Prototipo de Modelo de Visión Computacional para la Detección de Sospechas de Robos de Automóviles en los Alrededores de la Universidad del Azuay

Abstract

La seguridad vehicular en los alrededores de los campus universitarios ecuatorianos constituye un problema creciente que los sistemas de videovigilancia tradicionales no logran atender de forma automatizada y preventiva. Los enfoques actuales basados en reconocimiento de matrículas o detección genérica de objetos alcanzan apenas cuatro de cada diez incidentes reales, lo que refleja una sensibilidad inferior al 60% en la clase de robo detectado. Ante esta necesidad, el estudio tuvo como objetivo desarrollar un prototipo de visión computacional basado en modelos YOLO para la detección automática de actividades sospechosas asociadas al robo vehicular en los alrededores de la Universidad del Azuay. Para ello, se construyó manualmente un dataset de 1,364 imágenes anotadas a partir de fuentes públicas y capturas del propio campus. Se evaluaron seis arquitecturas YOLO y se optimizó el mejor modelo mediante validación cruzada Stratified K-Fold (K = 5) en nueve configuraciones, complementándolo con un módulo de tracking con filtro de Kalman, umbral temporal de permanencia y región de interés poligonal configurable. YOLO11s alcanzó un mAP50 máximo de 94.68% (mAP50-95: 62.20%) con coeficientes de variación inferiores al 2.57% entre folds, lo que evidencia un desempeño estable y consistente. En la validación específica del campus, el mAP50 fue de 93.05%, superando al modelo de referencia en 1.84 puntos porcentuales y con una precisión de 91.48%. El sistema opera en hardware local, sin dependencia de la nube, genera alertas diferenciadas y puede adaptarse a nuevas cámaras, consolidándose como una solución escalable para la vigilancia preventiva en instituciones universitarias.