Buscar


Mostrar el registro sencillo del ítem

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


Ficheros en el ítem

Thumbnail
Nombre: IGLIN-272303.pdf
Tamaño: 2.829Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem