Resumen:
La presente investigación se enfoca en desarrollar un sistema de monitorización remoto inteligente
para cualquier tipo de vehículo, mediante la combinación del Internet de las cosas (IoT) y Redes
Neuronales, debido a que existen altos índices de robos a automotores en el territorio local y nacional
generando pérdidas económicas a sus propietarios.
Por tales motivos, se implementa una red neuronal artificial, y se la entrena en la plataforma “Google
Colab” ya que permite programar y ejecutar el software libre Python sin necesidad de realizar alguna
configuración. Dicha red neuronal se encargará de predecir si el vehículo sale de su área de recorrido
habitual previamente configurada, en caso de salir de su zona se enviará una alarma al propietario.
Además, se requiere de un módulo SIM808 (GPS/GSM/GPRS), el cual permitirá obtener las
coordenadas en tiempo real y enviar las mismas a través del sistema global para las comunicaciones
móviles (GSM) a un dispositivo móvil y a su vez, recibir comandos de control por parte del propietario
para detener el automotor.
El sistema permite que los propios dueños de los vehículos puedan tener acceso a la ubicación del
mismo a través del módulo GPS sin intermediarios, el cual emitirá las coordenadas al teléfono del
propietario por medio de la red celular además, de contar con un sistema de batería de respaldo, en
caso de que se corte los cables de alimentación de la batería del automotor, lo cual permite mantener
todo el tiempo monitoreado un vehículo así como proceder de manera inmediata al propietario
conjuntamente con la policía ante cualquier tipo de robo.
Al combinar las redes neuronales e IoT se abre camino para próximas investigaciones y desarrollo de
nuevas tendencias, ya que estas tecnologías tienen un amplio campo de aplicaciones y siguen en
constante crecimiento científico y experimental, además de aportar a empresas públicas, privadas o
personas naturales con un sistema de monitorización autónomo para su flota de vehículos, económico
y de bajo consumo energético. Así mismo, contribuir con la seguridad y reducir los datos estadísticos
de robo de automotores en el país.
Descripción:
This research focuses on developing an intelligent remote monitoring system
for any type of vehicle, through the combination of the Internet of Things (IoT) and Networks
Neuronal, because there are high rates of car theft in the local and national territory
generating economic losses to their owners.
For these reasons, an artificial neural network is implemented, and it is trained on the platform "Google
Colab” since it allows programming and executing Python free software without the need to carry out any
setting. Said neural network will be in charge of predicting if the vehicle leaves its travel area
previously configured, if you leave your area an alarm will be sent to the owner.
In addition, a SIM808 module (GPS/GSM/GPRS) is required, which will allow obtaining the
coordinates in real time and send them through the global system for communications
(GSM) to a mobile device and in turn, receive control commands from the owner
to stop the car.
The system allows the owners of the vehicles to have access to the location of the
same through the GPS module without intermediaries, which will issue the coordinates to the phone of the
owner through the cellular network in addition to having a backup battery system, in
event that the power cables of the automotive battery are cut, which allows to maintain
all the time monitored a vehicle as well as proceed immediately to the owner
together with the police in case of any type of theft.
Combining neural networks and IoT paves the way for further research and development of
new trends, since these technologies have a wide field of applications and are still in
constant scientific and experimental growth, in addition to contributing to public, private or
natural persons with an autonomous monitoring system for their vehicle fleet, economical
and low energy consumption. Likewise, contribute to security and reduce statistical data
car theft in the country.
Excepto si se señala otra cosa, la licencia del ítem se describe como openAccess