Aplicación de inteligencia y visión artificial para la obtención del aforo vehicular

Abstract

Para la obtención del aforo vehicular actualmente se usan métodos manuales tradicionales los cuales generan un trabajo extenso y tiempo prolongado para realizar los estudios previos para el diseño de un pavimento, planificación del tránsito, proyecciones de vías, proyectos de señalización e iluminación, entre otros. Es por ello que se requiere automatizar los datos de conteo y clasificación vehicular. Por esta razón, se aplicaron dos métodos tecnológicos que pueden ayudarnos a mecanizar la información obtenida a través de videograbaciones o en tiempo real. El primer método basado en inteligencia artificial con el uso de redes neuronales convolucionales y el segundo con visión artificial mediante el uso de librerías virtuales que nos ayudaran en la detección vehicular. El objetivo de esta investigación es realizar una comparación de ambos métodos contrastados con un estudio manual in situ para encontrar la variación de precisión y error a través de porcentajes, tomando en cuenta que el estudio en campo tendrá el 100% de precisión. Se realizó una prueba con ambos métodos con una videograbación real de flujo vehicular, considerando 6 clases de vehículos (motocicletas, mototaxis, automóviles, camionetas, microbuses y vehículos pesados). Después de haber ejecutado ambas metodologías para los fines pertinentes se presentan los mejores resultados obtenidos con ambos métodos: Un 95.60% de precisión del conteo y clasificación de microbuses con inteligencia artificial y un 97.80% de precisión de microbuses con el uso de visión artificial. Finalmente se concluye con un sistema efectivo con capacidad aceptable de detección, conteo y clasificación vehicular con el uso de Inteligencia Artificial como método más apropiado para el propósito de la investigación ya que este puede reemplazar las mismas capacidades que el cerebro humano en la obtención del aforo vehicular, la visión artificial nos brindó datos más precisos sin embargo este se basa en áreas de detección lo que no es muy confiable usar en cualquier zona de estudio por la diferencia de áreas de acuerdo al ángulo de enfoque; se recomienda para tener mejor precisión en los resultados usando inteligencia artificial, entrenar la red neuronal con una base de datos más amplia y contar con una tarjeta gráfica óptima del ordenador para la lectura del código.