Detección de la señalización de tránsito vertical con redes neuronales convolucionales basadas en bloques residuales

AutorAdrian Javier Alarcon Vargas
CargoIngeniero de Sistemas con especialización en desarrollo de aplicaciones web y aplicaciones móviles
Páginas165-193
Pág.[ 165 -
Artículo Original
Septiembre 2022
Volumen 24
Fides Et Ratio
ISSN 2411-0035
Detección de la señalización de tránsito vertical con redes
neuronales convolucionales basadas en bloques residuales
Detection of vertical trac signaling with convolutional
neural networks based on residual blocks
Adrian Javier Alarcon Vargas1
Instituto de Investigaciones en Ciencia y Tecnología,
Universidad La Salle, Bolivia
jalarconvargas@gmail.com
Artículo Recibido: 23-04-22
Artículo Aceptado: 25-07-22
Resumen
El objetivo del presente trabajo es entrenar una red neuronal capaz de detectar
la señalización de tránsito vertical y clasicarla usando bloques residuales. La
metodología utilizada para el desarrollo de la red neuronal comprende cuatro
fases: denición de la red neuronal, entrenamiento, utilización y mantenimiento de
la red neuronal. Para el desarrollo de la red neuronal se cuenta con dos datasets, el
primero es de origen alemán, consta de 50.000 imágenes y es muy usado para la
clasicación de señales de tránsito; y el segundo de origen boliviano, que tiene 9.548
imágenes de carretera. El porcentaje de ecacia de la red neuronal nro. 1 con el dataset
GTSRB es alto, obteniendo un valor de 94.36%, además incluye valores altos en el
reporte de clasicación, caso contrario sucede con el dataset de Bolivia debido a que
el dataset está desbalanceado.
Palabra Clave:
GTSRB, Segmentación, Procesamiento de Imágenes, Accidentes de Tránsito,
Clasicación, ResNet, ResUnet.
1 Ingeniero de Sistemas con especialización en desarrollo de aplicaciones web y aplicaciones
móviles. Miembro del Instituto de Investigación en Ciencia y Tecnología de la Universidad La Salle.
ORCID: https://orcid.org/0000-0002-4716-4112
193 ]
[166]
Adrian Javier Alarcon Vargas
Abstract
The objective of the present work is to train a neural network capable of
detecting vertical trac signaling and classify it using residual blocks, as they
allow deeper neural networks. e methodology used for the development
of the neural network comprises four phases: neural network denition, training,
utilization, and maintenance of the neural network. For the development of the
neural network there are two datasets, the rst is of German origin, consists of 50,000
images and is widely used for the classication of trac signs; and the second of
Bolivian origin, which has 9,548 road images. e percentage of eciency of the
neural network no. 1 with the GTSRB dataset is high, obtaining a value of 94.36%,
it also includes high values in the classication report, otherwise, it happens with the
Bolivia dataset because the dataset is unbalanced.
Keywords:
GTSRB, Segmentation, Image Processing, Trac Accidents, Classication, ResNet,
ResUnet.
Introducción
Un problema que es muy recurrente en Bolivia y en el mundo
son los accidentes de tránsito, si bien se ha visto ciertas medidas
para reducirlas, como por ejemplo la refacción de carreteras,
creación de carreteras doble vía o el incremento de ociales de tránsito,
aun se puede evidenciar un alto número de accidentes. Según el Instituto
Nacional de Estadística (2020), entre los años 2008 y 2020 se registró
un total de 408.493 accidentes de tránsito en Bolivia, generando un
total de 17.148 personas fallecidas. Si bien se tuvo una disminución de
estos eventos causada por la pandemia, como se muestra en la Tabla 1,
con la vuelta a la normalidad los accidentes de tráco podrían aumentar,
causando inseguridad en la población. Hoy en día se tiene grandes avances
en el uso de redes neuronales para el procesamiento de imágenes, por lo
cual es necesario implementar soluciones a este problema.

Para continuar leyendo

Solicita tu prueba

VLEX utiliza cookies de inicio de sesión para aportarte una mejor experiencia de navegación. Si haces click en 'Aceptar' o continúas navegando por esta web consideramos que aceptas nuestra política de cookies. ACEPTAR