Esta revisión sistemática analiza el uso de técnicas de aprendizaje automático en el Reconocimiento Automático de Placas Vehiculares (ANPR) en entornos reales, siguiendo el protocolo PRISMA. Se revisaron 50 estudios de 2020 a 2025, obtenidos de Scopus, IEEE Xplore y ScienceDirect, enfocados en métodos como YOLO, CNN, Transformers y modelos híbridos. Los resultados muestran que YOLO (v3, v4, v5, v8) lidera por su alta precisión (hasta 99.9%) y velocidad (superando 159 FPS), incluso en condiciones adversas como lluvia, baja luz o imágenes borrosas. Las CNN, como ResNet y MobileNet, ofrecen flexibilidad y precisiones cercanas al 99.71%. Los Transformers y modelos de superresolución (GANs, difusión) mejoran el reconocimiento en escenarios complejos, alcanzando hasta 95% en textos. Sin embargo, la falta de datasets estandarizados, la escasa representación de placas no latinas y la...

El crecimiento acelerado del parque automotor y la limitada modernización de los sistemas de estacionamiento urbano han generado serios problemas de congestión, ineficiencia y desorden vehicular, especialmente en ciudades latinoamericanas como Lima. Si bien existen avances en tecnologías como el reconocimiento automático de placas (LPR) y el aprendizaje automático, la integración efectiva de estas soluciones en una única plataforma adaptada al contexto urbano local sigue siendo escasa. En respuesta, el presente proyecto tuvo como objetivo implementar una plataforma SaaS llamada RUMIPARK, que integra Machine Learning y LPR para optimizar el control vehicular en playas de estacionamiento. Para ello, se adoptó un enfoque tecnológico-aplicado y la metodología ágil Extreme Programming (XP), permitiendo desarrollar e iterar funcionalidades claves como registro de vehículos, control...