Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/21443
Título : Desarrollo de un sistema de visión artificial basado en redes convolucionales para la detección de las señales de tránsito implementado sobre un vehículo autónomo.
Autor : Sanango Tufiño, Andrés Alexander
Director(es): Paucar Samaniego, Jorge Luis
Tribunal (Tesis): Morales Gordón, José Luis
Palabras claves : VISION ARTIFICIAL;DETECCIÓN;SEÑAL DE TRÁNSITO;CASCADE TRAINGER GUI;VEHÍCULO AUTÓNOMO;ALGORITMO
Fecha de publicación : 1-abr-2022
Editorial : Escuela Superior Politécnica de Chimborazo
Citación : Sanango Tufiño, Andrés Alexander. (2022). Desarrollo de un sistema de visión artificial basado en redes convolucionales para la detección de las señales de tránsito implementado sobre un vehículo autónomo. Escuela Superior Politécnica de Chimborazo. Riobamba.
Identificador : UDCTFIYE;108T0442
Abstract : This paper describes the analysis, development and creation of an artificial vision system based on convolutional networks for the detection of traffic signs, speed control and detention, implemented on an autonomous vehicle, for which the processes that are carried out in advanced driver assistance systems, also the algorithms of artificial vision system were studied. The prototype bases its operation on the use of free software by programming in Python with OpenCV libraries and the training of the convolutional network for pattern recognition using techniques of artificial vision such as the Haar Cascade algorithms, with the use of these the processing necessary for the detection of traffic signals and the control of vehicle speed. On the recognition of these signals, a Raspberry OV5647 camera was used, which was placed on the top of the vehicle, so the module received the information and processed it through the algorithm using the training described giving the control order on the driver L298N, which controls the vehicle's travel speed. Based on the tests carried out, it was determined that the detection of signals has a 99.16% accuracy; therefore, it is concluded that the implemented prototype presents a high degree of functionality at the time to meet its objective, being able to be improved and applied to real vehicles, being capable of contributing to the reduction of traffic accidents. It is recommended to use 8GB Raspberry pi 4B due to its efficiency in processing; if you need more resources, you can use accelerators designed for artificial vision applications to obtain greater precision and fewer mistakes in recognition.
Resumen : 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.
URI : http://dspace.espoch.edu.ec/handle/123456789/21443
Aparece en las colecciones: Ingeniero en Electrónica, Control y Redes Industriales; Ingeniero/a en Electrónica y Automatización

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
108T0442.pdf3,93 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons