Sistema autónomo para detección de presencia humana en situaciones anómalas en espacios cerrados usando un dron con visión artificial

Abstract

En este trabajo se desarrolló un sistema de monitoreo para identificar situaciones anómalas en espacios interiores mediante un dron DJI Tello y técnicas de visión artificial. El video captado por la cámara del dron se transmite por medio de una conexión Wi-Fi hacia una computadora, donde cada fotograma es procesado en Python. Para el tratamiento de las imágenes se utilizó OpenCV, mientras que la detección se realizó con un modelo YOLOv8 entrenado para reconocer las clases caída, comida, dormir y teléfono. El sistema cuenta con una interfaz hombre-máquina que permite observar el video en tiempo real, consultar datos básicos de telemetría, visualizar las detecciones y conocer el nivel de confianza entregado por el modelo. Además, se incorporó un módulo de alertas mediante WhatsApp, el cual envía un mensaje con la clase detectada, la confianza, la fecha y la hora del evento. De forma paralela, el programa almacena una captura de la anomalía en la computadora. El desarrollo del proyecto incluyó la revisión de información relacionada con drones y visión artificial, la preparación y etiquetado del conjunto de imágenes, el entrenamiento del modelo y la realización de pruebas en un entorno interior controlado. Durante la validación, el modelo alcanzó un valor global de mAP@0.5 de 0.839 y un valor máximo de F1 de 0.75 con un umbral de confianza aproximado de 0.70. Para el funcionamiento del sistema se estableció un umbral de 0.65, con el propósito de trabajar con detecciones más seguras y reducir alertas generadas por predicciones poco confiables. Las pruebas permitieron comprobar que el DJI Tello, el modelo YOLOv8, la interfaz gráfica y el módulo de notificaciones podían funcionar de manera integrada. Entre las principales limitaciones observadas se encontraron las variaciones de iluminación, el ángulo de la cámara, la estabilidad de la conexión Wi-Fi y el tiempo de autonomía de la batería. Con base en los resultados obtenidos, se determinó que el sistema puede servir como una herramienta de apoyo para la supervisión de anomalías en tiempo real. Sin embargo, para una aplicación en entornos reales sería conveniente ampliar el conjunto de datos y realizar pruebas bajo diferentes condiciones de operación.