Look-up in Google Scholar
Title: Diseño de un sistema de clasificación de señales de tránsito vehicular utilizando redes neuronales convolucionales
Advisor(s): Jiménez Motte, Fernando
OCDE field: https://purl.org/pe-repo/ocde/ford#1.02.01
Issue Date: 2016
Institution: Universidad San Ignacio de Loyola
Abstract: En los últimos diez años (2004 – 2015) se han reportado 1,041,704 accidentes de tránsito, siendo el exceso de velocidad uno de los principales factores. Estas cifras y la probabilidad que suceda una tragedia al volante pueden reducirse significativamente si se mejora el monitoreo de vehículos. La ciudad del futuro debe ser más inteligente: con la capacidad de poder encontrar personas desaparecidas, reconocer zonas donde se vive con más pobreza para mejorar la distribución de bienes, y reconocer actos criminales como violación de señales de tránsito. La clasificación de señales de tránsito es la base o fundación para poder implementar cámaras de video vigilancia más inteligentes. Se presenta una solución para el problema usando una técnica denominada “Deep Learning”, perteneciente al área de inteligencia artificial y que en recientes años ha sido usado para resolver otros problemas como el de reconocimiento óptico de caracteres, clasificación de imágenes, reconocimiento facial, reconocimiento de voz, diagnóstico de enfermedades, entre otros. Se realizan varios diseños en base a señales de tránsito de Alemania, puesto a que no hay una base de datos de señales de tránsito peruana. El diseño con el mejor resultado logra un porcentaje de aciertos de 95.29%, similar al estado de arte (99.46%). Con fines de demostración, se implementa el diseño ganador en una aplicación para iPhone que clasifica señales de tránsito usando la cámara del teléfono.
Discipline: Ingeniería
Grade or title grantor: Universidad San Ignacio de Loyola. Facultad de Ingeniería. Carrera de Ingeniería Informática y de Sistemas
Grade or title: Ingeniero Informático y de Sistemas



This item is licensed under a Creative Commons License Creative Commons