Redes neuronales convolucionales y YOLOv5 para la detección de placas de rodaje en imágenes digitales fotográficas

• Autor: Medina Zegarra, Guillermo Enrique
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/22846
• Enlace del recurso: https://hdl.handle.net/20.500.12672/22846
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales (Inteligencia artificial); Matrículas de automóviles; Automatización; https://purl.org/pe-repo/ocde/ford#1.01.02; https://purl.org/pe-repo/ocde/ford#1.01.03

Describe que las redes neuronales convolucionales son parte de las redes neuronales artifíciales y éstas a su vez, de la Inteligencia Artificial. Las redes neuronales convolucionales se enfocan en la clasificación y detección de objetos en imágenes, como animales, vehículos, placas de rodaje y muchos otros. La idea básica es usar aprendizaje profundo (redes neuronales profundas) para la extracción de características y clasificación de objetos. La ventaja del aprendizaje profundo, en redes neuronales convolucionales, es la automatización de la extracción de características, ya que antes, el proceso de extracción de características se realizaba manualmente mediante el aprendizaje de máquina. En la presente investigación, se trabajó con un conjuntos de datos (dataset) propio de dos mil imágenes, tomadas a partir de un cinemómetro en diferentes puntos de Lima Metropolitana; de dichas imágenes, se hizo una distribución de la siguiente forma: 70 % para entrenamiento (1,400); 20 % para validación (400) y 10 % para testing (200), de la cantidad total de imágenes de entrenamiento (1,400) y a través del método de validación cruzada k-fold, se realizó una división de cinco pliegues de proporción a 280 imágenes, donde para el entrenamiento se trabajó con los siguientes tres conjunto de datos: 280, 840 y 1,400; asimismo, se hizo una selección manual y etiquetaje de las placas de rodaje, para que en la etapa de entrenamiento y validación, se puede llevar a cabo un aprendizaje supervisado de las placas de rodaje. Los métodos de optimización que se usaron para el entrenamiento y validación fue el descenso del gradiente estocástico y Adam; para ambos métodos de optimización, se hizo un entrenamiento “desde cero” y transfer learning.