Redes neuronales convolucionales para la identificación de placas vehiculares

• Autores: Ruiz Herrera, José Antonio, Zumaeta Diaz, Erick Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/8329
• Enlace del recurso: https://hdl.handle.net/20.500.12840/8329
• Nivel de acceso: acceso abierto
• Materia: detección; entrenamiento; modelos; objetos; optimización; reconocimiento; http://purl.org/pe-repo/ocde/ford#1.02.00

El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de placas. Los resultados indicaron que YOLOv8 sobresale por su precisión y rapidez, seguido de cerca por YOLOv5, mientras que Detectron2, aunque más lento, mostró alta precisión y fiabilidad. Para el desarrollo de esta investigación, se utilizó la herramienta Colab para gestionar las redes neuronales y un dataset de 700 imágenes de vehículos, que fueron etiquetadas usando Roboflow. Los resultados mostraron una disminución significativa en las pérdidas de entrenamiento y validación, indicando una mejora continua en la capacidad de los modelos para identificar y localizar objetos con precisión. La implementación de estas tecnologías permitió una identificación eficiente de las placas vehiculares, facilitando la labor de las autoridades en la gestión de incidentes delictivos y accidentes. Los modelos propuestos ofrecen una base sólida para futuras mejoras. Se concluye que los modelos de redes neuronales convolucionales como YOLOv5, YOLOv8 y Detectron2 representan una herramienta eficaz para la identificación de placas vehiculares en entornos locales.