Evaluación de AIoT en modelos computacionales en la nube y en el borde aplicado a la detección de mascarillas

• Quiñonez-Cuenca, Felipe ^[1] ; Maza-Merchán, Cristian ^[1] ; Cuenca-Maldonado, Nilvar ^[1] ; Quiñones-Cuenca, Manuel ^[1] ; Torres, Rommel ^[1] ; Sandoval, Francisco ^[1] ; Ludeña-González, Patricia ^[1]
  1. [1] Universidad Técnica Particular de Loja

     Universidad Técnica Particular de Loja

     Loja, Ecuador

     
• Localización: Ingenius: Revista de Ciencia y Tecnología, ISSN 1390-650X, ISSN-e 1390-860X, Nº. 27, 2022 (Ejemplar dedicado a: january-june), págs. 32-48
• Idioma: español
• Títulos paralelos:
  • Evaluation of AIoT performance in Cloud and Edge computational models for mask detection
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La COVID-19 ha provocado graves daños a la salud: centenas de millones de personas infectadas y varios millones de fallecidos en el mundo. Los programas de vacunación de cada Gobierno han influido en el decaimiento de estos índices, pero con la aparición de nuevas mutaciones del coronavirus más contagiosas, la preocupación sobre la efectividad de las vacunas se hace presente. Frente a esta situación el uso de mascarillas sigue siendo eficaz para prevenir la transmisión y contagio de la COVID-19. Lo que ha generado una creciente demanda de servicios de detección automática de mascarillas, que permita recordar a las personas la importancia del empleo de estas. En este trabajo se plantea un análisis del rendimiento de un sistema AIoT para la detección del uso correcto, incorrecto y sin mascarilla basado en dos modelos computacionales de Cloud y Edge, con la finalidad de determinar qué modelo se adecua mejor en un entorno real (interior y exterior) sobre la base de la confiabilidad del algoritmo, uso de recursos computacionales y tiempo de respuesta. Los resultados experimentales demuestran que el modelo computacional Edge presentó un mejor desempeño en comparación con el Cloud.

  • English

    COVID-19 has caused serious health damage, infecting millions of people and unfortunately causing the death of several ones around the world. The vaccination programs of each government have influenced in declining those rates. Nevertheless, new coronavirus mutations have emerged in different countries, which are highly contagious, causing concern with vaccination effectiveness. So far, wearing facemasks in public continues being the most effective protocol to avoid and prevent COVID-19 spread. In this context, there is a demand of automatic facemask detection services to remind people the importance of wearing them appropriately. In this work, a performance evaluation of an AIoT system to detect correct, inappropriate, and non- facemask wearing, based on two computational models: Cloud and Edge, was conducted. Having as objective to determine which model better suites a real environment (indoor and \emph{outdoor}), based on: reliability of the detector algorithm, use of computational resources, and response time. Experimental results show that Edge-implementation got better performance in comparison to Cloud-implementation.