Identificación de billetes falsificados peruanos utilizando arquitecturas híbridas de aprendizaje profundo con CNN y RNN aplicadas a visión por computadora

Cardenas Mayma, Ray Kevin

Identificación de billetes falsificados peruanos utilizando arquitecturas híbridas de aprendizaje profundo con CNN y RNN aplicadas a visión por computadora

dc.contributor.advisor	Urrutia Espinoza, Mario William
dc.contributor.author	Cardenas Mayma, Ray Kevin
dc.date.accessioned	2026-11-03T14:33:08Z
dc.date.available	2026-11-03T14:33:08Z
dc.date.issued	2026-10-09
dc.description.abstract	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.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12920/17706
dc.language.iso	spa
dc.publisher	Universidad Católica de Santa María	es_ES
dc.publisher.country	PE
dc.rights	https://purl.org/coar/access_right/c_abf2
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	es_ES
dc.source	Universidad Católica de Santa María	es_ES
dc.source	Repositorio de la Universidad Católica de Santa María - UCSM	es_ES
dc.subject	Aprendizaje profundo
dc.subject	Billetes falsificados
dc.subject	Visión por computadora
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.02.01
dc.title	Identificación de billetes falsificados peruanos utilizando arquitecturas híbridas de aprendizaje profundo con CNN y RNN aplicadas a visión por computadora
dc.type	http://purl.org/coar/resource_type/c_7a1f
dc.type.version	http://purl.org/coar/version/c_970fb48d4fbd8a85
renati.advisor.dni	29295487
renati.advisor.orcid	https://orcid.org/0000-0002-8520-2909
renati.author.dni	71541088
renati.discipline	71200102
renati.juror	Coaguila Gomez, Ronald Percing
renati.juror	Sulla Torres, Raul Ricardo
renati.juror	Copa Pineda, Juan Carlos
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
renati.type	https://purl.org/pe-repo/renati/type#tesis
thesis.degree.discipline	Ingeniería Electrónica
thesis.degree.grantor	Universidad Católica de Santa María.Facultad de Ciencias e Ingenierías Físicas y Formales	es_ES
thesis.degree.name	Ingeniero Electrónico