Identificación automática de vehículos empleando aprendizaje profundo

Abstract

Este 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.