| Revista: | Latin-American Journal of Computing (LAJC) |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000448819 |
| ISSN: | 1390-9134 |
| Autores: | Burbano, Danilo |
| Año: | 2015 |
| Volumen: | 2 |
| Número: | 1 |
| Paginación: | 45-53 |
| País: | Ecuador |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | There is not discussion about the need of energy conservation, it is well known that energy resources are limited moreover the global energy demands will double by the end of 2030, which certainly will bring implications on the environment and hence to all of us.Non-Intrusive load monitoring (NILM) is the process of recognize electrical devices and its energy consumption based on whole home electric signals, where this aggregated load data is acquired from a single point of measurement outside the household. The aim of this approach is to get optimal energy consumption and avoid energy wastage. Intrusive load monitoring (ILM) is the process of identify and locate single devices through the use of sensing systems to support control, monitor and intervention of such devices. The aim of this approach is to offer a base for the development of important applications for remote and automatic intervention of energy consumption inside buildings and homes as well. Appliance discerns can be tackled using approaches from data mining and machine learning, finding out the techniques thatfit the best this requirements, is a key factor for achieving feasible and suitable appliance load monitoring solutions. This paper presents common and interesting methods used.Privacy concerns have been one of the bigger obstacles for implementing a widespread adoption of these solutions.The implementation of security over these approaches along with fine-grained energy monitoring would lead to a better public agreement of these solutions and hence a faster adoption of such approaches |
| Resumen en inglés | La detección y predicción de la somnolencia es clave para la implementación de vehículos inteligentes destinados a prevenir accidentes en carreteras. Existen varios enfoques para crear este tipo de vehículos. En este artículo se analiza el enfoque de visión por computador, donde dispositivos embebidos son usados conjuntamente con técnicas de aprendizaje automático (i.e. inteligencia artificial) y reconocimiento de patrones para implementar soluciones para la detección del nivel de fatiga de un conductor de un vehículo. La mayora de investigaciones en este campo basados en visión por computador se enfocan en el análisis del parpadeo de los ojos del conductor, esta solución combinada con patrones adicionales como el reconocimiento del bostezo o el movimiento de cabeza constituye ser una solución bastante eficiente. El primer paso en este enfoque es el reconocimiento del rostro, para lo cual el uso del algoritmo AdaBoost muestra resultados precisos en el proceso de extracción de características, mientras para la detección de somnolencia el uso de clasificadores como el Support Vector Machine (SVM) muestra también resultados precisos.Un componente básico en la tecnología de visión por computador es el uso de una base de datos de imágenes espontaneas acorde al Facial Action Coding System (FACS), con la cual el clasificador puede ser entrenado. Este artículo presenta un prototipo sencillo para detección de somnolencia, en el cual el método de Viola-Jones es utilizado para el reconocimiento de rostros y un clasificador tipo cascada es usado para la detección de ojos cerrados en una secuencia continua de imágenes lo que constituye un indicador de somnolencia |
| Disciplinas: | Ciencias de la computación, Ingeniería |
| Palabras clave: | Procesamiento de datos, Ingeniería eléctrica, Aprendizaje de máquinas, Monitoreo no invasivo de carga, Sensores, Algoritmos |
| Keyword: | Data processing, Electrical engineering, Machine learning, Non-invasive load monitoring, Sensors, Algorithms |
| Texto completo: | https://lajc.epn.edu.ec/index.php/LAJC/article/view/65/45 |
