Desarrollo de un sistema de visión artificial basado en redes convolucionales para la detección de las señales de tránsito implementado sobre un vehículo autónomo.
En el presente trabajo se describe el análisis, desarrollo y creación de un sistema de visión artificial basado en redes convolucionales para la detección de señales de tránsito, control de velocidad y detención, implementado sobre un vehículo autónomo, para lo cual se analizaron los procesos que se...
Сохранить в:
| Главный автор: | |
|---|---|
| Формат: | bachelorThesis |
| Язык: | spa |
| Опубликовано: |
2022
|
| Предметы: | |
| Online-ссылка: | https://dspace.espoch.edu.ec/handle/123456789/21443 |
| Метки: |
Добавить метку
Нет меток, Требуется 1-ая метка записи!
|
Добавить метку | Итог: | En el presente trabajo se describe el análisis, desarrollo y creación de un sistema de visión artificial basado en redes convolucionales para la detección de señales de tránsito, control de velocidad y detención, implementado sobre un vehículo autónomo, para lo cual se analizaron los procesos que se llevan a cabo en sistemas avanzados de asistencia al conductor, también se estudiaron los algoritmos de visión artificial. El prototipo basa su funcionamiento en el uso de software libre mediante la programación en Python con sus librerías de OpenCV y el entrenamiento de la red convolucional para el reconocimiento de patrones empleando técnicas de visión artificial como los algoritmos Haar Cascade, con el uso de estos se realiza el procesamiento necesario para la detección de las señales de tránsito y el control de la velocidad del vehículo. En el reconocimiento de estas señales se utiliza una cámara OV5647 propia de Raspberry la cual se ubica en la parte superior del vehículo, así el módulo recibe la información y la procesa mediante el algoritmo utilizando los entrenamientos descritos dando la orden de control sobre el driver L298N, mismo que controla la velocidad de desplazamiento del vehículo. En base a las pruebas realizadas se llegó a determinar que la detección de señales tiene un 99.16% de precisión, por lo tanto, se concluye que el prototipo implementado presenta un alto grado de funcionalidad a la hora de cumplir su objetivo pudiendo ser mejorado y aplicado a vehículos reales, constituyéndolo, así como un dispositivo capaz de aportar a la disminución de accidentes de tránsito. Se recomienda utilizar Raspberry pi 4B de 8GB, debido su eficiencia en procesamiento, en el caso de necesitar más recursos se puede utilizar aceleradores diseñados para aplicaciones de visión artificial con la finalidad de obtener mayor precisión y menos errores en el reconocimiento. |
|---|