Implementación de una red neuronal artificial convolucional para la detección y conteo de vehículos en una sección del estacionamiento de la Universidad Ricardo Palma

Abstract

En esta tesis se implementó un sistema de detección y conteo de vehículos en una sección del estacionamiento de la Universidad Ricardo Palma, con el objetivo de obtener el número de espacios disponibles y reducir el tiempo de consulta de espacios para el personal de seguridad; para esto, se propuso dos redes neuronales convolucionales (CNN): You Only Look Once v5 (YOLO v5) y Faster Region-based Convolutional Neural Network (Faster RCNN). Además, se optó por aplicar Transfer Learning a dichas CNN. Para ello se construyó un dataset de 460 imágenes conformado por imágenes de internet y autos estacionados en la universidad. Asimismo, para la operación del conteo de autos se utilizaron los métodos de limitación de espacios, por línea de interés (LOI) y región de interés (ROI), optando por el segundo método debido a ser el más adecuado para delimitar espacios de estacionamiento y evitar resultados erróneos al contabilizar. Para la interfaz gráfica de usuario (GUI), se utilizó la librería Tkinter, creando una ventana interactiva, visualizando numéricamente los autos detectados y espacios disponibles. Finalmente, para la implementación del sistema en tiempo real, se eligió la red YOLO, después de evaluar ciertos parámetros (mAP, FPS, porcentaje de error y falsos positivos) en ambas CNN, modificándose los umbrales de detección y las ROI a través de una tabla comparativa. Asimismo, se instaló un teléfono móvil sobre la garita de la puerta 3 de la Universidad Ricardo Palma, utilizando la red de internet de la propia universidad, el cual se conectó a la laptop con la red YOLO, concluyendo la efectividad de la red seleccionada, la implementación del contador y la interfaz GUI