Estudio de factibilidad del uso de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular del transporte público

Barra lateral del artículo

Publicación 32. Vol 3. No 3. HTML EPUB
Publicado: Aug 13, 2020
DOI: https://doi.org/10.33262/concienciadigital.v3i3.1355
Palabras clave:
aforo, vehicular, redes neuronales, inferencia, clasificación.

Contenido principal del artículo

Patricio Xavier Moreno Vallejo
Escuela Superior Politécnica de Chimborazo
Gisel Katerine Bastidas Guacho
Escuela Superior Politécnica de Chimborazo
Patricio René Moreno Costales
Escuela Superior Politécnica de Chimborazo

Resumen

El análisis del tránsito vehicular ha tomado gran importancia en los últimos años debido al incremento considerable de vehículos en las vías, lo que hace que muchas veces exista congestiones vehiculares, por lo que, es necesario conocer el aforo vehicular que transita por determinadas vías, de tal forma que se puede tomar decisiones para mejorar el tránsito vial como abrir vías alternas, cambiar temporización de semáforos, mejorar señalética de las vías, etc. Existen estudios que realizan el conteo e identificación de vehículos de forma manual mediante observación, sin embargo, esta técnica puede ser ineficiente ya que se debe contar con personas que realicen este conteo en una o varias vías durante un periodo de tiempo determinado, además, no permite capturar la información en varías horas del día.  Por otro lado, existen técnicas que pueden ser complejas de configurar o que intervienen en el flujo normal del tráfico como rampas con sensores y lazo inductivo. Por lo que se ve la necesidad de usar una técnica que permita el conteo e identificación de vehículos de una manera más eficiente y que no intervenga en el flujo del tránsito. El presente estudio plantea la utilización de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular. Se generó un modelo de redes neuronales artificiales que a través de video permite detectar y clasificar vehículos del transporte público que transitan por las vías con un nivel de certeza del 94.29%. Además, se probó el modelo en tiempo real mediante el uso de una aplicación móvil y la cámara del smartphone, demostrando que el modelo puede ser usado siempre que se tenga acceso a video sin la necesidad de una calibración o configuración del sistema. Por lo tanto, en base al alto nivel de certeza obtenido y las pruebas realizadas en tiempo real, queda demostrado que es factible la creación de sistemas que no requieran calibración ni configuraciones complejas basados en el uso de redes neuronales artificiales para la automatización del aforo y clasificación vehicular.  

Descargas

La descarga de datos todavía no está disponible.

Detalles del artículo

Cómo citar
Moreno Vallejo, P. X., Bastidas Guacho, G. K., & Moreno Costales, P. R. (2020). Estudio de factibilidad del uso de modelos de redes neuronales artificiales en la automatización del aforo y clasificación vehicular del transporte público. ConcienciaDigital, 3(3), 528-540. https://doi.org/10.33262/concienciadigital.v3i3.1355
Número
Vol. 3 Núm. 3 (2020): Educación del Futuro
Sección
Artículos

Citas

Alpízar, Carlos, y Arnaldo del Risco Sánchez. 2012. “Diseño de un Sensor de Flujo Vehicular basado en Lazo Inductivo”. Revista Científica de Ingeniería Electrónica, Automática y Comunicaciones 33(1): 33–44.
Avery, Ryan P., Yinhai Wang, y G. Scott Rutherford. 2004. “Length-based vehicle classification using images from uncalibrated video cameras”. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC: 737–42.
BETANCOURT, JUAN ESTEBAN. 2019. “Diseño de una plataforma de conteo automatizado para el aforo vehicular con base en la clasificación de (ejes y peso), para vías secundarias, como insumo de diseño de pavimentos flexibles”. UNIVERSIDAD PILOTO DE COLOMBIA 1(Novembere). http://dx.doi.org/10.1101/843326.
Chintalacheruvu, Naveen, y Venkatesan Muthukumar. 2012. “Video Based Vehicle Detection and its Application in Intelligent Transportation Systems”. Journal of Transportation Technologies 02(04): 305–14.
Harris, C., y M. Stephens. 2013. “A Combined Corner and Edge Detector”. Alvey vision conference: 23.1-23.6.
He, Kaiming, Georgia Gkioxari, Piotr Dollár, y Ross Girshick. 2018. “Mask R-CNN”. IEEE Transactions on Pattern Analysis and Machine Intelligence 42(2): 386–97.
Kingma, Diederik P, y Jimmy Lei Ba. 2015. “Adam: A method for stochastic optimization”. En 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, , 1–15.
Minge, Erik, Scott Petersen, y Jerry Kotzenmacher. 2011. “Evaluation of nonintrusive technologies for traffic detection, phase 3”. Transportation Research Record (2256): 95–103.
Mishra, Manish, y Monika Srivastava. 2014. “A view of artificial neural network”. En 2014 International Conference on Advances in Engineering & Technology Research (ICAETR-2014), , 1–3.
MONETTI, Julio, Micaela CONTRERAS, Martín NAVARRO, y Gerardo SEVILLANO. 2018. “PROPUESTA DE RECOLECCIÓN DE DATOS PARA AFORO VEHICULAR”. XX Workshop de Investigadores en Ciencias de la Computación - WICC 2018 : libro de actas: 6,13. http://hdl.handle.net/10915/67063.
Sharma, Satish C. 1983. “Minimizing Cost of Manual Traffic Counts: Canadian Example”. Transportation Research Record 905(2): 1–7.
Simonyan, Karen, y Andrew Zisserman. 2015. “Very deep convolutional networks for large-scale image recognition”. ICLR.
Slinn, Mike. 2006. “Traffic Engineering Design”. Traffic Engineering Design.
Srivastava, Nitish et al. 2014. “Dropout: a simple way to prevent neural networks from overfitting”. The journal of machine learning research 15(1): 1929–58.
Zheng, Pengjun, y McDonad Mike. 2012. “An Investigation on the Manual Traffic Count Accuracy”. Procedia - Social and Behavioral Sciences 43: 226–31. http://dx.doi.org/10.1016/j.sbspro.2012.04.095.