Título :	Sistema de reconocimiento de señales mexicanas de tránsito preventivas mediante aprendizaje de máquinas.
Autor(es):	José Amaury Arellano Jiménez
Palabras clave:	Ingeniería y Tecnología Ciencias Tecnológicas Tecnología de Vehículos de Motor
Fecha de publicación :	15-mar-2023
Editorial :	Ingeniería
Facultad:	Facultad de Ingeniería
Programa académico:	Ingeniería Mecánica y Automotriz
Resumen:	El presente trabajo de tesis se centró en la implementación de algoritmos de detección de objetos y reconocimiento de imágenes mediante aprendizaje de máquinas con el objetivo de desarrollar un sistema de detección y reconocimiento de señales mexicanas de tránsito preventivas. Para el proceso de entrenamiento de los modelos de detección y clasificación se recolectaron un total de 8665 imágenes de distintas señales de tráfico mexicanas. En este trabajo se hizo uso de dos técnicas de aprendizaje de máquinas para la detección de objetos: redes neuronales convolucionales y clasificadores en cascada. Se obtuvo un modelo de detección de señales de tráfico a partir del entrenamiento de una red neuronal convolucional YOLOv5x. El segundo modelo de detección se desarrolló partiendo de la técnica conocida como Haar Cascade (Cascadas de Haar). Para el modelo de reconocimiento se diseñó y entrenó una red neuronal convolucional para la clasificación de imágenes. Para este trabajo se seleccionaron cinco clases de señales mexicanas de tránsito preventivas: curva a la derecha, curva a la izquierda, curva sinuosa, límite de altura y restrictiva. La programación del sistema de reconocimiento se llevó a cabo en lenguaje Python haciendo uso de las librerías OpenCV, TensorFlow y Keras. Se aplicó en el sistema de detección y reconocimiento de señales de tránsito una matriz con 40 pruebas por clase. Las pruebas se llevaron a cabo bajo condiciones nominales de clima, iluminación y nivel de desgaste en los señalamientos sometidos a estudio. El modelo de detección de Haar Cascade mostró mayor velocidad de procesamiento en la detección de señalamientos de tránsito en comparación con el modelo YOLOv5x. El modelo de clasificación de señales de tráfico demostró reconocer las señales seleccionadas para el estudio con una tasa de exactitud superior al 95%.
URI:	https://ri-ng.uaq.mx/handle/123456789/9071
Aparece en:	Ingeniería Mecánica y Automotriz

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.