Aplicación interpretable de visión artificial para detectar motociclistas infractores en áreas peatonales a través de la identificación de objetos de múltiples clases

Abstract

El siguiente trabajo presenta el desarrollo de una aplicación interpretable de visión artificial para la detección de infractores viales (motociclistas) en áreas peatonas mediante la identificación de objetos de múltiples clases. Esta aplicación interpretable se encuentra estructurada en cuatro etapas. La primera etapa consiste en el proceso realizado para adquirir las imágenes en función del contexto objetivo del proyecto y las 4 clases diferenciables deseadas las cuales son [Moto Con Motociclista No Área Peatonal, Moto Con Motociclista en Área Peatonal, Moto sola No Área Peatonal y Peatón Cruce Peatonal]. La segunda etapa corresponde al procesamiento de la imagen capturada; en la cual se establece una imagen estándar de acuerdo a los modelos de aprendizaje profundo utilizados mediante técnicas de redimensionamiento, normalización y ecualización. La tercera etapa identifica los objetos dispuestos en cada imagen disponible en el Conjunto de Datos mediante técnicas de visión artificial para clasificar cada clase. Finalmente, la cuarta etapa presenta una metodología simplificada que permite detectar si el vehículo motorizado viola el código de uso de áreas peatonales. El producto final con el desarrollo del proyecto es un sistema que integra las cuatro etapas antes mencionadas con modelos aplicados, su rendimiento y una APP(Application) desarrollada en Python. Los resultados del sistema se organizan en función de las cuatro etapas mencionadas y tiene como propósito ser una base para futuros desarrollos e implementaciones en sistemas inteligentes y autónomos de transito.