DETECCIÓN AUTOMÁTICA DE ARMAS DE FUEGO EN IMÁGENES USANDO REDES NEURONALES PROFUNDAS

Abstract

El aumento de la violencia con armas de fuego es un problema contemporáneo que atenta contra uno de los principales derechos humanos como es el derecho a la vida. Son muchos los esfuerzos dedicados a la detección de armas con el fin de garantizar la seguridad ciudadana. Una de las soluciones propuestas hoy en día consiste en emplear algoritmos de Visión Artificial capaces de reconocer su presencia en imágenes o videos en tiempo real. Este proyecto se ha elaborado con el objetivo de profundizar en la detección de armas de fuego y la clasificación de las mismas en armas largas y cortas con ayuda de redes neuronales profundas. Para ello se han recopilado imágenes de armas de distintos datasets públicos y completado los datos para garantizar que se ajustan en la medida de lo posible al problema propuesto. El dataset generado contiene una gran variedad de armas largas (fusiles, escopetas...) y armas cortas (pistolas, revólveres...). Se ha seleccionado YOLOv5 como red neuronal convolucional para la detección de las armas de fuego. Por su parte, Roboflow es la herramienta de etiquetado y preprocesado de imágenes que se utiliza en este proyecto. La solución se ha implementado con código en Python y algunas librerías como Pytorch o módulos como Glob. En este trabajo se presenta una batería de experimentos en los que se estudia el desempeño de YOLOv5 a la hora de detectar armas y clasificarlas, y cómo las características de las imágenes afectan al algoritmo propuesto. Así, se inicia realizando una serie de pruebas que permitan construir un dataset adecuado para el problema presentado y posteriormente, se trabaja con dicho dataset variando parámetros como el ruido u oclusiones presentes en las imágenes y se estudia cómo estos afectan a los resultados. En base a las conclusiones obtenidas se valora y exponen posibles futuros experimentos que puedan aportar resultados útiles y mejoras del trabajo realizado.