De datos a placas: Explorando técnicas de Machine Learning en la detección vehicular

• Autores: Delgado Sanchez, Joseph Peter, Descalzi Tenorio, Yessica Rubi
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/15724
• Enlace del recurso: https://hdl.handle.net/20.500.12802/15724
• Nivel de acceso: acceso abierto
• Materia: ANPR; Machine learning; YOLO; CNN; Entornos urbanos; https://purl.org/pe-repo/ocde/ford#2.02.04

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 poca explicabilidad limitan la generalización. Los enfoques híbridos y multitarea, combinando YOLO, OCR y preprocesamiento, logran precisiones de 99.4% y velocidades de 62.89 FPS. Se recomienda desarrollar modelos explicables y optimizados para dispositivos limitados, usando aprendizaje por transferencia y datos sintéticos, para aplicaciones urbanas como seguridad, control de tráfico y estacionamiento