Identificación de billetes falsificados peruanos utilizando arquitecturas híbridas de aprendizaje profundo con CNN y RNN aplicadas a visión por computadora
Cargando...
Fecha
2026-10-09
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Católica de Santa María
Nivel de acceso
Acceso Abierto
Resumen
La presente investigación tuvo como objetivo identificar billetes peruanos mediante arquitecturas de aprendizaje profundo basadas en CNN y CNN-RNN aplicadas a visión por computadora, con el fin de evaluar su desempeño en la clasificación de billetes verdaderos y falsificados según sus características visuales. El estudio se desarrolló bajo un enfoque cuantitativo, de tipo aplicado y mediante experimentación computacional, empleando imágenes de billetes peruanos procesadas con técnicas de visión artificial. En la etapa inicial, se analizaron las características visuales de los billetes mediante procesamiento digital de imágenes, considerando escala de grises, detección de bordes, gradientes, filtros Laplacianos y análisis frecuencial. Estas técnicas permitieron observar diferencias en textura, contraste, nitidez, bordes, iluminación y distribución de patrones visuales entre billetes auténticos y falsificados. Asimismo, se empleó aumentación de datos solo en el conjunto de entrenamiento, aplicando rotación, zoom, desplazamientos, variación de brillo y volteo horizontal. Posteriormente, se entrenaron tres arquitecturas: CNN, CNN-LSTM y CNN-GRU. La CNN
permitió extraer patrones espaciales de las imágenes, mientras que CNN-LSTM y CNN-GRU incorporaron unidades recurrentes para complementar la clasificación. La evaluación se realizó en el conjunto de prueba mediante exactitud, precisión, recall, F1-score, matriz de confusión y AUC. Los resultados mostraron que la CNN alcanzó una exactitud de 98.22%, precisión para la clase falso de 100.00%, recall de 96.67%, F1-score de 98.31% y AUC de 0.9995. La CNNLSTM obtuvo 98.04% de exactitud, 100.00% de precisión, 96.33% de recall, 98.13% de F1- score y AUC de 0.9997. Finalmente, la CNN-GRU presentó el mejor desempeño general, con 98.93% de exactitud, 99.66% de precisión, 98.33% de recall, 98.99% de F1-score y AUC de 0.9993. En consecuencia, se concluye que CNN-GRU fue el modelo con mejor comportamiento para identificar billetes peruanos falsificados.
Descripción
Palabras clave
Aprendizaje profundo, Billetes falsificados, Visión por computadora