Sistema de seguridad perimetral basado en un modelo TinyML para la detección de armas en la Base de Entrenamiento de Infantería de Marina
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Surveillance in naval infantry facilities faces significant challenges associated with reliance on manual monitoring, susceptibility to human error, and the need to cover extensive areas that hinder continuous and effective supervision. These limitations reduce the ability to respond promptly to potential threats and highlight the need for automated and intelligent systems to strengthen security mechanisms. In this context, the main objective of this research was to develop an artificial intelligence-based computer vision system for real-time weapon detection, optimized for deployment on low-cost embedded devices.
The methodology involved the design, training, and deployment of an object detection model based on convolutional neural networks, using the MobileNetV2 architecture under the FOMO (Faster Objects, More Objects) approach. Training was conducted on the Edge Impulse platform using a dataset of 2,808 images with a resolution of 160×160 pixels. The model was subsequently quantized to INT8 format to enable efficient execution on the ESP32-S3-CAM board equipped with an OV2640 camera, considering the device's limitations in memory, processing capacity, and image quality.
The results demonstrate an adequate system performance, achieving a precision of 0.62 and a recall of 0.51, with real-time inference capability. In terms of detection range, the system was able to effectively identify objects within an approximate distance of 8 cm to 2 meters, with higher reliability at shorter distances. System performance is influenced by factors such as lighting conditions, sensor resolution, and environmental complexity.
In conclusion, this study demonstrates the feasibility of implementing AI-based threat detection solutions on low-cost embedded devices, achieving a balance between computational efficiency and real-time performance. Despite hardware and camera limitations, satisfactory results were obtained at distances of up to 2 meters, which is significant given the system constraints. However, further optimization of the model and improvements in image acquisition conditions are necessary to enhance robustness and accuracy in real-world operational scenarios.
Description
La vigilancia en instalaciones de infantería de marina enfrenta importantes desafíos asociados a la dependencia de monitoreo manual, la susceptibilidad al error humano y la cobertura de extensas áreas que dificultan una supervisión continua y efectiva. Estas limitaciones reducen la capacidad de respuesta ante amenazas y evidencian la necesidad de incorporar sistemas automatizados e inteligentes que fortalezcan los mecanismos de seguridad. En este contexto, el objetivo principal de la investigación fue desarrollar un sistema de visión computacional basado en inteligencia artificial para la detección de armas en tiempo real, optimizado para su implementación en dispositivos embebidos de bajo costo.
La metodología consistió en el diseño, entrenamiento y despliegue de un modelo de detección de objetos basado en redes neuronales convolucionales, empleando la arquitectura MobileNetV2 bajo el enfoque FOMO. El entrenamiento se llevó a cabo en la plataforma Edge Impulse utilizando un conjunto de datos de 2.808 imágenes con resolución de 160×160 píxeles. Posteriormente, el modelo fue cuantizado a formato INT8 para su ejecución en la tarjeta ESP32-S3-CAM con cámara OV2640, considerando las restricciones de memoria, procesamiento y calidad de imagen propias del dispositivo.
Los resultados evidencian un desempeño adecuado del sistema, alcanzando una precisión (Precision) de 0.62 y un recall de 0.51, con capacidad de inferencia en tiempo real. En cuanto al alcance, se lograron detecciones efectivas en un rango aproximado entre 8 cm y 2 metros, siendo más confiables en distancias cortas. El desempeño del sistema se ve influenciado por factores como la iluminación, la resolución del sensor y la complejidad del entorno.
En conclusión, el estudio demuestra la viabilidad de implementar soluciones de detección de amenazas basadas en inteligencia artificial en dispositivos embebidos de bajo costo, logrando un equilibrio entre eficiencia computacional y desempeño en tiempo real. A pesar de las limitaciones del hardware y del sensor de cámara, se obtuvieron resultados satisfactorios hasta distancias de 2 metros, lo cual es relevante considerando las restricciones del sistema. No obstante, se requiere optimizar el modelo y mejorar las condiciones de captura para aumentar la robustez y precisión en escenarios operativos reales.
Keywords
Detección de armas, MobileNet, Sistemas embebidos, TinyML, FOMO, Visión por computador