Please use this identifier to cite or link to this item: https://repositorio.utn.edu.ec/handle/123456789/19021
Citar este ítem

Full metadata record
DC FieldValueLanguage
dc.contributor.advisorGarcía Santillán, Iván Danilo-
dc.contributor.authorSolano Vásquez, Steven Alexis-
dc.date.accessioned2026-02-26T16:29:22Z-
dc.date.available2026-02-26T16:29:22Z-
dc.date.created2026-02-20-
dc.date.issued2026-02-26-
dc.identifier.other04/SOF/137es_EC
dc.identifier.urihttps://repositorio.utn.edu.ec/handle/123456789/19021-
dc.description.abstractLa detección de somnolencia al conducir, tanto en condiciones diurnas como nocturnas, representa un desafío crucial en la prevención de accidentes de tránsito. Diversos factores como el agotamiento físico por extensas jornadas laborales, problemas de salud que afectan la concentración o condiciones ambientales adversas, contribuyen a elevar el riesgo de fatiga al volante. En respuesta a esta problemática, el presente trabajo propone el desarrollo e implementación de un sistema inteligente basado en la arquitectura de redes neuronales convolucionales YOLOv26, con el objetivo de identificar el estado de los ojos del conductor (abiertos o cerrados) en tiempo real. El modelo fue entrenado utilizando un conjunto de imágenes etiquetadas que representa distintos escenarios visuales, incluyendo condiciones diurnas y nocturnas. Posteriormente, se integró en un sistema embebido utilizando una Raspberry Pi, con capacidad para emitir alertas sonoras en caso de detectar signos de somnolencia prolongada. La estructura del proyecto se organiza en tres capítulos: el primero aborda el estudio del problema de la somnolencia en la conducción, analizando investigaciones previas y tecnologías existentes aplicadas a su detección; el segundo capítulo detalla la construcción del dataset, la preparación de los datos y el proceso de entrenamiento del modelo YOLOv26; finalmente, en el tercer capítulo se presentan los resultados obtenidos, los cuales fueron validados mediante pruebas controladas en distintos contextos (rostros con y sin gafas, condiciones de baja iluminación). Se incluyen comparaciones con métricas reportadas en estudios anteriores, así como pruebas de funcionamiento en entornos simulados y reales.es_EC
dc.language.isospaes_EC
dc.rightsopenAccesses_EC
dc.rightsAtribución-NoComercial-CompartirIgual 3.0 Ecuador*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/*
dc.subjectseguridad viales_EC
dc.subjectestado oculares_EC
dc.titleImplementación de una red neuronal convolucional Yolov8 para la detección de somnolencia en conducción diurna y nocturnaes_EC
dc.typebachelorThesises_EC
dc.description.degreeIngenieríaes_EC
dc.contributor.deparmentsoftwarees_EC
dc.coverageIbarra. Ecuadores_EC
dc.identifier.mfn0000046585es_EC
Appears in Collections:Software

Files in This Item:
File Description SizeFormat 
04 SOF 137 TESIS.jpgLogo73.39 kBJPEGThumbnail
View/Open
04 SOF 137 TESIS.pdfTrabajo de grado2.16 MBAdobe PDFThumbnail
View/Open


This item is protected by original copyright



This item is licensed under a Creative Commons License Creative Commons