Sistema de reconocimiento de personas usando Deep Learning para el distanciamiento social en ambientes cerrados como medida preventiva contra el COVID 19

Cada vez que el mundo se ve afectado por una pandemia, crea una crisis de salud global inmediata debido a su propagación mortal. El distanciamiento social es la medida clave para controlar la propagación de cualquier pandemia en ausencia de inventos farmacéuticos inmediatos. Motivados por la situación mundial actual debido al COVID-19, la investigación propone implementar un sistema de reconocimiento de personas usando Deep Learning que permite influir en el distanciamiento social en ambientes cerrados contra el COVID 19. Vivimos en la era de los grandes datos, en la que todas las áreas de la ciencia y la industria generan cantidades de datos. Esto nos enfrenta a desafíos sin precedentes en cuanto a su análisis e interpretación. Por esta razón, existe una necesidad urgente de novedosos sistemas de aprendizaje automático y artificial, métodos de inteligencia que pueden ayudar en la utilización de estos datos. Deep Learning describe una familia de algoritmos de aprendizaje en lugar de un solo método que se puede usar para aprender predicciones complejas, modelos, por ejemplo, redes neuronales multicapa con muchas unidades ocultas. En tono llamativo, el aprendizaje profundo se ha aplicado con éxito a varios problemas de aplicación. El sistema de reconocimiento de personas usando Deep Learning para el distanciamiento social fue desarrollado con herramientas tecnológicas de gran impacto: Python para el desarrollo del sistema, Flask para el framework, MySQL para la base de datos, y Tecnologías Deep Learning para el reconocimiento de personas, todas estas desarrolladas y planificadas con la metodología en Cascada. La investigación que se realizó es de tipo explicativo, nivel aplicado y un diseño cuasi experimental. La muestra se compuso por 10 organizaciones entre ellas 2 organizaciones públicas y 8 organizaciones privadas. Los resultados obtenidos confirman que el sistema es factible en un 80%, el algoritmo es confiable con la precisión de los datos en un 70%. Se concluye que según los análisis estadísticos se determinó la fiabilidad del sistema con el coeficiente de Alfa de Cron Bach, con 0.824, siendo este un resultado de fuerte confiabilidad