Implementación de redes neuronales en sistema de semaforización inteligente

En este documento se presenta el desarrollo de un sistema inteligente de detección de vehículos y peatones en intersecciones semaforizadas, cuyo fin es controlar de una manera más eficiente el tiempo de operación de cada uno de los semáforos involucrados. Para lograr la detección de vehículos y peatones con una mayor precisión y exactitud, se incluyó el uso del algoritmo YOLO (You Only Look Once), el cual tiene como gran ventaja realizar detecciones en tiempo real, con el uso de una única red neuronal. Debido a la poca e inadecuada información que se puede conseguir a través de las autoridades municipales acerca de un dataset que permitiera entrenar nuestro sistema de detección, se realizó un sistema vial simulado haciendo uso del motor de desarrollo Unity3D. En la creación del dataset se utilizó el programa LabelImg para realizar el etiquetado de las imágenes, este entrega un documento compatible con la información que lee la red neuronal. La asignación de tiempos se realizó mediante un controlador difuso, el cual es un sistema matemático que analiza los valores de entradas analógicas en términos de variables lógicas que toman valores continuos entre 0 y 1; en este caso su entrada es la diferencia entre el número de vehículos detectados y el promedio de vehículos de los 4 carriles. El controlador como salida entrega el tiempo más adecuado para cada carril

• Autores: Álvarez Sánchez, Jorge Andrés; Olaya Quiñones, José David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/13074
• Acceso en línea: https://hdl.handle.net/10614/13074; https://red.uao.edu.co/
• Palabra clave: Ingeniería Mecatrónica; Ciudad inteligente; Semaforización electrónica; Aprendizaje profundo; Lógica difusa; YOLO; Unit3D; Redes neurales (Computadores); Inteligencia artificial; Regulación electrónica del tránsito; Neural networks (Computer science); Artificial intelligence; Electronic traffic controls; Olaya Quiñones, José David
• Rights: openAccess
• License: Derechos Reservados - Universidad Autónoma de Occidente, 2021