Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/13982Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Gutiérrez Montor, Mauricio%1249659 | - |
| dc.creator | Gutiérrez Montor, Mauricio%1249659 | - |
| dc.date.accessioned | 2026-09-11T05:50:23Z | - |
| dc.date.available | 2026-09-11T05:50:23Z | - |
| dc.date.issued | 2026-09-02 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/13982 | - |
| dc.description | El robo a transporte de carga es un delito de alta incidencia en México que impacta directamente en la seguridad de los transportistas. En el estado del arte se identificó que la mayoría de los desarrollos basados en inteligencia artificial para detectar o reconocer comportamientos sospechosos asociados a delitos se enfocan en cámaras de videovigilancia fijas, ubicadas dentro o fuera de establecimientos, generalmente bajo condiciones controladas. Otros trabajos procesan secuencias en entornos más desafiantes, como carreteras, donde la cámara es móvil y las condiciones de la escena son variables; sin embargo, estos se orientan principalmente a la detección de accidentes. Ante este panorama, en este trabajo se propuso una arquitectura basada en visión artificial para la detección autónoma de comportamientos sospechosos característicos de robo a transporte de carga, utilizando secuencias de video capturadas desde cámaras móviles de tablero (dashcams) con vista frontal. La solución integra módulos de detección de objetos (OD), seguimiento múltiple de objetos (MOT) y clasificación de series de tiempo (TSC) dentro de un pipeline asíncrono capaz de operar en tiempo real. Para el entrenamiento y evaluación, se construyeron dos conjuntos de datos novedosos: uno compuesto por videos reales extraídos de redes sociales y otro formado por videos sintéticos generados mediante motores gráficos e inteligencia artificial generativa. La evaluación experimental demostró que la combinación del modelo OD YOLO11s, el sistema MOT Deep OC-SORT y el modelo TSC HydraMultiRocket alcanzó una exactitud balanceada de 83.21 % en la clasificación de eventos normales, sospechosos y evidentes. Con ello, el trabajo realizado constituye un componente funcional para el desarrollo futuro de sistemas de alerta proactiva capaces de anticipar y registrar situaciones de riesgo en carretera. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.subject.other | Robo a transporte de carga, comportamientos sospechosos, visión artificial, cámara de tablero, detección de objetos, seguimiento de múltiples objetos, clasificación de series de tiempo multivariantes | es_MX |
| dc.title | Detección de Comportamiento Sospechoso en Videos de Situaciones en Carretera | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | González Franco, Nimrod%327636 | - |
| dc.contributor.director | Fuentes Pacheco, Jorge Alberto%209203 | - |
| dc.folio | 1591 | es_MX |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Centro Nacional de Investigación y Desarrollo Tecnológico | es_MX |
| Appears in Collections: | Tesis de Maestría en Computación | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Mauricio_Gutierrez_Montor_2026.pdf | Tesis | 27.17 MB | Adobe PDF | View/Open |
| MC_Mauricio_Gutierrez_Montor_2026_c.pdf Restricted Access | Cesión de derechos | 449.96 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
