Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing

Vista sencilla de ítem
dc.contributor.advisorGonzález Acevedo, Hernando
dc.contributor.apolounabGonzález Acevedo, Hernando [hernando-gonzalez-acevedo]spa
dc.contributor.authorMadrigal Osorio, David Josué
dc.contributor.cvlacGonzález Acevedo, Hernando [0000544655]spa
dc.contributor.googlescholarGonzález Acevedo, Hernando [es&oi=ao]spa
dc.contributor.orcidGonzález Acevedo, Hernando [0000-0001-6242-3939]spa
dc.contributor.researchgroupGrupo de Investigación Control y Mecatrónica - GICYMspa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2024-06-25T20:08:56Z
dc.date.available2024-06-25T20:08:56Z
dc.date.issued2024-07-25
dc.degree.nameIngeniero Mecatrónicospa
dc.description.abstractEl presente estudio de investigación propone una solución tecnológica innovadora para analizar y clasificar a los clientes de establecimientos de retail. Mediante el uso de técnicas de reconocimiento de imágenes y algoritmos de aprendizaje automático, se capturan y analizan fotografías en tiempo real para identificar el género y la edad de los clientes. Además, se implementa un sistema de análisis de zonas calientes que utiliza cámaras estándar y software avanzado para determinar las áreas de mayor tráfico de clientes dentro de la tienda. La identificación de estas "hot zones" permite a los minoristas optimizar la disposición de productos y las estrategias de marketing basadas en el comportamiento real de los clientes. Este enfoque contribuye al campo del marketing en el sector retail, proporcionando a los directivos herramientas tecnológicas para tomar decisiones informadas y estratégicas. Es importante resaltar que se destaca la importancia de la privacidad y la protección de datos personales, garantizando el uso adecuado de la información obtenida y cumpliendo con todos los requisitos legales y éticos. Igualmente, el término "hot zone" es relevante para describir áreas de alta densidad de tráfico en tiendas minoristas, y su determinación a través del análisis de video permite a los minoristas adaptar sus estrategias de ventas para mejorar la experiencia del cliente y aumentar las ventas.spa
dc.description.abstractenglishThis research study proposes an innovative technological solution to analyze and classify customers in retail establishments. Using image recognition techniques and machine learning algorithms, photographs are captured and analyzed in real time to identify the gender and age of customers. In addition, a hot zone analysis system is implemented that uses standard cameras and advanced software to determine the areas of highest customer traffic within the store. Identifying these “hot zones” allows retailers to optimize product layout and marketing strategies based on actual customer behavior. This approach contributes to the field of retail marketing, providing managers with technological tools to make informed and strategic decisions. It is important to highlight the importance of privacy and personal data protection, ensuring the proper use of the information obtained and complying with all legal and ethical requirements. Likewise, the term “hot zone” is relevant to describe areas of high traffic density in retail stores, and its determination through video analysis allows retailers to adapt their sales strategies to improve customer experience and increase sales.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsINTRODUCCIÓN.................................................................................................... 15 1.3. Objetivos...................................................................................................... 18 1.3.1. Objetivo general..................................................................................... 18 1.3.2. Objetivos específicos ............................................................................. 18 1. MARCO REFERENCIAL ................................................................................. 19 2.1 Estado del Arte.............................................................................................. 19 1.1.1. El retail y las nuevas tecnologías ......................................................... 19 1.1.2. Sistemas de reconocimiento de objetos................................................ 20 1.1.3. Reconocimiento de género y edad ....................................................... 20 1.1.4. Sistema de reconocimiento de mapas de calor ..................................... 21 2.2. Marco Teórico............................................................................................... 21 2.2.1. Sistemas de visión artificial .................................................................. 21 2.2.2. Reconocimiento de imágenes .............................................................. 22 2.2.3. Deep learning y machine learning ........................................................ 23 2.2.4. Redes Neuronales convolucionales...................................................... 24 2.2.5. Modelos pre entrenados...................................................................... 24 2.2.6. Hardware ........................................................................................... 25 2.2.7. Tecnologías actuales .......................................................................... 25 3. Sistema de reconocimiento de Imágenes en Establecimientos de Retail............. 27 3.1 Diseño y Optimización del Algoritmo y Detección de ZONAS de Calor .............. 27 3.1.1 Diseño ................................................................................................... 27 3.1.2 Metodología ........................................................................................... 28 3.1.3 Implementación Práctica ......................................................................... 28 3.1.4 Almacenamiento de Datos....................................................................... 28 3.1.5 Captura de Video.................................................................................... 28 3.1.6 Análisis de Zonas ................................................................................... 29 7 3.1.7 Validación y Evaluación........................................................................... 29 3.2 Implementación de Algoritmos al Sistema Embebido ....................................... 29 3.2.1 Selección y Preparación del Hardware ..................................................... 29 3.2.2 Configuración del Entorno de Desarrollo .................................................. 30 3.2.3 Implementación del Sistema.................................................................... 30 3.2.4 Análisis de Zonas y Evaluación................................................................ 31 3.2.5 Evaluación en Terreno ............................................................................ 31 3.3 Diseño y Optimización del Algoritmo de Reconocimiento de Género ................. 32 3.3.1 Planteamiento del Problema y Objetivos .................................................. 32 3.3.2 Revisión del Estado del Arte.................................................................... 32 3.3.3 Selección de Estrategias Preentrenadas .................................................. 32 3.3.4 Facilidad del Hardware............................................................................ 33 3.3.5 Documentación de la Técnica.................................................................. 33 3.3.6 Uso Eficiente de Recursos ...................................................................... 33 3.3.7. Implementación del Algoritmo................................................................. 33 3.3.8 Optimización del Algoritmo ...................................................................... 34 3.6. Diseño y Optimización del Algoritmo de Reconocimiento de Edad ................... 34 3.6.1 Tendencia de la técnica........................................................................... 34 3.6.2 Facilidad del Hardware............................................................................ 35 3.6.3 Documentación de la técnica................................................................... 35 3.6.4 Uso eficiente de recursos ........................................................................ 35 3.7 Recopilación de Base de Datos...................................................................... 35 3.8 Validación del Funcionamiento del Sistema..................................................... 35 3.9 Resultados en Campo de Operación .............................................................. 35 3.10 Redacción del Libro y Artículo ...................................................................... 36 3.11 Aplicación del sistema de reconocimiento de imágenes en establecimientos de retail................................................................................................................... 36 3.11.1 Ejecución del Proyecto.......................................................................... 39 4.RESULTADOS ..................................................................................................... 65 CONCLUSIONES Y RECOMENDACIONES............................................................. 77 REFERENCIAS BIBLIOGRÁFICAS.......................................................................... 79 ANEXO .................................................................................................................. 82spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/25252
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.publisher.programidIMK-1789
dc.relation.references[1] G. Jiménez-Marín, E. Bellido-Pérez, y Á. López-Cortés, «Marketing Sensorial: El Concepto, Sus Técnicas Y Su Aplicación En El Punto De Venta», Vivat Acad., n.o 148, pp. 121-147, 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/5257/525762355007/html/spa
dc.relation.references[2] M. A. C. Peralta, B. A. A. Salazar, M. G. E. Bravo, A. T. C. Reyes, y K. G. C. Villegas, Segmentación Efectiva de Clientes utilizando R: Técnicas para Administración y Marketing Avanzado: Effective Customer Segmentation using R: Techniques for Advanced Marketing and Management. Editorial Investigativa Latinoamericana (SciELa), 2024.spa
dc.relation.references[3] E. Lara-Lévano, «Sistema de reconocimiento de gestos faciales captados a través de cámaras para analizar el nivel de satisfacción de clientes en restaurantes», Interfases, n.o 012, Art. n.o 012, dic. 2019, doi: 10.26439/interfases2019.n012.4638.spa
dc.relation.references[4] J. M. C. Yáñez y J. Á. T. González, Sistemas de Información Medioambiental. Netbiblo, 2003.spa
dc.relation.references[5] M. Abadi et al., «TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems». arXiv, 16 de marzo de 2016. doi: 10.48550/arXiv.1603.04467.spa
dc.relation.references[6] D. Goleman y C. Cherniss, Inteligencia emocional en el trabajo: Cómo seleccionar y mejorar la inteligencia emocional en individuos, grupos y organizaciones. Editorial Kairós, 2013.spa
dc.relation.references[7] L. L. Arias y J. M. Velasco, Por qué unas tiendas venden y otras no en la era digital: Claves del éxito del New Retail. Libros de Cabecera, 2018.spa
dc.relation.references[8] V. Shankar, «How Artificial Intelligence (AI) is Reshaping Retailing», J. Retail., vol. 94, n.o no 4, pp. vi-xi, 2018, Accedido: 3 de junio de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/692d3cabede99109e1aebcea4fa97ac5/1?pqorigsite=gscholar&cbl=41988spa
dc.relation.references[9] L. Gartland, Ilhas de calor: como mitigar zonas de calor em áreas urbanas. Oficina de Textos, 2011spa
dc.relation.references[10] M. V. FULGENCIO JOSE y R. R. FERNANDO, Comercio electrónico. Ediciones Paraninfo, S.A., 2016.spa
dc.relation.references[11] A. Dhomne, R. Kumar, y V. Bhan, «Gender Recognition Through Face Using Deep Learning», Procedia Comput. Sci., vol. 132, pp. 2-10, ene. 2018, doi: 10.1016/j.procs.2018.05.053.spa
dc.relation.references[12] E. C. Pere y J. V. Pasola, Tecnología e innovación en la empresa. Univ. Politèc. de Catalunya, 2009.spa
dc.relation.references[13] M. A. Resources Information, Machine Learning: Concepts, Methodologies, Tools and Applications: Concepts, Methodologies, Tools and Applications. IGI Global, 2011spa
dc.relation.references[14] M. Mehul, H. Kant Kamal, M. Gaurav, y S. Paawan, Machine Learning and Deep Learning in Real-Time Applications. IGI Global, 2020.spa
dc.relation.references[15] F. Sabry, Detección de objetos: Avances, aplicaciones y algoritmos. One Billion Knowledgeable, 2024.spa
dc.relation.references[16] H. Wayne, H. Zhang, M. Fengchun, R. Huang, y UNESCO, Inteligencia artificial y educación: Guía para las personas a cargo de formular políticas. UNESCO Publishing, 2021.spa
dc.relation.references[17] K. J. Sousa y E. Oz, Administración de los sistemas de información. Cengage Learning, 2016.spa
dc.relation.references[18] P. JULIÁN, Circuitos Integrados Digitales CMOS - Análisis y Diseño. Alfaomega Grupo Editor, 2016spa
dc.relation.references[19] V. Morabito, Big Data and Analytics: Strategic and Organizational Impacts. Springer, 2015.spa
dc.relation.references[20] People Counters, «People Counters | NVR | Software | OP Retail». Accedido: 22 de junio de 2024. [En línea]. Disponible en: https://www.opretail.com/product/peoplecounterspa
dc.relation.references[21] J. E. Hillman, The Digital Silk Road: China’s Quest to Wire the World and Win the Future. Profile Books, 2021.spa
dc.relation.references[22] K. E. Kendall y J. E. Kendall, Análisis y diseño de sistemas. Pearson Educación, 2005.spa
dc.relation.references[23] M. Q. Hernández, Tecnologías de la información geográfica (TIG): cartografía, fotointerpretación, teledetección y SIG. Universidad de Salamanca, 2011.spa
dc.relation.references[24] E. M. Martinoia, Trading algorítmico: La transformación digital de los mercados. Editorial Autores de Argentina, 2023.spa
dc.relation.references[25] M. B. Ahmed, A. A. Boudhir, R. E. Meouche, y İ. R. Karaș, Innovations in Smart Cities Applications Volume 7: The Proceedings of the 8th International Conference on Smart City Applications, Volume 1. Springer Nature, 2024.spa
dc.relation.references[26] P. F. DAVID y G. T. RAFAEL, Técnicas básicas de merchandising. Ediciones Paraninfo, S.A., 2017.spa
dc.relation.references[27] V. G Juan et al., Aplicaciones de investigación de operaciones en sistemas de salud en Colombia. Editorial Pontificia Universidad Javeriana, 2020.spa
dc.relation.references[28] H. Andrade, S. Sinche, y P. Hidalgo, «Modelo para detectar el uso correcto de mascarillas en tiempo real utilizando redes neuronales convolucionales», Rev. Investig. En Tecnol. Inf., vol. 9, pp. 111-120, ene. 2021, doi: 10.36825/RITI.09.17.011.spa
dc.relation.references[29] «Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación». Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://uvadoc.uva.es/handle/10324/37823spa
dc.relation.references[30] Á. Artola Moreno, «Clasificación de imágenes usando redes neuronales convolucionales en Python», 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://idus.us.es/handle/11441/89506spa
dc.relation.references[31] Z. Hu, Y. Xing, C. Lv, P. Hang, y J. Liu, Deep Convolutional Neural Network-based Bernoulli Heatmap for Head Pose Estimation. 2020.spa
dc.relation.references[32] D. Delgado Aviles y M. Muñoz Suárez, «Impacto del merchandising visual en las decisiones de compra del consumidor en el punto de venta», 593 Digit. Publ. CEIT, vol. 6, n.o 6, pp. 535-548, 2021, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=8149636spa
dc.relation.references[33] A. G. Howard et al., «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications», arXiv.org. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://arxiv.org/abs/1704.04861v1spa
dc.relation.references[34] «Machine Learning y Deep Learning. Usando python, scikit y keras - Ediciones de la U - Librería - Compra ahora», Ediciones de la U. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://edicionesdelau.com/producto/machine-learning-ydeep-learning-usando-python-scikit-y-keras/spa
dc.relation.references[35] F. Gong, Y. Ma, P. Zheng, y T. Song, «A deep model method for recognizing activities of workers on offshore drilling platform by multistage convolutional pose machine», J. Loss Prev. Process Ind., vol. 64, p. 104043, mar. 2020, doi: 10.1016/j.jlp.2020.104043.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsMarketingspa
dc.subject.keywordsDecision makingspa
dc.subject.keywordsImage recognition systemspa
dc.subject.keywordsRetail establishmentsspa
dc.subject.keywordsNeural networks (Computers)spa
dc.subject.keywordsAlgorithmsspa
dc.subject.keywordsMachine learningspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsData warehousingspa
dc.subject.lembMecatrónicaspa
dc.subject.lembRedes neuronales (Computadores)spa
dc.subject.lembAlgoritmosspa
dc.subject.lembAprendizaje automático (Inteligencia artificial)spa
dc.subject.lembInteligencia artificialspa
dc.subject.lembAlmacenamiento de datosspa
dc.subject.proposalToma de decisionesspa
dc.subject.proposalSistema de reconocimiento de imágenesspa
dc.subject.proposalEstablecimientos minoristasspa
dc.titleDiseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketingspa
dc.title.translatedDesign of an image recognition system applied to retail establishments for the classification of customers (gender, age, heat zones) in order to support managers in making marketing decisionsspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
Tesis.pdf
Tamaño:
2.76 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
Licencia.pdf
Tamaño:
308.27 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería Mecatrónica
Grupo de Investigación Control y Mecatrónica - GICYM