Redes neuronales convolucionales para la identificación de placas vehiculares
El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de pl...
Guardado en:
| Autores principales: | , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2024
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881509945616105472 |
|---|---|
| author | Ruiz Herrera, José Antonio Zumaeta Diaz, Erick Daniel |
| author2 | Garcia Estrella, Cristian Werner |
| author_browse | Garcia Estrella, Cristian Werner Ruiz Herrera, José Antonio Zumaeta Diaz, Erick Daniel |
| author_facet | Garcia Estrella, Cristian Werner Ruiz Herrera, José Antonio Zumaeta Diaz, Erick Daniel |
| author_sort | Ruiz Herrera, José Antonio |
| collection | Repositorio institucional |
| description | El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de placas. Los resultados indicaron que YOLOv8 sobresale por su precisión y rapidez, seguido de cerca por YOLOv5, mientras que Detectron2, aunque más lento, mostró alta precisión y fiabilidad. Para el desarrollo de esta investigación, se utilizó la herramienta Colab para gestionar las redes neuronales y un dataset de 700 imágenes de vehículos, que fueron etiquetadas usando Roboflow. Los resultados mostraron una disminución significativa en las pérdidas de entrenamiento y validación, indicando una mejora continua en la capacidad de los modelos para identificar y localizar objetos con precisión. La implementación de estas tecnologías permitió una identificación eficiente de las placas vehiculares, facilitando la labor de las autoridades en la gestión de incidentes delictivos y accidentes. Los modelos propuestos ofrecen una base sólida para futuras mejoras. Se concluye que los modelos de redes neuronales convolucionales como YOLOv5, YOLOv8 y Detectron2 representan una herramienta eficaz para la identificación de placas vehiculares en entornos locales. |
| escuela_str_mv | Ingeniería Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/8329 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Simulación e Inteligencia Artificial |
| ocde_area_str_mv | Ciencias naturales |
| ocde_disciplina_str_mv | Computación y ciencias de la información |
| ocde_str_mv | 1.02.00 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2024 |
| publishDateRange | 2024 |
| publishDateSort | 2024 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Tarapoto |
| spelling | Redes neuronales convolucionales para la identificación de placas vehiculares Ruiz Herrera, José Antonio Zumaeta Diaz, Erick Daniel Garcia Estrella, Cristian Werner detección entrenamiento modelos objetos optimización reconocimiento El uso de redes neuronales convolucionales para la identificación de placas vehiculares ha demostrado ser una solución frente a los crecientes niveles de inseguridad ciudadana. Los modelos YOLOv5, YOLOv8 y Detectron2 fueron evaluados para determinar su eficacia en la detección y reconocimiento de placas. Los resultados indicaron que YOLOv8 sobresale por su precisión y rapidez, seguido de cerca por YOLOv5, mientras que Detectron2, aunque más lento, mostró alta precisión y fiabilidad. Para el desarrollo de esta investigación, se utilizó la herramienta Colab para gestionar las redes neuronales y un dataset de 700 imágenes de vehículos, que fueron etiquetadas usando Roboflow. Los resultados mostraron una disminución significativa en las pérdidas de entrenamiento y validación, indicando una mejora continua en la capacidad de los modelos para identificar y localizar objetos con precisión. La implementación de estas tecnologías permitió una identificación eficiente de las placas vehiculares, facilitando la labor de las autoridades en la gestión de incidentes delictivos y accidentes. Los modelos propuestos ofrecen una base sólida para futuras mejoras. Se concluye que los modelos de redes neuronales convolucionales como YOLOv5, YOLOv8 y Detectron2 representan una herramienta eficaz para la identificación de placas vehiculares en entornos locales. 2024-11-22 2024-12-30T16:28:48Z 2024-12-30T16:28:48Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/8329 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/8329 2026-11-10T21:39:33Z |
| spellingShingle | detección entrenamiento modelos objetos optimización reconocimiento Ruiz Herrera, José Antonio Zumaeta Diaz, Erick Daniel Redes neuronales convolucionales para la identificación de placas vehiculares |
| title | Redes neuronales convolucionales para la identificación de placas vehiculares |
| title_full | Redes neuronales convolucionales para la identificación de placas vehiculares |
| title_fullStr | Redes neuronales convolucionales para la identificación de placas vehiculares |
| title_full_unstemmed | Redes neuronales convolucionales para la identificación de placas vehiculares |
| title_short | Redes neuronales convolucionales para la identificación de placas vehiculares |
| title_sort | redes neuronales convolucionales para la identificacion de placas vehiculares |
| topic | detección entrenamiento modelos objetos optimización reconocimiento |
| topic_facet | detección entrenamiento modelos objetos optimización reconocimiento |
| url | https://hdl.handle.net/20.500.12840/8329 |
| work_keys_str_mv | AT ruizherrerajoseantonio redesneuronalesconvolucionalesparalaidentificaciondeplacasvehiculares AT zumaetadiazerickdaniel redesneuronalesconvolucionalesparalaidentificaciondeplacasvehiculares |