In the present study, a computer vision system based on facial recognition was developed for identifying people with the purpose of making people with visual disabilities feel autonomous when using the tool in addition to not being dependent on their environment. To achieve the main objective, a comparison of existing architectures was carried out based on performance, portability and cost criteria; Facenet being the ideal architecture for the construction of the algorithm. Likewise, existing facial recognition models were evaluated through image processing, with Facenet being the optimal model with 98% accuracy. Regarding the validation of the model, through computer vision metrics in precision, accuracy and F1; The results were 100%, 97% and 96% respectively. To validate the operation, 13 people from the association were surveyed, where 81% considered it completely in terms of perceived ease of use and 95% rated the same category in terms of perceived usefulness through the TAM technological acceptance model. It should be noted that the selection of the architecture, construction and validation of the model were developed within the data preparation and attribute engineering process provided by Google. Likewise, for the integration of the entire computer vision system, it was developed using Scrum with a duration of 3 sprints. The model deployment was built using the Python language, exported with TensorFlow Lite, and for the mobile application, it was implemented under the Dart language with the Flutter Framework for hybrid mobile applications.