Sistema de visión artificial para la sumarización de videos de seguridad basado en redes neuronales artificiales

Abstract

En el contexto de la videovigilancia contemporánea, la revisión manual de extensos volúmenes de grabaciones resultó ineficaz y demandó soluciones automáticas para procesar datos masivos. El objetivo de este estudio fue desarrollar y validar un sistema de visión artificial capaz de resumir grabaciones y conservar solo los eventos relevantes para la seguridad. La metodología consistió en establecer una línea base con arquitecturas convolucionales de referencia, particularmente ResNet-50 y MobileNetV2, a fin de medir el rendimiento inicial. Posteriormente, se implementó un modelo basado en arquitectura Transformer, entrenado y ajustado progresivamente con los conjuntos de datos UCF-Crime y CAVIAR, y su desempeño fue evaluado mediante un análisis estadístico de varianza que aseguró la significancia de las diferencias observadas. Los resultados mostraron que el modelo Transformer alcanzó una exactitud de validación superior al 99 %, superando de manera significativa el 92 % obtenido por ResNet-50, además de lograr tasas de procesamiento que excedieron el tiempo real. En conclusión, el sistema propuesto demostró alta precisión y eficiencia operativa, redujo de forma sustancial la necesidad de auditoría manual, disminuyó las falsas alarmas y permitió que el personal de seguridad concentrara su atención en incidentes críticos, consolidándose como una solución robusta y escalable para entornos de protección actual.