Prototipo para detección de objetos dirigido a licencia vehicular reconocimiento de placas implementando un modelo de detección de objetos entrenado en base a la arquitectura YOLO/

Abstract

En el mundo actual, la tecnología ha experimentado avances sin precedentes en diversas áreas, y una de ellas es la inteligencia artificial (IA). Mediante el uso de algoritmos y modelos avanzados, los sistemas de registro de ingreso y salida vehicular son capaces de reconocer y analizar patrones en tiempo real. El propósito fundamental de esta investigación radicó en el diseño de un sistema que integra la capacidad de visión de computadores de un modelo YOLO para el reconocimiento de objetos; específicamente, vehículos (capacidad pre-entrenada) y con entrenamiento sobre un dataset, licencias de vehículos. Adicionalmente, se integrará un modelo de reconocimiento de caracteres (OCR) el cual estará encargado de extraer el texto de la licencia vehicular con el fin de registrar automáticamente el movimiento de vehículos a través de un puesto de control. Para el proceso de investigación se utilizó una metodología de tipo investigación aplicada - experimental, mediante el entrenamiento de la red neuronal del modelo de reconocimiento de objetos YOLOv8, en el proceso se utilizaron datasets libres y a través de las detecciones de este modelo se generó un dataset de placas para entrenar el modelo de OCR. En la etapa de validación se realizaron pruebas de software de verificación y validación (V&V) obteniendo como resultado un análisis comparativo entre el desempeño del subsistema de reconocimiento de matrículas a través de pruebas de campo. El trabajo.

In today's world, technology has seen unprecedented advances in various areas, one of them being artificial intelligence (AI). Through the use of advanced algorithms and models, vehicle entry and exit registration systems are capable of recognizing and analyzing patterns in real time. The fundamental purpose of this research was the design of a system that integrates the computer vision capacity of a YOLO model for object recognition, specifically, vehicles (pre-trained capacity) and, with training on a dataset, vehicle licenses. Additionally, a character recognition (OCR) model will be integrated, which will be responsible for extracting the text from the vehicle license in order to automatically record the movement of vehicles through a checkpoint. For the research process, an applied-experimental research type methodology was used by training the neural network of the YOLOv8 object recognition model. In the process, free datasets were used, and through the detections of this model, a license plate dataset was used to train the OCR model. In the validation stage, verification and validation (V&V) software tests were carried out, resulting in a comparative analysis between the performance of the license plate recognition subsystem through field tests. El trabajo.