IIIS - 2025 Conferences Proceedings

2025 Spring Conferences Proceedings

	Desarrollo de un Sistema de Visión Artificial para Supervisión del Uso de Arnés de Seguridad en Trabajos de Altura Ryan A. León León, Yeni E. Alvarez Ocas, Edgar G. Avila Torres, Deiner D. Florian Camacho, Giampieer R. Gonzales Gonzales, Alex A. Contreras Campos Memorias de la Décima Quinta Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2025, pp. 315-321 (2025); https://doi.org/10.54808/CICIC2025.01.315	Décima Quinta Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2025 Conferencia Virtual 25 al 28 de Marzo de 2025 Proceedings of CICIC 2025 ISSN: 2771-6333 (Print) ISBN (Volume): 978-1-950492-82-4 (Print)
	Authors Information \| Citation \| Full Text \| Ryan A. León León Universidad Privada del Norte, Trujillo, Perú Yeni E. Alvarez Ocas Universidad Privada del Norte, Trujillo, Perú Edgar G. Avila Torres Universidad Privada del Norte, Trujillo, Perú Deiner D. Florian Camacho Universidad Privada del Norte, Trujillo, Perú Giampieer R. Gonzales Gonzales Universidad Privada del Norte, Trujillo, Perú Alex A. Contreras Campos Universidad Privada del Norte, Trujillo, Perú Cite this paper as: León León, R. A., Alvarez Ocas, Y. E., Avila Torres, E. G., Florian Camacho, D. D., Gonzales Gonzales, G. R., Contreras Campos, A. A. (2025). Desarrollo de un Sistema de Visión Artificial para Supervisión del Uso de Arnés de Seguridad en Trabajos de Altura. En N. Callaos, J. Horne, E. F. Ruiz-Ledesma, B. Sánchez, A. Tremante (Eds.), Memorias de la Décima Quinta Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2025, pp. 315-321. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CICIC2025.01.315 DOI: 10.54808/CICIC2025.01.315 ISBN: 978-1-950492-82-4 (Print) ISSN: 2771-6333 (Print) Copyright: © International Institute of Informatics and Systemics 2025 Publisher: International Institute of Informatics and Cybernetics
Abstract En este trabajo se desarrolló un modelo basado en redes neuronales convolucionales para la clasificación de imágenes, aplicado al reconocimiento de objetos en contextos industriales. Utilizando la arquitectura MobileNetV2 como base para la extracción de características, se integraron capas densas y una función de activación Softmax para optimizar la clasificación. Los resultados experimentales demostraron una precisión del 100 % en las métricas de evaluación, destacando la eficacia del modelo en términos de precisión, recall y F1-Score. Este proyecto evidenció no solo la viabilidad técnica de los modelos de aprendizaje profundo en contextos específicos, sino que también sentó las bases para su implementación en entornos industriales reales.
Full Text