Development of a Firearms and Target Weapons Recognition and Alerting System Applying Artificial Intelligence
Keywords:
Deep learning, convolutional neural networks, algorithm, YOLOAbstract
Nowadays, surveillance systems that make use of security cameras are indispensable to ensure the protection and security of companies and organizational entities. These systems operate through monitoring by trained individuals. The progress of a system that uses artificial intelligence to identify and recognize firearms and knives is based on the implementation of machine learning techniques and real-time image and video analysis. The main goal is to increase public safety by accurately and quickly detecting the presence of weapons in various environments. The purpose of this research is to improve public safety through the early detection of threats and more effective responses by security forces. To achieve this, convolutional neural networks have been used. During the development of the system, a database has been created using images and videos containing firearms or knives, based on the "You Only Look Once" (YOLO) algorithm, particularly YOLOv5s.
References
J A Hidalgo, E. (2012). Sistema cctv (circuito cerrado de televisión) entre edificios, para la seguridad y vigilancia en el aeropuerto internacional cotopaxi. Universidad Técnica de Ambato.
R. K. Tiwari and G. K. Verma, “A Computer Vision based Framework for Visual Gun Detection Using Harris Interest Point Detector,” Procedia., vol. 54, pp. 703– 712, 2015.
Jain, Harsh y Vikram, Aditya y Mohana, Mohana y Kashyap, Ankit y Jain, Ayush. (2020). Detección de Armas usando Inteligencia Artificial y Aprendizaje Profundo para Aplica- ciones de Seguridad. 193-198. 10.1109/ICESC48915.2020.9155832.
GF Shidik, E. Noersasongko, A. Nugraha, PN Andono, J. Jumanto y EJ y Kusuma, ''Una revisión sistemática de la videovigilancia de inteligencia: tendencias, técnicas, marcos y con- juntos de datos''. Acceso IEEE, vol. 7,págs. 457–473, 2019.
Lai, Y. L., Sheu, C. J., & Lu, Y. F. (2019). El esquema de circuito cerrado de televisión monitoreado por la policía realmente importa en la reducción del crimen, 63(1), 101-134. doi:10.1177/0306624X18780101.
Redmon et al., Solo se mira una vez: Detección unificada de objetos en tiempo real. IEEE CVPR, 2016.
D. Schuller y BW Schuller, "La era de la inteligencia emocional artificial", Computadora IEEE, vol.51, número 9, pp. 38-46, septiembre de 2018.
S. Narejo, B. Pandey, C. Rodríguez, MR Anjum et al., “Detección de armas usando yolo v3 para sistema de vigilancia inteligente,”Problemas Matemáticos en Ingeniería, vol. 2021, 2021.
Elmir, Yourssef, Sid Ahmed Laouar y Larbi Hamdaoui. “Aprendizaje profundo para la de- tección automática de pistolas en secuencias de video”.JERI.2019.
ST Ratnaparkhi, A. Tandasi y S. Saraswat, "Detección y reconocimiento de rostros para el sistema de identificación de delincuentes", 202111.ª (Confluence), 2021, págs. 773-777, doi :10.1109/Confluence51648.2021.9377205.
Alex Krizhevsky, Ilya Sutskever and Geoffrey E. Hinton. 2012. Clasificación de ImageNet con redes neuronales convolucionales profundas. En Actas de la 25.ª Conferencia Internacional sobre Sistemas de Procesamiento de Información Neural - Volumen 1 (NIPS'12). Curran Associates Inc., Red Hook, Nueva York, EE. UU., 1097–1105.
GF Shidik, E. Noersasongko, A. Nugraha, PN Andono, J. Jumanto y EJ Kusuma, "Una re- visión sistemática de la videovigilancia de inteligencia: tendencias, técnicas, marcos, (CCECE) pp. 1-6, abril de 2012 y conjuntos de datos", en IEEE Access, vol. 7, págs. 170457-170473, 2019, doi: 10.1109/ACCESS.2019.2955387.
R. Girshick, J. Donahue, T. Darrell y J. Malik, "Jerarquías de características ricas para la detección precisa de objetos y la segmentación semántica", IEEE, págs. 580–587, 2014.PyTorch, “YOLOv5”
U. Nepal y H. Eslamiat, "Comparación de yolov3, yolov4 y yolov5 para la detección autó- noma de puntos de aterrizaje en vehículos aéreos no tripulados defectuosos" Sensores, vol. 22, núm. 2, pág. 464, 2022.
Rothe, Rasmus y Guillaumin, Matthieu y Van Gool, Luc. (2015). Supresión no máxima para la detección de objetos al pasar mensajes entre ventanas. LNC. 9003.10.1007/978-3-319- 16865-4_19.
Zhao, Z., Zheng, P., Xu, S., & Wu, X. (2019). Detección de objetos con aprendizaje pro- fundo: una revisión. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212-3232. doi: 10.1109/TNNLS.2018.2876865.
P. Kapica, “Implementing YOLO v3 in Tensorflow (TF-Slim) – ITNEXT,” 2018. [Online]. Available: https://itnext.io/implementing-yolo-v3-in- tensorflow-tf-slim-c3c55ff59dbe. [Accessed: 13-Dec-2018]
G. J. Caiza and M. V. García, “Implementación de sistemas distribuidos de bajo costo bajo norma IEC-61499, en la estación de clasificación y manipulación del MPS 500,” Ingenius, vol. 18, pp. 40–46, 2017, doi: 10.17163/ings.n18.2017.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Jhonny Jimenez, Jhonatan Toscano, William Oñate, Gustavo Caiza
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
License Terms:
Except where otherwise noted, content on this website is lincesed under a Creative Commons Attribution Non-Commercial License (CC BY NC)
Use, distribution and reproduction in any medium, provided the original work is properly cited and is not used for commercial purposes, is permitted.
Copyright to any article published by WiPiEC retained by the author(s). Authors grant WiPiEC Journal a license to publish the article and identify itself as the original publisher. Authors also grant any third party the right to use the article freely as long as it is not used for commercial purposes and its original authors, citation details, and publisher are identified, in accordance with CC BY NC license. Fore more information on license terms, click here.