Diseño de un modelo de aprendizaje automático para videovigilancia inteligente para la detección automática de armas de fuego enfocado a restaurantes ubicados en el cantón Quito

Resumen

El presente estudio tuvo como objetivo diseñar e implementar un modelo de aprendizaje automático para videovigilancia inteligente, orientado a la detección automática de armas de fuego en restaurantes del cantón Quito, con el propósito de fortalecer la seguridad ciudadana, prevenir incidentes delictivos y aportar evidencia empírica sobre la aplicabilidad de la inteligencia artificial en contextos urbanos. La investigación respondió al incremento sostenido de la delincuencia armada en el país, que ha impactado de manera significativa al sector gastronómico. Frente a la limitada efectividad de los sistemas de videovigilancia tradicionales, se propuso una solución innovadora basada en redes neuronales convolucionales (CNN) y aprendizaje profundo, integrando la arquitectura YOLOv8n, una versión optimizada para detección en tiempo real. El enfoque metodológico fue cuantitativo, aplicativo y descriptivo, sustentado en la medición estadística del desempeño del modelo. Se utilizaron 1.009 imágenes de armas de fuego provenientes de la plataforma Roboflow, procesadas mediante técnicas de aumento de datos y aprendizaje por transferencia, y el modelo fue entrenado en Google Colab Pro aplicando control de sobreajuste (early stopping). Los resultados evidenciaron una precisión del 99,5 %, un recall del 98 % y un mAP@0.5 de 0.987, confirmando su capacidad para identificar armas con alta exactitud y estabilidad operativa. En conclusión, la implementación del modelo YOLOv8n demostró ser una herramienta eficaz y de alto impacto para fortalecer la seguridad en restaurantes, ofreciendo una alternativa tecnológica avanzada que promueve la prevención del delito y la confianza social mediante el uso responsable de la inteligencia artificial.