Sistema de detección y clasificación vehicular basado en redes neuronales de aprendizaje profundo

• Autor: Nizama Yamunaque, David Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/23816
• Enlace del recurso: http://hdl.handle.net/20.500.14076/23816
• Nivel de acceso: acceso abierto
• Materia: Automatización; Sistema vehicular; Transporte vehicular; Ingeniería del tránsito; Redes neuronales; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente tesis presenta un sistema de detección, clasificación y conteo vehicular mediante el uso de redes neuronales de aprendizaje profundo y el de la inteligencia artificial, específicamente del área de visión artificial, con el objetivo de realizar conteos y aforos vehiculares. Para ello, se utilizarán diversos algoritmos y redes neuronales previamente entrenadas que permiten dotar al ordenador la capacidad de ver y comprender el contenido de imágenes y videos a través del reconocimiento de patrones y características. El aforo vehicular es uno de los aspectos más importantes y primarios en un estudio de tráfico vehicular, debido a que a partir de estos datos se determina el grado de ocupación y condiciones en las que una vía funciona, así como, las futuras tendencias de crecimiento, lo que permite una correcta planificación y diseño de una construcción, rehabilitación o mejora de una obra vial. Por ello, la finalidad del presente trabajo de investigación es brindar una alternativa accesible, rentable y económica que permita realizar aforos vehiculares en una vía mediante las virtudes de la inteligencia artificial, las cuales en los últimos años han tenido un desarrollo y progreso destacable. Para la detección y clasificación de vehículos se utilizaron las redes neuronales convolucionales, las cuales están diseñadas para imitar la corteza visual del cerebro y reconocer objetos en imágenes y videos. Estás redes contienen una serie de capas jerarquizadas y especializadas que permiten identificar y diferenciar un objeto de otro, por lo que fue factible clasificar los vehículos de acuerdo a su tipología, esto aportó a obtener una data completa y confiable. Palabras claves: Inteligencia artificial, visión artificial, redes neuronales, aprendizaje profundo, aforo vehicular, estudio de tráfico vehicular, algoritmo de detección, reconocimiento de patrones, convoluciones.