Tema: Detección de Fuego en Ambientes Cerrados para Aplicaciones IoT Utilizando Redes Neuronales Convolucionales
Integrantes:

• Moreno Guadamur,Juan Jose

• Enciso Melgarejo,Willians Carlos

• Contreras Vidal,Alexander del Piero

Resumen:
Si el fuego no es controlado tempranamente puede ser causante de desastres que generan pérdidas de propiedades y de vidas. Por ello, es necesario dar una solución de detección temprana de incendios que sea efectiva y a bajo costo. Existen propuestas de solución de alto rendimiento que utilizan modelos de Redes Neuronales Convolucionales muy pesados, los cuales no es viable desplegarlos en dispositivos móviles. En esta investigación se aborda el problema entre el rendimiento y tamaño del modelo, con este fin se compara 2 modelos pesados (AlexNet y ResNet50) y 2 modelos ligeros (FireNet, MobileNetV2). El accuracy obtenido de los modelos son 0.81, 0.94, 0.95 y 0.83 respectivamente. Además de ello se utiliza IoT para la propuesta de un sistema de detección de incendios en tiempo real y de bajo costo, por lo cual utilizaremos una Raspberry pi 3B + por su portabilidad y las propiedades de conexión de este dispositivo.
Paper Pasos para el desarrollo del trabajo: PPT: Link de Youtube:

Repositorio: https://gitlab.com/hola5480990/deteccio ... ee/master/

Conjunto de datos: https://drive.google.com/drive/folders/ ... sp=sharing

1. Resumen
La presente investigacion es motivada por el contexto actual, el Covid-19 es un virus que ha afectado mucho en temas de salud a las personas, tanto que ha llegado a ser una pandemia, es por ello que es importante utilizar la tecnología para predecir que tipo de personas pueden fallecer por el virus Covid-19, y tomar acciones para que estas personas no se expongan a dicho virus. Se utilizaron las tecnologías python y weka, python para el analisis exploratorio y limpieza de la data; weka para correr los modelos de clasificación.

2. Descripción de dataset

El Sistema Informático Nacional de Defunciones (SINADEF), es el aplicativo informático que contiene los datos del fallecido, genera el certificado de defunción y el informe estadístico; incluye las defunciones fetales, las defunciones generales y las diagnósticos y antecedentes de enfermedad de causas de defunción, los datos son preliminares a la fecha. Consta de 546011 filas y 30 columnas. link:
https://www.datosabiertos.gob.pe/datase ... ministerio
3. Descripción de los resultados con las técnicas usadas
Para corre los modelos de clasificación normalizamos los datos. En este caso trabajaremos con los modelos de clasificación Random Tree y SVM.

• Random Tree
  

  

  TREE.JPG (98.53 KiB) Visto 137 veces

• SVM
  

  

  resultado.JPG (48.46 KiB) Visto 115 veces

4. Conclusión
El modelo Random Tree nos da resultado un error root relative squared error de 47% y el modelo de SVM da como resultado el accuracy (80.04%) así como los mayores TP rate (76.9% y 83.5%). El mejor modelo es el SVM en esta investigación por los datos expuestos.
5Github

https://github.com/Juan-Moreno-17/Model ... e-Pandemia

CLUSTERIZACIÓN DE BONOS 2020 POR SECTOR REGIONAL

1. Resumen del trabajo
Los bonos en la población peruana han sido un apoyo a las familias afectadas por la pandemia provocada por el Covid-19. En este contexto es necesario establecer grupos o sectores por departamentos para encontrar qué grupos han sido beneficiados con los bonos y tomar medidas con respecto a los demás sectores. Se ha utilizado el conjunto de datos “Bonos Covid - 19” del ministerio de Desarrollo Inclusión Social (MIDIS). Los modelos que se trabajo en esta investigación es el modelo K-Means. Para esta investigación se utilizó Jupyter para la exploración y limpieza de los datos con el lenguaje python y weka para el entrenamiento de los modelos de clusterización.

2. Descripción del Dataset
Los datos anonimizados sobre el subsidio monetario de 380 soles para los hogares en condición de pobreza o pobreza extrema, de acuerdo al Sistema de Focalización de Hogares, que se encuentren en los ámbitos urbanos con mayor vulnerabilidad sanitaria, definidos por el Ministerio de Salud.
La dataset consta de filas y columnas. En la figura 1 podemos observar algunas filas del conjunto de datos y mediante la herramienta python visualizamos los tipos de datos, ver figura 2. Fig. 1
Analizamos la data en jupyter, de lo cual observamos que la columna genero es un floaT por lo cual lo pasamos a un entero y luego a un string, esto para que el modelo entienda mejor los datos. Luego en la columna FLAG_PADRON_OLD, reemplazamos los 5 nulos por un valor diferente de los 2 que ya existian, lo mismo para la columna FLAG_DISCAP_SEVERA. Esta operaciones se podrán ver en el github fig. 2
En la figura 3 podemos ver los datos procesados que se realizaron mediante el lenguaje python y estan desplegados en weka.
fig 3

fuente del conjunto de datos:
https://www.datosabiertos.gob.pe/datase ... cial-midis

3. Descripción de los resultados obtenidos
Una vez que hemos procesado la data utilizaremos la técnica Elbow method para hallar el número de cluster de la data con la cual estamos trabajando. En la figura 4 podemos observar el corte el cual nos indica el número de cluster, en este caso es 3, osea k=3.
Figura 4

Utilizamos el modelo de K Means y filteredClusterer para realizar el proceso de clusterización, pero solo mostraré los resultados de k means, ya que los resultados son similares: fig 5
Los cluster obtenidos son los siguientes 4. Conclusiones

• El cluster 0 que contiene 31 valores está centrado en el departamento de San Martin en la provincia de la rioja del distrito de ELIAS SOPLIN VARGAS y el genero que ha obtenido el bono en mayor medida es los hombres, ya que el resultado se acerca más al número 2

• El cluster1 con 19 valores está centrado en el departamento de APURIMAC, provincia de ANDAHUAYLAS y ANDARAPA, además el genero que recibió más este bono son las mujeres.

• El cluster2 con 124 valores está centrado en AMAZONAS, provincia de Bagua, distrito de IMAZA, el género que recibo este bono en mayor medida son los hombres

Podemos observar que con estas clusterizaciones que hay cierta relación de que genero puede recibir en mayor medida el bono, los que viven en departamentos del norte son hombres y los de departamentos del centro sur son mujeres. Además se puede predecir que lugares de los distritos van a necesitar recibir bonos, ya sea por su estado socioeconomico y otras caracteristicas adicionales.

5. Github

https://github.com/Juan-Moreno-17/CLUST ... -REGIONAL-

1. Descripción
Internet de las cosas (IoT) es la interconexión de dispositivos físicos que pueden comunicarse entre sí a través de Internet. Los dispositivos físicos como microcontroladores, microprocesadores, actuadores y sensores no se comunicarán directamente con Internet; lo hacen mediante una puerta de enlace de IoT(gateway). Toda esta infraestructura se conoce como infraestructura de IoT.
La mejora del campo agrícola se ha convertido en el mayor desafío para países como el Perú, por lo que se deben adoptar nuevas tecnologías. La granja inteligente, integrada con sistemas de IoT, podría denominarse granja conectada, que puede admitir una amplia gama de dispositivos de diversos fabricantes de dispositivos agrícolas. Esto sería una gran ayuda a los agricultores que deben realizar arduas tareas de ir hasta el campo día a día para realizar el riego y otras actividades, por ello la implementación eficiente ayuda a la agricultura, una autodisciplina, así como la reducción del trabajo humano y el aumento de los cultivos. Con esto los agricultores tendrán conocimiento en tiempo real la visualización de datos, por ejemplo la temperatura, humedad, cantidad de luz que le cae a las plantas, entre otras; generación de alertas y predicción de valores futuros. 2. Herramientas

• IoT
  Se pueden utilizar diferentes sensores como por ejemplo sensor de temperatura, sensor de lluvia sensor de luz, sensor de movimiento, etc. Estos sensores se instalan en el campo de la agricultura para recopilar los datos y estos datos deben enviarse al agricultor de alguna manera, por ello estos sensores pueden estar interconectarse a un arduino, o una raspberry o mediante un gateway, para que se puedan conectar a internet o en el caso del arduino utilizar un GSM Shield, para enviar los datos al agricultor y este pueda visualizar mediante su celular, tablet o pc los datos en tiempo real. Así el agricultor puede tener una visualización de datos en tiempo real, con la ayuda del análisis de Matlab o Python, el agricultor puede visualizar también la predicción de los valores futuros de los parámetros. Al tener conocimiento de los valores futuros por ejemplo el valor de la humedad, el usuario puede tener control sobre el campo agrícola usando un MQTT(protocolo de comunicación de máquina a máquina que se basa en el servicio pub-sub), enviando comandos. O en otras investigaciones muestran que los sistemas mismos, sin necesidad de que el agricultor realice algunos comandos, realizarían el cese del riego.

  

  Rasp.JPG (22.28 KiB) Visto 111 veces

  

  arqui.JPG (53.72 KiB) Visto 111 veces

• Machine Learning
  Las aplicaciones del aprendizaje automático machine learning en la agricultura, proporciona una mayor perspectiva para la toma de decisiones y acciones con el principal objetivo de mejorar la producción de cultivos sanos y sostenibles, que permitan una seguridad alimentaria en distintas comunidades y espacios, teniendo en cuenta la relación e impacto que recibe este sector por el cambio climático y crecimiento demográfico desigual y acelerado. Existen distintas aplicaciones de redes neuronales artificiales, variaciones semiparamétricas, algoritmos de clasificación, trabajo con satélites agrícolas para procesar imágenes para seguimiento de color y bordes, siendo la integración de estos desarrollos tecnológicos y de programación con la agricultura un punto focal para la aplicación de distintas herramientas de innovación que peritan una actuación a tiempo, eficiente y con futura asequibilidad a grandes, medianos y pequeños productores.

3. Resultados
Los sistema desarrollados para monitorear la temperatura, la humedad y otros datos para los agricultores se muestran a través de un navegador web, un celular o tablet. El sistema almacena datos y ha sido desarrollado y probado en el campo de una granja agrícola. Los sistema funcionan bien y almacenar datos además de mostrar los resultados como gráficos de temperatura y humedad sin detener el trabajo. El sistema debe operar durante períodos largos para cubrir la vida de la planta y para medir las estadísticas del crecimiento de las plantas. 4. Conclusiones
La mejora de la productividad de los cultivos es un gran desafío en los países como India, la mejora tecnológica es un trabajo obligatorio para mejorar la productividad de los cultivos para apoyar y sostener la necesidad de una población siempre verde de nuestro país. En el pasado, se han propuesto varias redes impulsadas por sensores para monitorear con éxito el gran campo agrícola. Sin embargo, la mayor parte de la tecnología no ofrece la técnica de minería de datos y el análisis predictivo, lo que limita el uso de datos al estado preciso del campo y el cultivo. Proponemos una novedosa tecnología mediante la cual se mitigan en la nube los datos recolectados de los dispositivos de detección física, donde una técnica de aprendizaje automático podría producir en tiempo real no solo las alertas correspondientes al estado actual del medio ambiente y del cultivo sino al mismo tiempo. el tiempo puede ofrecer un análisis predictivo del estado futuro del medio ambiente y de los cultivos.

La arquitectura basada en IoT también ofrece la realización y el análisis en tiempo real de datos que se pueden utilizar en todo el mundo junto con el parámetro que se ha monitoreado en otras partes del mundo para comprender el comportamiento anormal del tipo similar de cultivo. Nuestro resultado muestra que el sistema propuesto tiene una latencia muy óptima para controlar el sistema, así como altas tasas de entrega de paquetes y precisión para mitigar los datos. El sistema se puede mejorar aún más incorporando nuevas técnicas de autoaprendizaje que podrían implementarse en la nube para comprender el comportamiento de los datos de detección y tomar decisiones autónomas.
5. Referencias

• DOI: 10.18178/joaat.6.4.241-245

• Digital Object Identifier (DOI) : 10.14569/IJACSA.2019.0100402

1. Descripción
Los incendios son uno de los accidentes más desastrosos en todo el mundo, ya que estos accidentes provocan muchas pérdidas tanto materiales como de vidas. Por eso, dar una solución rápida y eficaz debe ser una prioridad de la sociedad. Actualmente existen sistemas convencionales para la detección de incendios que generan activaciones falsas o pueden llevar tiempo en el proceso de detección, ya que están compuestos por sensores que detectan humo, temperatura o llama, por lo que necesitas un nivel de fuego para ser activado. En los últimos años, la investigación en los distintos campos de la Inteligencia Artificial ha tenido un gran avance tecnológico en lo que respecta a modelos de aprendizaje profundo que se pueden aplicar para detectar incendios.
Para aplicar estos modelos de aprendizaje profundo se debe conseguir una dataset de fuego con la cual entrenará el o los modelos de aprendizaje profundo, en este caso existe un conjunto de videos de fuego llamado Foggia (https://cutt.ly/2hKbYX3). 2. Herramientas

• Convolutional Neural Network
  Las redes neuronales convolucionales han mostrado un rendimiento de vanguardia en una variedad de tareas de visión por computadora, incluida la clasificación y recuperación de imágenes, la detección de objetos, la localización y la segmentación de imágenes. Una CNN típica consta de diferentes tipos de capas de procesamiento que incluyen convolución, agrupación y completamente conectada. Estas capas están organizadas de tal manera que la salida de una capa se convierte en la entrada de la siguiente. En cada capa de convolución, se aplican varios núcleos a los datos de entrada para generar mapas de características. Las capas de agrupación seleccionan las activaciones máximas dentro de pequeños vecindarios de estos mapas de características para reducir su dimensionalidad e introducir la traslación y la invariancia de escala. Las capas completamente conectadas seguidas de pilas de capas convolucionales y agrupadas modelan abstracciones de alto nivel en los datos y sirven como representaciones de alto nivel de la entrada. Los pesos de todos los núcleos y neuronas convolucionales en las capas completamente conectadas se aprenden durante el proceso de entrenamiento y corresponden a características esenciales de los datos de entrenamiento, útiles para realizar la clasificación deseada.
  En la siguiente figura podemos ver un ejemplo de una arquitectura de una Red Neuronal Convolucional.

  

  oeooe.JPG (32.34 KiB) Visto 87 veces

• Detección de incendios - IoT
  Después de entrenar al modelo podemos desplegarlo en sistemas embebidos o en sistemas de vigilancia en caso de empresas, áreas públicas o bosques. Con la finalidad de realizar una detección temprana de los incendios. El sistema que contendrá el modelo de aprendizaje profundo, realizará detección y alerta de incendios, como se ve en la siguiente figura, el cual alertará mediante canales confiables a la central de bomberos y policias.

3. Resultados
Los experimento que realizan las investigaciones utilizan un conjunto de datos, en este caso los videos de Foggia que contiene 62690 cuadros. Siguiendo la configuración experimental de Foggia, se utiliza el 20% de los datos de este conjunto de datos para el entrenamiento y el 80% para las pruebas. obteniendo como accuracy 94.39%, 2.13% de False-Negatives y 9.07% de False Positives en la investigación de Muhammad [2], que utiliza un CNN parecida a la de AlexNet.
En la investigación [1] utilizan como CNN a Yolo que es una arquitectura muy utilizada y obtienen un accuracy de 97%.
4. Conclusiones
La aplicación de las técnicas de aprendizaje profundo a la detección temprana de incendios demuestra que es una herramienta potente para solucionar este problema que aqueja a la sociedad. Las investigaciones han demostrado que al aplicar estas técnicas en este ámbito es un reto, ya que al tener el algoritmo creado un 94.39%o 97% de accuracy, aún tienen un 9.07% de falsos positivos, ya sea por que el ambiente está iluminado, tiene sombras, objetos en movimiento de con color rojo, entre otros.
En el sentido de IoT, este es complementario a estos modelos, ya que junto a los modelos se podrá detectar y a la misma vez alerta un posible incendio.
5. Referencias

[1] Wu, Hao; Wu, Deyang; Zhao, Jinsong (2019). An intelligent fire detection approach through cameras based on computer vision methods. Process Safety and Environmental Protection, (), S0957582018314526–. doi:10.1016/j.psep.2019.05.016

[2] Muhammad, Khan; Ahmad, Jamil; Baik, Sung Wook (2017). Early Fire Detection using Convolutional Neural Networks during Surveillance for Effective Disaster Management. Neurocomputing, (), S0925231217319203–. doi:10.1016/j.neucom.2017.04.083