Modelo de plataforma de aprendizaje profundo para el control de acceso vehicular

Abstract

La presente tesis propone una plataforma inteligente para el control de acceso vehicular basada en técnicas de Aprendizaje profundo y Edge computing. El objetivo principal fue desarrollar e implementar una solución capaz de realizar la detección y seguimiento de vehículos junto con el reconocimiento automático de placas vehiculares en tiempo real mediante dispositivos de cómputo en el borde, es decir, de bajo costo y consumo energético. La investigación se desarrolló en cuatro etapas. Inicialmente, se optimizó un modelo SSD MobileNetV2 FPNLite mediante aprendizaje por transferencia para mejorar la detección de motocicletas en escenarios reales. Posteriormente, se implementó un sistema de seguimiento y conteo vehicular utilizando YOLOv11 y ByteTrack, obteniendo resultados satisfactorios en precisión y estabilidad durante el monitoreo del flujo vehicular. En una tercera etapa se realizó una evaluación comparativa de motores OCR, incluyendo Tesseract, EasyOCR y TrOCR. Los resultados evidenciaron un mejor desempeño de los enfoques basados en aprendizaje profundo frente a los métodos tradicionales. A partir de ello, se efectuó el ajuste fino del modelo TrOCR utilizando un conjunto de datos propio con placas vehiculares del estado de Tabasco, mejorando la precisión del reconocimiento. Finalmente, el sistema fue implementado sobre una plataforma Raspberry Pi equipada con un módulo de cámara, validando la ejecución integrada de los procesos de captura, detección, seguimiento y reconocimiento de placas. Los resultados demostraron la viabilidad de la plataforma para aplicaciones de detección automática de placas vehiculares con dispositivos de baja latencia y procesamiento local eficiente.