REVISTA TIA

Tecnología, Investigación y Academia -Red Avanzada – RITA

Publicación Facultad de Ingeniería y Red de Investigaciones de Tecnología

Prototipo para la detección de rostros utilizando el

lenguaje de programación Python

Prototype for face detection using the Python programming language

Herrera Ardila, Juan Camilo 1 . Roncancio Peña, Cristian Camilo23

Citar este documento:

Herrera-Ardila, Juan Camilo; Roncancio-Peña, Cristian Camilo. Tecnología de registro distribuido

(DLT): Características y escenarios de aplicación. Revista [Link] TIA, ISSN: 2344-8288,
Volumen 10, Número , pp. 200-210. Bogotá-Colombia.

1 Ingeniero de sistemas, Universidad Distrital Francisco José de Caldas, juankmiloh@[Link] [Link]

00034804-3387 . Bogotá-Colombia
2 Ingeniero de sistemas – Fundación Universitaria Konrad Lorenz, cristancho93@[Link]. [Link]
3 . Bogotá-Colombia
Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

200
 Resumen

El objetivo principal de este artículo es la implementación en Python de un prototipo de un sistema de

reconocimiento facial usando machine learning, para lograrlo se deberán tratar algunos temas relacionados con
la inteligencia artificial y el impacto que ha tenido el desarrollo de estas tecnologías a nivel mundial, siendo
implementadas en muchos campos como la medicina, la seguridad en los aeropuertos entre otras aplicaciones
que han mejorado la calidad de vida de las personas.

Palabras Clave: Inteligencia artificial (IA), aprendizaje automático, reconocimiento facial, Python, keras

Abstract
The main objective of this article is the implementation in python of a prototype of a facial recognition system
using machine learning, to achieve this, some issues related to artificial intelligence and the impact that the
reflexión

development of these technologies have had worldwide must be addressed, being implemented in many fields
such as medicine, airport security among other applications that have improved the quality of life of people.

Key Words: Artificial intelligence (AI), automatic learning, facial recognition, Python, keras

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

 I. Introducción

Este documento provee una explicación de los conceptos básicos de inteligencia artificial y de los aportes que
han realizado estas tecnologías al mundo, dentro del artículo se mostrará un ejemplo sencillo de un algoritmo de
reconocimiento facial haciendo uso de algunas herramientas utilizadas para la programación de este tipo de
algoritmos explicando paso a paso el código fuente utilizado y mostrando cuál será el resultado esperado.

II. Contenido

Dentro de este apartado se definen algunos de los conceptos más importantes a tener en cuenta al momento de
hablar sobre inteligencia artificial.

1. Aprendizaje automático

El aprendizaje automático (en inglés machine learning) es uno de los conceptos principales de la inteligencia
artificial. Ya que este aspecto de la informática se enfoca en que los computadores o máquinas tengan una
capacidad de aprendizaje autónomo sin estar programados para realizar la ejecución de alguna tarea en
específico. Este aprendizaje es un gran avance en el mundo de la tecnología ya que hacia la década de 1980 los
primeros ordenadores fueron explícitamente programados para cumplir una única tarea.
Por el contrario, hoy día gracias al aprendizaje automático muchos dispositivos que utilizamos diariamente
cuentan con algoritmos de aprendizaje autónomo sencillos pero muy útiles enfocados a ofrecer una mejor
experiencia a los usuarios de forma personalizada. como ejemplo se puede tomar la red social Facebook o los
resultados del motor de búsqueda más grande del mudo Google. También se puede observar en nuestro correo
electrónico al momento de ver los emails que han sido marcados como spam, este es un algoritmos que a
través de la recolección de datos (intereses particulares de cada usuario) ha desarrollado la capacidad de
decidir qué información puede ser o no de nuestro interés, adicionalmente también está pre entrenado para
detectar qué mensajes son de fuentes seguras o no, este es un ejemplo muy sencillo de cómo los algoritmos de
aprendizaje autónomo pueden ser utilizados. Dentro del concepto de aprendizaje automático se encuentran
unas subcategorías que se definirán a continuación:
Aprendizaje automático

Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje de refuerzo

Figura 1: Tipos de aprendizaje profundo. Fuente: Realizada por el autor

a) Aprendizaje supervisado

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

202
Estos algoritmos utilizan datos que ya han sido previamente organizados para indicarle cómo tendría que ser
categorizada la nueva información, dependiendo siempre de la intervención humana para recibir una
retroalimentación, un ejemplo sencillo puede ser enseñar al algoritmo fotografías donde aparece un vehículo en
específico, para luego identificar imágenes donde aparezca este vehículo.

b) Aprendizaje no supervisado

Estos algoritmos no necesitan recibir la información previamente organizada o categorizada ya que son capaces
de aprender de manera autónoma la forma de realizar esta tarea, de esta forma se evita la intervención humana
ya que plantean los posible problemas y soluciones al desarrollar determinada tarea.

c) Aprendizaje de refuerzo

Estos algoritmos aprenden a través de la experiencia y se les debe dar un “incentivos positivos” por cada acierto
que tienen, por ejemplo, cuando se premia a un perro cuando éste aprende a sentarse.

2. Código abierto

El código abierto es un modelo de desarrollo de software colaborativo, el cual permite a toda la comunidad de
programadores a nivel mundial compartir sus códigos fuentes y de esta forma generalizar un conocimiento
obtenido, y fortaleciendo cada vez más esta comunidad. También se refiere a open source a la adquisición de
software gratuito sin necesidad de realizar la compra de licencias o suscripciones, para solventar alguna
necesidad.

Figura 2: Logotipo del código abierto. Fuente: [Link]

3. Robótica

La robótica es una rama que está compuesta por varias disciplinas de la ingeniería como lo son la ingeniería
mecánica, electrónica, mecánica y ciencias de la computación. Su objetivo es construir una herramienta que

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

permita el desarrollo de diversas actividades que actualmente realiza un ser humano, ejecutando estas tareas
acertada y rápida. La robótica tiene un campo de aplicación muy amplio ya que es utilizada desde la medicina
hasta la exploración de nuevos planetas en las incursiones espaciales, y mejorando la calidad de vida de las
personas que tienen alguna limitación física.

Figura 3 Mano robótica de Shadow Robot Company

Fuente: [Link]

4. Redes neuronales

Las redes neuronales son sistemas de procesamiento de la información cuyo diseño y funcionamiento están
inspirados en el cerebro humano. Están compuestas por un gran número de elementos simples llamados nodos
o neuronas las cuales se están comunicando entre sí de manera constante a través de los enlaces de comunicación,
cada una con un peso. El peso representa la información que será usada por la red neuronal para resolver un
problema en específico.

De esta forma las redes neuronales son sistemas adaptativos capaces de aprender a resolver problemas a través
de la experiencia, esto debido a que aprenden a desarrollar ciertas tareas con ejemplos [Link] el
entrenamiento o aprendizaje, las redes neuronales crean su propia representación de problemas a nivel interno,
por esta razón se dice que son auto organizadas. Las redes neuronales se utilizan para resolver una gran cantidad
de problemas que desde la programación convencional no sería sencillo resolver, tales como el reconocimiento
por voz con el que los teléfonos inteligentes cuentan hoy día, que bajo un comando de activación y una orden
por voz se pueden ejecutar tareas como la de leer o escribir mensajes de texto o de WhatsApp, llamar a una
persona entre muchas otras funcionalidades.

Actualmente se están llevando a cabo nuevas investigaciones sobre el cerebro humano con la finalidad de ampliar
y potenciar las capacidades de una red neuronal, centrándose en crear nuevas conexiones neuronales entre estas
redes haciendo que estos enlaces estén mejor estructurados permitiendo un mejor intercambio de información
de forma más rápida y segura. [3]
Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

204
 Figura 4 Ejemplo de red neuronal Fuente: [Link]
porlasredes-neuronales-artificiales-con-dos-capas_fig2_300005515

5. Deep learning

Deep learning conocido en español como aprendizaje profundo son aquellas técnicas de aprendizaje automático
que hacen uso de la arquitectura de redes neuronales pre entrenadas. El concepto profundo (Deep) viene de la
gran cantidad de capas que pueden ser aplicadas con estas técnicas de trabajo, dado que las redes neuronales
convencionales trabajan únicamente con una capa. El Deep learning es un aspecto de la inteligencia artificial
que se encarga de simular los métodos de aprendizaje que utilizamos los seres humanos para obtener o generar
un tipo de conocimiento. Esto se puede considerar como la automatización de un análisis predictivo. [3]

III. Trabajos realizados con IA

Existen en los últimos años una importante cantidad de trabajos realizados haciendo uso de sistemas con
inteligencia artificial, entre ellos se encuentran:

a) Uberflip

Es una plataforma de content marketing que utiliza inteligencia artificial para personalizar la experiencia de
contenidos y agilizar el ciclo de venta. Permite entender mejor a cada cliente potencial y predecir qué tipo de
contenidos y temas le pueden interesar. Esta herramienta brinda recomendaciones de contenido en el momento
correcto, con el formato correcto y dirigidas a la audiencia correcta. Estas recomendaciones se muestran justo
en el punto donde es más probable que sean consultadas por el cliente potencial.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

No se trata de ofrecer los típicos “artículos recientes” o “artículos populares”, sino más bien de recomendar un
contenido que contribuya a que el visitante se convierta en lead o cliente potencial al brindar su información de
contacto y avance por sí mismo el proceso de decisión de compra. De esta forma, la conversión será mayor. [16]

b) Articoolo

Es una aplicación de inteligencia artificial aplicada a la generación de contenidos en la cual su algoritmo

inteligente crea contenido único y de calidad al simular la manera en que lo haría un cerebro humano. El proceso
es simple: primero, se pone el título que se quiere para un post, por ejemplo: “Los mejores libros de superación
personal y autoayuda”. A partir del título, la aplicación entenderá el contexto del tema y buscará, en este caso,
los mejores recursos de superación personal extrayendo el sentimiento que le ponen y sus palabras clave. Con
esto, construirá todo en una pieza coherente de contenido. Finalmente, lo escribirá usando programación
neurolingüística para verificar que tenga una semántica correcta y sea legible. Lo más impresionante de todo es
que se obtendrá un artículo único y coherente en tan solo un par de minutos. Cabe aclarar que esta herramienta
no duplica ni plagia otros contenidos. [17]
c) Cortex

Es una aplicación de inteligencia artificial que se enfoca en mejorar el aspecto visual de las imágenes y vídeos
de los posts en redes sociales con el objetivo de generar más interacción y puedan volverse virales. Básicamente,
usa datos e insights para automatizar la creación de fotos y vídeos que den mejores resultados. Esta herramienta
permite generar hallazgos como qué lenguaje visual utilizar, cómo deben ser las imágenes, qué tipo de fotos
publicar, qué hashtags usar, qué tendencias resuenan más con el mercado meta, cómo distinguirse de la
competencia, qué colores y qué mensajes utilizar. [18]

d) Adext AI

Es una plataforma dinámica de optimización de audiencias que encuentra las mejores audiencias para anuncios
en Google, YouTube, Instagram y Facebook. Asigna de forma autónoma presupuesto a las copias o clones que
hace de los anuncios ya existentes para explorar diferentes audiencias y, de acuerdo con los resultados, ajusta el
presupuesto canalizando hacia aquellas que tengan la mayor tasa de conversión. Esta plataforma utiliza machine
learning para detectar patrones de éxito y aprender con el tiempo qué audiencias son más redituables. También
se nutre de big data de otras campañas para predecir tendencias. Aunque Google y Facebook Ads como tal ya
utilizan aprendizaje automático e inteligencia artificial, una herramienta como Adext AI puede administrar
inteligentemente los presupuestos entre ambas plataformas y combinar los hallazgos entre una y otra. [19]

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

206
e) Node

Es una aplicación de inteligencia artificial enfocada en la generación de clientes potenciales. Ofrece a los equipos
de marketing y ventas una guía para identificar sus mercados y acelerar sus ganancias. Su inteligencia artificial
puede sumergirse en montones de datos para encontrar al cliente potencial ideal teniendo en cuenta la
información que ha recopilado hasta el momento. Es así como predice y califica cuán perfilado y preparado está
el cliente potencial. Esto último es algo que puede ahorrar enormes cantidades de tiempo y energía a las empresas
B2B

Los hallazgos accionables que brinda esta aplicación dan respuesta a las incógnitas sobre a quién contactar
primero, qué decirle y cuándo decirlo para cerrar más ventas. En este sentido, Node ayuda a priorizar y
personalizar la comunicación, aspectos que se traducen en una mayor tasa conversión cliente potencial-cliente.
Esto se logra a través de su tecnología avanzada de inteligencia artificial, encuentra la conexión entre gente,
compañías, productos y lugares en la web. Y, utilizando machine learning, busca dentro de estas conexiones
para encontrar y definir el contexto y unirlas entre sí. Después, usa el procesamiento del lenguaje natural para
analizar los principales atributos de un comprador perteneciente al mercado objetivo, y mediante aprendizaje
profundo (Deep Learning) entrega proactivamente personas e información relevante para la [Link],
los resultados de sus hallazgos son enviados de vuelta a sus algoritmos de inteligencia artificial para facilitar el
aprendizaje constante y continuamente mejorar las recomendaciones. [20].

f) Chatbot Liveperson

Los chatbots que utilizan inteligencia artificial son una versión más avanzada de chatbots porque, estos hablan
realmente como humanos y sus respuestas son muy acertadas y congruentes. Esto hace que la interacción con
estos tipos de chat tenga mayor probabilidad de conversación. Liveperson es una plataforma conversacional
impulsada por inteligencia artificial que hace fácil para los consumidores obtener respuestas sobre los productos
que desean comprar dentro de los canales de comunicación que ya usan a diario. Esta aplicación usa inteligencia
artificial para examinar las conversaciones con los clientes, identificar intentos de compra en tiempo real y
ofrecer hallazgos accionables a las marcas para que optimicen rápidamente su comunicación y operaciones
automáticas. [21]

IV. Herramientas necesarias para el prototipo planeado

a) PYTHON

Es un lenguaje de programación interpretado cuya filosofía hace hincapié en la legibilidad de su código. Se trata
de un lenguaje de programación multiparadigma, ya que soporta parcialmente la orientación a objetos,

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

programación imperativa y, en menor medida, programación funcional. Es un lenguaje interpretado, dinámico y
multiplataforma. Posee una licencia de código abierto, y permite la integración de varias librerías para la
implementación de sistemas de inteligencia artificial, las cuales algunas de estas se mencionan a continuación.

b) Keras

Keras es una biblioteca de Redes Neuronales de Código Abierto escrita en Python. Es capaz de ejecutarse sobre
TensorFlow, Microsoft Cognitive Toolkit o Theano. Está especialmente diseñada para posibilitar la
experimentación en más o menos poco tiempo con redes de Aprendizaje Profundo. Sus fuertes se centran en ser
amigable para el usuario, modular y extensible. Keras ha sido concebido para actuar como una interfaz en lugar
de ser un framework de machine learning standalone. Ofrece un conjunto de abstracciones más intuitivas y de
alto nivel haciendo más sencillo el desarrollo de modelos de aprendizaje profundo independientemente del
backend computacional utilizado. [10]

c) TensorFlow
TensorFlow es una plataforma de código abierto de extremo a extremo para el aprendizaje automático. Cuenta
con un ecosistema integral y flexible de herramientas, bibliotecas y recursos de la comunidad que les permite a
los investigadores innovar con el aprendizaje automático y, a los desarrolladores, compilar e implementar con
facilidad aplicaciones con tecnología de Aprendizaje Automático.[8]

Compilación sencilla de modelos: TensorFlow compila y entrena modelos de Aprendizaje Automático con
facilidad mediante API intuitivas y de alto nivel como Keras, con ejecución inmediata, que permite una iteración
de modelos inmediata y una depuración fácil.

Figura 5 Compilación sencilla de modelos Fuente: [Link]

Producción de aprendizaje automático sólido en cualquier parte:

TensorFlow permite entrenar e implementar con facilidad modelos en la nube, locales, en el navegador o en el
dispositivo, sin importar el lenguaje de programación que se esté utilizando.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

208
 Figura 6 Producción AA Fuente: [Link]

Importante experimentación para la investigación: TensorFlow permite adoptar una arquitectura simple
y flexible para llevar las ideas nuevas del concepto al código, a modelos innovadores y a publicaciones con
mayor rapidez.

Figura 7 Experimentación para la investigación Fuente: [Link]

d) Opencv2

OpenCV es una biblioteca libre de visión artificial originalmente desarrollada por Intel. OpenCV significa Open
Computer Vision (Visión Artificial Abierta). Desde que apareció su primera versión alfa en el mes de enero de
1999, se ha utilizado en una gran cantidad de aplicaciones, y hasta 2021 se la sigue mencionando como la
biblioteca más popular de visión artificial. Detección de movimiento, reconocimiento de objetos, reconstrucción
3D a partir de imágenes, son sólo algunos ejemplos de aplicaciones de OpenCV. Su popularidad se debe a:

● Un software libre, publicado bajo licencia BSD, que permite que sea usado libremente para propósitos
comerciales y de investigación.
● Es multiplataforma, para los sistemas operativos GNU/Linux, Mac OS X, Windows y Android, y para diversas
arquitecturas de hardware como x86, x64 (PC), ARM (celulares y Raspberry Pi).
● Posee extensa documentación: la organización tiene una preocupación activa de mantener la documentación
de referencia para desarrolladores lo más completa y actualizada posible, ejemplos de uso de sus funciones y

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

 tutoriales accesibles al público no iniciado en visión artificial, además de difundir y fomentar libros y sitios de
formación.

Figura 9 Ilustración de detección automática de rostro Fuente: Autor

Las áreas de aplicación de OpenCV incluyen:

● Características 2D y 3D
● Estimación de pose de cámara
● Reconocimiento facial
● Reconocimiento de gestos
● Interacción persona-computadora
● Robótica móvil
● Comprensión de movimientos
● Reconocimiento de objetos
● Segmentación
● Estereoscopía
● Structure from motion (SFM)
● Tracking
● Realidad aumentada

OpenCV está totalmente desarrollado en C++, orientado a objetos y con alta eficiencia computacional. Su API
es C++, pero incluye conectores para otros lenguajes como:

● Python
● JAVA

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

210
● Matlab ● Octave
● Javascript

e) Numpy

NumPy es una biblioteca para el lenguaje de programación Python que da soporte para crear vectores y matrices
grandes multidimensionales, junto con una gran colección de funciones matemáticas de alto nivel para operar
con ellas. El precursor de NumPy, Numeric, fue creado originalmente por Jim Hugunin con contribuciones de
varios otros desarrolladores. En 2005, Travis Oliphant creó NumPy incorporando características de la
competencia Numarray en Numeric, con amplias modificaciones. NumPy es un software de código abierto y
cuenta con muchos colaboradores.

Figura 10 Ejemplo de gráfica generada con NUMPY,

Fuente: [Link]

f) Matplotlib

Matplotlib es una biblioteca para la generación de gráficos a partir de datos contenidos en listas o arrays en el lenguaje de
programación Python y su extensión matemática NumPy. Proporciona una API, pylab, diseñada para utilizar con
MATLAB.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

 Figura 11 Ejemplo de grafico generado con Matplotlib Fuente: [Link]
toembedinteractive-python-visualizations-on-your-website-with-python-and-matplotlib/

g) Jupyter

Proyecto Jupyter es una organización sin ánimo de lucro, creada para desarrolladores de código abierto o open
source, esta plataforma soporta 3 lenguajes de programación los cuales están representados en sus iniciales Ju
es Julia, Py es Python y R es lenguaje R

V. Implementación prototipo

a) Detección de rostros

Para la detección de un rostro se debe especificar las áreas de una imagen digital donde se aprecia la cara de una
persona de tal forma que esta cree una silueta del rostro identificado. para llevar a cabo esta tarea se puede usar
un método llamado plantilla el cual es una técnica empleada para detectar objetos dentro de una escena, donde
es representado por formas, en el caso de los rostros se toma como objeto los ojos y la nariz y se utiliza como
una plantilla parametrizada lo cual al interactuar con la imagen de un rostro buscando alguna similitud con los
objetos creados (nariz y ojos), para determinar si es o no la persona correcta.

b) Reconocimiento facial

El reconocimiento facial es una técnica que está basada en la capacidad de un ser humano para identificar rostros
tomando algunas características faciales de una persona como el color de piel, tamaño de los ojos y la nariz, y
sus rasgos únicos. Luego estos datos son comparados en una base datos buscando una similitud de un rostros en
específico dentro de muchos datos.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

212
 c) Aplicación práctica

En este numeral se hará la implementación de un sistema de reconocimiento facial partiendo de la detección de

rostros usando python como lenguaje de programación y librerías como tensorflow y keras.
La librería tensorflow permite utilizar la red convolucional mobilenet herramienta que nos permitirá identificar
rostros. En la librería keras se puede utilizar facenet que es el sistema que hace el reconocimiento facial. Se
utilizará la librería OPENCV para leer / escribir imágenes del disco duro y almacenarlas. Se utilizará la librería
Numpy para hacer cálculos y comparaciones entre los rostros que se han identificado y determinar a qué
persona corresponde, se utilizará matplotlib para dibujar las imágenes que se vayan obteniendo y finalmente se
utilizará la librería Os la cual permitirá leer los datos del disco duro. A continuación, se muestra en detalle el
código donde se cargan las librerías:

IMPORT TENSORFLOW AS TF
FROM [Link] IMPORT LOAD_MODEL
IMPORT CV2
IMPORT NUMPY AS NP
IMPORT [Link] AS PLT
IMPORT OS

Se aclara que el entorno utilizado para el procesamiento del código que se utiliza para esta demostración será
JUPYTER el cual proporciona un entorno pensado para satisfacer necesidades concretas y ajustarse al flujo de
trabajo de la ciencia de datos y la simulación numérica, permitiendo desde una misma interfaz escribir,
documentar y ejecutar código, visualizar datos, realizar cálculos y ver los [Link] se tendrán una
serie de rostros conocidos (rostros de referencia), almacenados dentro del proyecto en una carpeta que se nombra

“knowns” como se muestra a continuación:

Figura 12: Archivos del proyecto señalando carpeta knowns Fuente: Autor

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

 Figura 13 Contenido de la carpeta knowns, Fuente: Autor

La idea principal del desarrollo de este prototipo es solicitarle al sistema que detecte las características esenciales
de estos rostros de referencia ubicados en la carpeta “knowns”. Ahora bien, una vez cargadas las librerías como
se indicó en la imagen 11, se van a crear los directorios de referencia donde se tienen los rostros conocidos,
desconocidos y donde vamos a almacenar los resultados del proceso de detección de rostros.

DIR_KNOWNS = 'knowns'

DIR_UNKNOWNS = 'unknowns'

DIR_RESULTS = 'results'

Ahora se va a leer la información del archivo mobilenet_graph.pb, el cual corresponde a una red convolucionada
que ya está entrenada previamente para detectar rostros en imágenes, esta red neuronal se leerá con ayuda de la
librería TensorFlow. A continuación, se muestra en detalle el código que permite la lectura de la red
convolucional:
# Leer mobilenet_graph.pb with

[Link]('mobilenet_graph.pb','rb') as f:

graph_def = [Link]() graph_def.ParseFromString([Link]()) with [Link]().as_default()

as mobilenet: tf.import_graph_def(graph_def,name='')

Luego de tener cargada la red neuronal se creará una función básica para cargar imágenes donde se utilizará para
tal fin la librería de OpenCV, esta función recibirá como parámetros el directorio de la imagen y el nombre de
la imagen, como se muestra a continuación:
# Cargar imagen def load_image(DIR,

NAME):

return [Link]([Link](f'{DIR}/{name}'), cv2.COLOR_BGR2RGB)

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

214
Ahora se creará la función para detectar rostros la cual recibe como parámetro una imagen y un umbral
(Probabilidad de certeza de que el rostro corresponde al sujeto definido en la carpeta “knowns”). El resultado de
esta función será una lista de imágenes con rostros que se asemejan al rostro del sujeto conocido.
def detect_faces(image, score_threshold=0.7):
global boxes, scores
(imh, imw) = [Link][:-1] img
= np.expand_dims(image,axis=0)
# Inicializar mobilenet
sess = [Link](graph=mobilenet) image_tensor =
mobilenet.get_tensor_by_name('image_tensor:0') boxes =
mobilenet.get_tensor_by_name('detection_boxes:0') scores =
mobilenet.get_tensor_by_name('detection_scores:0') # Predicción
(detección)
(boxes, scores) = [Link]([boxes, scores], feed_dict={image_tensor:img})
# Reajustar tamaños boxes, scores
boxes = [Link](boxes,axis=0)
scores = [Link](scores,axis=0)
# Depurar bounding boxes
idx = [Link](scores>=score_threshold)[0]
# Crear bounding boxes
bboxes = [] for index in idx: ymin,
xmin, ymax, xmax = boxes[index,:]
(left, right, top, bottom) = (xmin*imw, xmax*imw, ymin*imh, ymax*imh)
left, right, top, bottom = int(left), int(right), int(top), int(bottom)
[Link]([left,right,top,bottom]) return bboxes

Ahora se creará una función para dibujar la(s) imagen(es) que retorna la función “detect_faces”, esta función
recibe los siguientes parámetros:
1. Imagen (image)
2. Espacio donde se pintará la imagen (box)
3. Color de la línea que bordeara el rostro identificado (color)
4. Ancho de la línea que bordeará el rostro identificado (line_width), por defecto se colocará en 6

Ahora bien, una vez definidas las funciones para leer las imágenes, detectar rostros y dibujar los rostros que
detecta la red neuronal se procede a ejecutar toda esta definición de código, donde para la ejecución se tomará
como ejemplo la imagen dispuesta en el directorio “knowns”, como se muestra a continuación:

name = 'juan_camilo.jpg'
image = load_image(DIR_UNKNOWNS,name)
bboxes = detect_faces(image) for box in bboxes:
detected_faces = draw_box(image,box,(0,255,0))
fig = [Link](figsize=(10,10))
[Link](detected_faces)

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

Una vez ejecutada la función definida en el script 5 se obtiene el siguiente resultado:

Figura 14 Resultado de la detección de rostros Fuente: Autor

VI. Trabajos futuros

a) Guardias de seguridad

Actualmente se está experimentando con guardias de seguridad robotizados en varios lugares del mundo, entre
los que destaca el guardia de seguridad robotizado K5 de Knightscope, que ha sido utilizado por múltiples
empresas e instituciones, incluyendo la Sociedad para la Prevención de la Crueldad contra los Animales (SPCA),
ubicada en San Francisco, donde existe un robot encargado de disuadir el vandalismo.

El uso de la inteligencia artificial y el aprendizaje de máquinas, cuando se combina con guardias de seguridad
robóticos, podría proporcionar una variedad de beneficios a las autoridades locales, incluyendo imágenes de
video vigilancia de 360 grados que utilizan reconocimiento facial y análisis de comportamiento predicativo, así
como imágenes térmicas, grabación y reconocimiento de voz y RFID de largo alcance.

b) Operativo de call center

Los avances en el procesamiento del lenguaje natural y los sistemas de aprendizaje automático han permitido
recibir una llamada de un robot, algo con lo que todos probablemente ya se ha experimentado y con lo que se ha
familiarizado, y esta tendencia parece que va a continuar en el futuro.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

216
En la actualidad hay muchas empresas en todo el mundo que utilizan asistentes virtuales que funcionan con
máquinas de aprendizaje en sus centros de llamadas y esta tendencia se está adoptando cada vez más.

En algunos casos, investigaciones realizadas por compañías que han introducido operativos de centros de
llamadas con tecnología de inteligencia artificial han demostrado que los clientes prefieren interactuar con robots
de procesamiento de lenguaje natural en lugar de abrirse camino a través de menús y preguntas frecuentes.

c) Taxis

Con el advenimiento de los vehículos autónomos y los coches sin conductor, sin duda vendrá un cambio en la
forma en que utilizamos los servicios de transporte. Es probable que los impulsores humanos sean sustituidos
por sistemas automatizados alimentados por IA que probablemente integren una serie de tecnologías de
vanguardia, como la informática de vanguardia y las redes de comunicaciones inalámbricas 5G. La IA y los taxis
autónomos impulsados por aprendizaje automático no sólo no requerirían un conductor humano, sino que
también podrían utilizar la información de tráfico en vivo y de viaje que se le suministra desde otros vehículos
e infraestructura de transporte, lo que le permitiría determinar la mejor ruta para su cliente.

d) Chef

Una de las sorpresas de la inteligencia artificial y las tecnologías de aprendizaje automático fue la creación del
Chef Watson, que utilizó las tecnologías Watson de IBM. El chef Watson es capaz de generar ideas y recetas de
comidas totalmente nuevas utilizando su amplio conocimiento de los maridajes de alimentos y sabores. [30]. Por
otro lado, encontramos a Flippy, el robot de preparación de comidas de Miso Electronics. Flippy es capaz de
preparar y servir comidas y bocadillos a velocidades mucho más rápidas que los chefs humanos [31]. Con sólo
estos dos ejemplos queda claro que la robótica impulsada por la IA podría hacerse cargo también de nuestras
cocinas.

VII. Conclusiones

La aplicación de la inteligencia artificial es un área de la ingeniería que crea muchas expectativas cuando se
habla de ella, no obstante, la realización de este trabajo nos ha mostrado que este es un tema que se viene
desarrollando desde mucho tiempo atrás y que con el pasar de los años se ha ido mejorando cada vez más.
Aplicado en muchos ámbitos profesionales e incluso de nuestra vida diaria, ya que hoy día en el mercado se

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

 encontran teléfonos inteligentes que cuentan con un sistema de reconocimiento facial para bloquear entre muchas
otras funcionalidades.
Por otro lado, está el surgimiento de las redes neuronales y la robótica que se han combinado para permitir que
un robot tenga comportamientos más parecidos a los humanos y esté en la capacidad de aprender por su cuenta
de acuerdo con las experiencias que tenga, ya que una red neuronal le permite auto entrenarse en muchas
experiencias, y le da la capacidad de generar una solución a cualquier tipo de problema.

VIII. Referencias

[1] L. Rouhiainen, «Google Scholar,» 2018. [En línea]. Available:

[Link]
308_Inteligencia_artificial.pdf.

[2] J. J. M. MORENO, «Google Scholar,» 2002. [En línea]. Available:

[Link] nce=1&isAllowed=y.

[3] D. J. Matich, «Google Scholar,» 03 2001. [En línea]. Available:

[Link]
monograias/[Link].

[4] D. L. CASTAÑO SAAVEDRA y J. D. ALONSO SIERRA, «Google Scholar,» 2019. [En línea]. Available:
[Link] 20de%[Link].

[5] N. Maynez, «inboundcycle,» 16 01 2020. [En línea]. Available:

[Link] gencia-artificial-2020.
[6] Lanner, «Lanner,» 03 10 2018. [En línea]. Available: [Link]
[Link]/es/bloges/10trabajos-que-pronto-podrian-ser -realizados-por-robots-maquinas-y-vehiculos-
impulsados-por-la-ia/.
[7] Semana, «Cinco conceptos básicos para entender la inteligencia artificial, según Google,» 03 11 2020.
[8] Tensorflow, «Tensorflow,» [En línea]. Available: [Link]
[9] Google Scholar, « Google Scholar,» [En línea]. Available
[Link]
[10] Torres, J. (2018). Deep Learning Introducción Practica Con Kera. [11] Google Scholar, « Google Scholar,»
[En línea]. Available: [Link] [12] Google Scholar, «
Google Scholar,» [En línea]. Available: [Link]
[13] Google Scholar, «Google Scholar,» [En línea]. Available:
[Link]
d=y.
[14] Euskadinnova, «Euskadinnova,» [En línea]. Available:
[Link]
ionmachinelearning/[Link]#:~:text=Los%20sistemas%20de%20predicció
n%20son,aprendizaje%20automático%20(machine%20learning).
[15] X. B. Olabe, «Google Scholar,» [En línea]. Available:

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

218
 [Link]
contenidos/pdf/[Link].
[16] Página web oficial de Uberflip [En línea]. Available: [Link]
[17] Página web oficial de Articoolo [En línea]. Available: [Link]
[18] Página web oficial de Cortex [En línea]. Available: [Link]
[19] Página web oficial de Adext [En línea]. Available: [Link]
[20] Página web oficial de Node [En línea]. Available: [Link]
[21] Página web oficial de Liveperson [En línea]. Available: [Link] [22] Página web
oficial de IBM [En línea]. Available: [Link]
watsoninspira-nuevas -recetas-lanzarote-2/
[23] Página web oficial de Miso Electronics [En línea]. Available: Flippy - Miso Robotics
[24] Jordi, TORRES. 2018. DEEP LEARNING Introducción práctica con Keras. 2018. Kaggle. Kaggle. [En
línea] Kaggle. [Citado el: 16 de 02 de 2020.]
[Link] Clever Data Big Data Prediction,
Que es el Machine learning?, rescatado en Septiembre del 2016 desde [Link]
learningbig-data/
[26] Alberto, and Jerónimo Ríos. 2017. “Reconocimiento Facial Por El Método De Eigenfaces.” Pistas
Educativas 127 (04): 66–81. [Link]

[27] V. Mnih, K. Kavukcuoglu, D. Silver, A. A. Rusu, J. Veness, M. G. Bellemare, A. Graves, M. Riedmiller,

A. K. Fidjeland, G. Ostrovski, et al. Human-level control through deep reinforcement learning. Nature,
518(7540):529--533, 2015.
[28] J. Roos, I. Lane, E. Botha, and G. P. Hancke. Using neural networks for non-intrusive monitoring of
industrial electrical loads. In Instrumentation and Measurement Technology Conference, 1994. IMTC/94.
Conference Proceedings. 10th Anniversary. Advanced Technologies in I & M., 1994 IEEE, pages 1115--1118.
IEEE, [Link] [Link]
[29] K. Fukushima. Neocognitron: A self-organizing neural network model for a mechanism of pattern
recognition unaffected by shift in position. Biological cybernetics, 36(4):193--202, 1980.
[30] F. Bastien, P. Lamblin, R. Pascanu, J. Bergstra, I. J. Goodfellow, A. Bergeron, N. Bouchard, and Y.
Bengio. Theano: new features and speed improvements. Deep Learning and Unsupervised Feature Learning
NIPS 2012 Workshop, 2012.

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia

220
Artículo de reflexión. ISSN: 2344-8288 Vol. 10 No. 1. 2022 Bogotá-Colombia