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.

(Alhanaee et al., 2021). Proponen un sistema de reconocimiento facial para gestionar la asistencia utilizando redes neuronales convolucionales y transferencia de aprendizaje profundo. El sistema fue evaluado utilizando un conjunto de datos compuesto por 200 imágenes de 10 clases diferentes, con 20 imágenes por clase. Se utilizaron tres modelos pre-entrenados: SqueezeNet, GoogleNet y AlexNet. Los resultados mostraron que el sistema alcanzó una precisión de validación del 98.33% para SqueezeNet, 93.33% para GoogleNet y 100% para AlexNet. El tiempo de entrenamiento fue de 26 minutos y 53 segundos para SqueezeNet, 39 minutos y 21 segundos para GoogleNet, y 76 minutos para AlexNet.

(Salim et al., 2018). Desarrollaron un sistema automatizado de asistencia basado en reconocimiento facial utilizando Raspberry Pi. El sistema ha demostrado ser más preciso y confiable que el sistema de asistencia manual tradicional. Se ha utilizado el algoritmo LBPs para el reconocimiento facial y se ha implementado un sistema de gestión de asistencia en línea. El sistema también incluye un prototipo de puerta que se abre para los estudiantes reconocidos y almacena los resultados de asistencia en una base de datos MySQL. Se han identificado algunas limitaciones del algoritmo LBPs, como la sensibilidad a las condiciones de iluminación. Se sugieren mejoras futuras, como el uso de hardware más avanzado y la generación automatizada de cartas de advertencia para los estudiantes ausentes.

(Kumar et al., 2020). Implementaron un modelo de reconocimiento facial para el registro de asistencia en el aula, utilizando métodos de análisis de componentes principales y análisis discriminante lineal. Los resultados experimentales demostraron una alta precisión del 97.05% en la extracción de características, aumentando con el número de imágenes por persona. Se aplicó un método para marcar a un estudiante como presente si se reconocía en al menos el 60% de los fotogramas, mejorando la precisión del sistema. En resumen, el modelo propuesto fue eficiente y preciso, respaldado por los resultados experimentales y su capacidad de adaptarse a diferentes cantidades de imágenes por persona.

(Patil et al., 2020). Desarrollaron un sistema que utiliza el algoritmo de detección de rostros Viola-Jones para detectar los rostros de los estudiantes en las imágenes. Luego, se emplea el análisis discriminante lineal (LDA) junto con los algoritmos de aprendizaje automático KNN y SVM para el reconocimiento facial y la marcación de la asistencia. Se menciona que el sistema alcanza una precisión del 95% en comparación con otras técnicas como PCA. El conjunto de datos utilizado en el experimento consta de 150 imágenes, divididas en 112 imágenes para entrenamiento y 38 imágenes para pruebas. Se muestra un análisis experimental que incluye métricas de desempeño como precisión, recuperación y exactitud para los clasificadores KNN y SVM. Los resultados muestran que el enfoque LDA + KNN logra una precisión del 97%, mientras que LDA + SVM alcanza el 95% de precisión.

...