Sistema de reconocimiento de señales mexicanas de tránsito preventivas mediante aprendizaje de máquinas.

José Amaury Arellano Jiménez

Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/9071

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Martín Valtierra Rodríguez	es_ES
dc.creator	José Amaury Arellano Jiménez	es_ES
dc.date	2023-03-15	-
dc.date.accessioned	2023-08-28T20:24:43Z	-
dc.date.available	2023-08-28T20:24:43Z	-
dc.date.issued	2023-03-15	-
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/9071	-
dc.description	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%.	es_ES
dc.format	Adobe PDF	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Ingeniería	es_ES
dc.relation.requires	No	es_ES
dc.rights	Acceso Abierto	es_ES
dc.subject	Ingeniería y Tecnología	es_ES
dc.subject	Ciencias Tecnológicas	es_ES
dc.subject	Tecnología de Vehículos de Motor	es_ES
dc.title	Sistema de reconocimiento de señales mexicanas de tránsito preventivas mediante aprendizaje de máquinas.	es_ES
dc.type	Tesis de licenciatura	es_ES
dc.creator.tid	curp	es_ES
dc.creator.identificador	AEJA980319HQTRMM05	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Ingeniería Mecánica y Automotriz	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Licenciatura	es_ES
Aparece en:	Ingeniería Mecánica y Automotriz

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
IGLIN-272303.pdf		2.9 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem