Por favor, use este identificador para citar o enlazar este ítem: https://ri.ujat.mx/handle/200.500.12107/4955
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc/4.0es
dc.creatorContreras Pérez, Fernando-
dc.date.accessioned2024-11-06T20:26:19Z-
dc.date.available2024-11-06T20:26:19Z-
dc.date.issued2024-10-01-
dc.identifier.urihttps://ri.ujat.mx/handle/200.500.12107/4955-
dc.description.abstractEste trabajo de investigación se enfoca en la implementación y evaluación de un sistema de identificación, clasificación y conteo automático de vehículos utilizando tecnologías de Aprendizaje profundo. El principal objetivo de este sistema es el de mejorar el control de acceso vehicular en el campus Chontalpa de la Universidad Juárez Autónoma de Tabasco (UJAT). El sistema está compuesto por un sensor OAK-D y una Raspberry Pi para capturar, procesar y analizar los datos en tiempo real. El sistema propuesto, basado en la red neuronal MobileNetSSD, ha logrado una identificación de vehículos con una precisión global de 0.81 y una sensibilidad de 0.91. Este desempeño en la identificación influye positivamente en la tarea de conteo automático. El diseño experimental tomó en cuenta la recopilación y análisis de datos con diferentes configuraciones. Se ajustó el sistema a distintas condiciones de iluminación y climáticas. Las pruebas se realizaron en algunos puntos de la entrada del campus. También se variaron la ubicación y ángulos del OAK-D para mejorar la precisión de la detección. Este enfoque muestra que el sistema propuesto es adaptable a diferentes escenarios en condiciones naturales no controladas para entornos educativos. Todo esto, sin la necesidad de un equipo profesional costoso. El sistema propuesto ha demostrado ser una solución funcional y económica para el control de acceso vehicular, mejorando la seguridad y la eficiencia en el uso de recursos. Para investigaciones futuras, se propone explorar otros modelos de detección como YOLO así como algoritmos de seguimiento más complejos basados en Aprendizaje profundo. Estas mejoras podrían aumentar la precisión y la sensibilidad del sistema.es
dc.language.isospaes
dc.rightsinfo:eu-repo/semantics/openAccesses
dc.titleIdentificación automática de vehículos empleando aprendizaje profundoes
dc.typeinfo:eu-repo/semantics/masterThesises
dc.creator.id0000-0003-3882-2985es
dc.subject.ctiinfo:eu-repo/classification/cti/7es
dc.subject.keywordsInteligencia Artificial, Redes neuronales, Visión Computacionales
dc.contributor.roleanalistaes
dc.type.versioninfo:eu-repo/semantics/draftes
dc.contributor.roleoneanalistaes
dc.contributor.roletwoanalistaes
dc.contributor.rolethreeanalistaes
dc.contributor.rolefouranalistaes
Aparece en las colecciones: Maestría en Ciencias de la Computación (PNPC)

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Fernando Contreras Pérez.pdf10,52 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.