Desarrollo de un equipo electrónico vehicular orientado al monitoreo, detección y registro del estado de deterioro de pistas de tránsito urbano

• Autores: Zamora Lorenzo, Carlos Enrique, Vasquez Vergara, Edwin Steef
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/683421
• Enlace del recurso: http://hdl.handle.net/10757/683421
• Nivel de acceso: acceso abierto
• Materia: Baches; Procesamiento de imagen; ResNet50; Deeplabview; Inteligencia artificial; Potholes; Image processing; Artificial intelligence; https://purl.org/pe-repo/ocde/ford#2.02.01; https://purl.org/pe-repo/ocde/ford#2.00.00

El presente trabajo desarrolla la implementación de un dispositivo basado en sistemas de embebidos en un automóvil orientado al monitoreo de pistas urbanas y detección de baches con el fin obtener su ubicación y nivel de gravedad de acuerdo al tamaño. Inicialmente, se realizó un análisis previo del método de inspección y monitoreo que realizan las entidades encargadas de realizar dichas funciones. Este análisis condujo a determinar que dicho método utilizado es manual, subjetivo y excesivo en tiempo. Por ello, se planteó automatizar el proceso de monitoreo de pistas mediante la implementación de sistemas de embebidos basados en Raspberry Pi 4B en el auto de inspección para detectar, medir y clasificar los baches con tan solo recorrer las calles mediante el uso de algoritmos basados en redes neuronales Resnet50 y Deeplabview para detección de baches y cálculo de diámetro, así como también un algoritmo que obtenga las coordenadas del bache detectado para ubicar su posición y programar un eventual reparo. La solución propuesta consiste en realizar la grabación del recorrido mediante cámaras, para luego almacenar los videos en una base de datos remota. El video es descargado en una computadora de escritorio para luego realizar el procesamiento de video de manera offline con el fin de evitar sobrecarga computacional. El software detecta los baches que se haya en el video, calculará el tamaño y los clasificará en niveles de gravedad según diámetro. Como resultado, se obtuvieron 74,38% de precisión en detección de bache y 79,19% en el cálculo del tamaño.