=
Estudio
de factibilidad del uso de modelos de redes neuronales artificiales en la
automatización del aforo y clasificación vehicular del transporte público
Feasibility study =
of
the use of artificial neural network models in the automation of vehicle co=
unt
and classification of public transport
Patricio
Xavier Moreno Vallejo.[1], =
Gisel
Katerine Bastidas Guacho.[2] <=
span
style=3D'mso-spacerun:yes'> & Patricio René Moreno Costales.[3]
The analysis of vehicular traffic has become impor=
tant
in recent years due to the considerable increase of vehicles on the roads,
which often is translated in traffic congestion. So, it is necessary to know
the vehicle capacity of the roads, in order to t=
ake
decisions to improve road traffic such as opening alternate roads, changing=
the
timing of traffic lights, improving road signs, and so on. There are studies
that perform the counting and identification of vehicles manually by
observation, however, this technique can be inefficient since it must have
people who perform this count on one or more roads during a certain period =
of
time, leaving out information of several hours of the day. On the other han=
d,
there are techniques that can be complex to configure or that interfere in =
the
normal flow of traffic such as ramps with sensors and inductive loops.
Therefore, there is a need to use a technique that allows the counting and
identification of vehicles in a more efficient way without interfering in t=
he
flow of traffic. This study proposes the use of artificial neural network
models in the automation of vehicle counting and classification. An artific=
ial
neural network model was generated that, through video, allows the detection
and classification of public transport vehicles that travel on the roads wi=
th
an accuracy of 94.29%. In addition, the model was tested in real time using=
an
app and a smartphone camera, demonstrating that the model can be used if vi=
deo
is available without the need for calibration or system configuration.
Therefore, based on the high level of certainty obtained and the tests carr=
ied
out in real time, the evidence demonstrate that it is feasible to create
systems that do not require calibration or complex configurations based on =
the
use of artificial neural networks for the automation of counting and
classifying vehicles.
Resumen.
El análisis del tránsito vehicular ha tomado gran
importancia en los últimos ańos debido al incremento considerable de vehícu=
los
en las vías, lo que hace que muchas veces exista congestiones vehiculares, =
por
lo que, es necesario conocer el aforo vehicular que transita por determinad=
as
vías, de tal forma que se puede tomar decisiones para mejorar el tránsito v=
ial
como abrir vías alternas, cambiar temporización de semáforos, mejorar
seńalética de las vías, etc. Existen estudios que realizan el conteo e
identificación de vehículos de forma manual mediante observación, sin embar=
go,
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 técnic=
as 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 travé=
s 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 d=
el
smartphone, demostrando que el modelo puede ser usado siempre que se tenga
acceso a video sin la necesidad de una calibración o configuración del sist=
ema.
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.
Palabras claves: aforo, vehicular, redes neuronales, inferencia,
clasificación.
Introducción.
Una de las ramas de la
ingeniería de transporte es la ingeniería de tránsito la cual se encarga de
estudiar todo lo correspondiente a las vías que forman parte de las redes
viales primarias, secundarias y terciarias de un sector. En esta rama de la
ingeniería se busca facilitar la toma de decisiones en base a simulaciones y
estudios de capacidad de vía para mejorar el tránsito vehicular. Sin embarg=
o,
para realizar dichos estudios es necesario poseer datos sobre el uso de la =
vía,
los cuales a menudo son difíciles de obtener debido a que el número de
vehículos que transitan por una vía no es un valor constante, sino que es un
valor variable de naturaleza aleatoria. Lo mismo sucede con las característ=
icas
de los vehículos ya que son variables, por ejemplo, el color, la forma, el
peso, la longitud. Por
lo tanto, la tarea de obtener datos referentes a los tipos de vehículos
(clasificación vehicular) y la
cantidad de vehículos que transitan por una vía (aforo vehicular), muchas de las veces se la deben realiz=
ar de
forma manual usando técnicas como la observación directa o a través de vide=
o.
Esta técnica tiende a ser costosa debido a que se debe contratar personal q=
ue
realice la observación y conteo correspondiente en una o varias vías durant=
e un
periodo de tiempo determinado. También tiende a ser imprecisa debido a que,=
por
el error de muestreo, puede darse el caso de que el día que se realiza el a=
foro
exista alguna eventualidad que provoque un incremento o decremento anómalo =
del
tránsito vehicular y esto ocasionaría errores en los estudios relacionados =
con
la capacidad de la vía. De igual forma, puede existir el error humano que por diferentes factores, como bloqueos visuales, p=
ueden
provocar errores en los valores reportados. (Minge, Petersen, y Kotzenmacher 2011) manifiestan que a menudo
los errores de conteos manuales son pequeńos y pueden ser ignorados, sin
embargo, (Zheng y Mike 2012) indican que el nivel de
certeza en los conteos manuales no han sido bien investigados y reportados;
también indican que el impacto de los errores depende mucho de la aplicació=
n y
son menos del 1% cuando son tareas de conteo y entre el 4 al 5% cuando son
tareas de clasificación. (Sharma 1983) realiza un estudio para
analizar el nivel de certeza de los conteos manuales llegando a la conclusi=
ón
que la precisión de los conteos cambia basado en el tipo de vía que van des=
de
vías con un flujo bajo de vehículos hasta vías que tienen un alto flujo de
vehículos; las variaciones de tráfico hora a hora durante el mismo día es un
factor que también influye por lo cual al momento de realizar un conteo se =
debe
seleccionar el horario más eficiente.
En el transcurso del tie=
mpo
se han llegado a definir varias metodologías para realizar el aforo vehicul=
ar. (Slinn 2006) describe tres de estas =
que
son no intervencionistas, es decir, que no afectan el flujo de tráfico que =
está
siendo medido: Conteos de tráfico automáticos, conteos manuales y movimient=
os
de giro. Los conteos de tráfico automáticos a menudo se usan cuando se requ=
iere
obtener datos durante un periodo extenso y se lo hace mediante la utilizaci=
ón
de tubos de presión o lazos inductivos que se encuentran fijos en algún pun=
to
de la vía. Por otra parte, los conteos manuales se emplean cuando no existe=
un
mecanismo de conteo automático o se requiere recolectar datos en un periodo=
de
tiempo corto. Por último, los conteos de movimiento de giro corresponden a =
la
recopilación de datos de vehículos que pasan por una intersección; estos da=
tos
se diferencian de las otras metodologías debido a que intervienen otros
factores como la aceleración y frenado de los diferentes tipos de vehículos=
que
son variables al momento de aproximarse a una intersección.
Algunas formas de
automatización del proceso de aforo vehiculares, incluye la propuesta reali=
zada
por (MONETTI et al. 2018), en donde a través de u=
na
aplicación móvil se recopilan los datos, sin embargo, los datos deben ser
ingresados manualmente por una persona por lo cual no varía mucho a lo que
sería un conteo manual. (Alpízar y del Risco Sánchez 2012)=
proponen un sensor de f=
lujo
vehicular basado en lazo inductivo, sin embargo, el dispositivo debe ser
instalado y fijado en un lugar debajo de la vía lo cual no da flexibilidad.=
(BETANCOURT 2019) propone una plataforma
portátil para el aforo vehicular que consta de una rampa de ingreso, sensor=
es
de ingreso, plataforma de pesaje y rampa de salida con una longitud de 9
metros, sin embargo, esta propuesta se va en contra del principio de las
metodologías de aforo vehicular que indica que las técnicas utilizadas no d=
eben
ser intervencionistas, y esta propuesta intervendría en el flujo normal de
tránsito al obligar a los vehículos a reducir la velocidad para acceder y
abandonar la plataforma mediante las rampas.
Una alternativa para
automatizar el conteo vehicular sin intervenir en el flujo vehicular es
utilizar cámaras de video, esta es una alternativa factible debido a que en=
los
últimos ańos varias ciudades alrededor del mundo ya disponen de circuitos
cerrados de televisión (CCTV) para el monitoreo del tráfico vehicular. China
posee las ciudades con mayor número de cámaras en sus CCTV, sin embargo,
ciudades de países que no son del primer mundo también poseen CCTV, incluso=
en
algunas zonas de las ciudades principales de los países como Quito, Ecuador
existen cámaras que forman parte de estos CCTV en cada intersección
semaforizada. Sin embargo, muchas veces a pesar de que existe la tecnología=
que
recopila miles de datos, en algunos casos durante las 24 horas del día, est=
os
datos no son pre-procesados o explotados al máx=
imo,
por lo general estos datos son únicamente almacenados y nunca más se vuelve=
n a
visualizar.
Por otra parte, existen
empresas como Iteris que ofertan sistemas compl=
ejos
para el conteo de vehículos a través de videos, sin embargo, requieren de
varios dispositivos electrónicos y un especialista que realice la calibraci=
ón
de los mismos. (Chintalacheruvu y Muthukumar 2012) proponen una alternativa basada en el
algoritmo de detección de esquinas de Harris-Stephen (Harris y Stephens 2013); esta propuesta también
requiere de una calibración inicial, posteriormente, recibe las capturas de
video en tiempo real, pre procesa los fotogramas de video en base a la
calibración inicial, se elimina el ruido de las imágenes debido a la baja
resolución de las cámaras (320x240), convierte las imágenes de colores a es=
cala
de grises y aplica el algoritmo de Harris-Stephen para detectar los vehícul=
os. (Avery, Wang, y Rutherford 2004) proponen un novedoso
sistema de conteo de vehículos en base al trazado de una línea digital de la
cual se toman los valores de los pixeles que la conforman, después analiza =
cada
fotograma de video y compara si los valores de los pixeles de la línea digi=
tal
han cambiado, una limitante es que se debe configurar un umbral de tal forma
que si la diferencia absoluta de los valores RGB de al menos 40% de los pix=
eles
de la línea es mayor a dicho umbral entonces se contabiliza un nuevo vehícu=
lo.
En este artículo se pret=
ende
determinar si es factible aplicar nuevas técnicas en la automatización del
conteo de vehículos como son modelos de Deep Learning<=
/span>
(Aprendizaje Profundo) que incluyen redes neuronales artificiales (ANN, por=
su siglas en inglés). La ventaja de esta propuesta es =
que no
necesita calibración de ningún tipo, ni configuraciones por parte del usuar=
io,
simplemente se necesita tener acceso al video captado por algún CCTV dado q=
ue
como el modelo de predicción es entrenado previamente detectará los objetos
indicados, en este caso vehículos. Algunas de las limitaciones de las redes
neuronales artificiales, como mencionan (Mishra y Srivastava 2014), es que no permiten
describir como se soluciona el problema o, en o=
tras
palabras, funcionan como una caja negras y provocan una gran carga
computacional.
El artículo está organiz=
ado
de la siguiente manera: en la sección Metodología se describe la metodología
utilizada para la creación del modelo de Deep Learning=
que permite detectar vehículos de transporte público como buses y taxis. En=
la
sección Resultados se presenta la aplicación del modelo en un conjunto de d=
atos
de prueba y se obtiene el nivel de certeza del mismo.
En la sección Discusión se revisan artículos similares y se comparan los
resultados obtenidos, adicionalmente, se presentan trabajos futuros que se
pueden derivar de esta investigación. Por último, en la sección Conclusione=
s se
establecen las conclusiones a las que se ha llegado con la presente investi=
gación.
Metodología.
El objetivo del presente estudio es obtener un mod= elo funcional de redes neuronales artificiales que permita detectar en un video= la presencia de un vehículo y clasificar el vehículo según su tipo: Bus, Taxi u Otro. Para cumplir con dicho objetivo, primeramente, se obtuvo una muestra = de imágenes de vehículos que transitaban por distintas vías de la ciudad de Riobamba. Las imágenes fueron tomadas desde diferentes ángulos de tal forma= que el modelo pueda aprender a clasificar los vehículos desde distintos ángulos= , de esta forma no será necesario colocar las cámaras en un ángulo específico. Posteriormente, las imágenes fueron recortadas con la finalidad de tener un solo vehículo por imagen para que pueda ser procesado y aprendido por el mo= delo. Luego las imágenes fueron agrupadas en tres categorías: Bus, Taxi, y Otro. A cada categoría se la agrupó en un conjunto de datos de entrenamiento y uno = de pruebas. El conjunto de datos entrenamiento se utilizó para entrenar al mod= elo, es decir, para que el modelo aprenda a identificar y clasificar los vehícul= os. El segundo conjunto de datos de pruebas, en cambio, se utilizó para medir el nivel de certeza del modelo con datos que no han sido vistos previamente. <= o:p>
Después de obtener los datos, se procedió a crear =
un
proyecto de Python para el desarrollo del modelo. Para el mismo se utilizar=
on
librerías de código abierto como son: Pandas para la manipulación de datos,=
numpy para el soporte de arreglos multidimensionales,=
Tensorflow para machine learning=
,
y Keras para Deep Learning=
.
Con las librerías importadas, se procedió a cargar los conjuntos de datos de
entrenamiento y pruebas en Python redimensionando todas las imágenes a la m=
isma
resolución de 256x256 pixeles debido a que es necesario tener la misma reso=
lución
para trabajar con los lotes de datos (batch) de=
las
redes neuronales artificiales. Tampoco se ha usado la resolución original de
las imágenes que iban de 520x317 hasta 1280x960 debido a que imágenes de al=
ta
calidad pueden requerir muchos recursos y tiempo de procesamiento para entr=
enar
los modelos de redes neuronales dado que realizan varios barridos de los da=
tos
para obtener los mejores resultados.
Usando Keras, se creó =
un
modelo secuencial que permite ir ańadiendo capas al modelo. Se configuró el=
modelo
y se procedió a entrenarlo con el conjunto de datos de entrenamiento. Para
evitar el sobreajuste del modelo se aplicó la técnica =
Dropout
propuesta por (Srivastava et&nb=
sp;al.
2014) en donde, de forma aleatoria, se descartan ciertas unidades (neuron=
as
artificiales) y sus conexiones durante el entrenamiento previniendo así que=
las
unidades se adapten demasiado a los datos.
Una vez que se encuentra entrenado el modelo se procede a evaluar el
mismo con el conjunto de datos de pruebas y se obtiene el nivel de certeza =
del mismo. Posteriormente, se configuró un script para=
que
acceda a nueva=
s
imágenes e identifique si eran vehículos y los clasifique según su tipo: Bu=
s,
Taxi, u Otro.
Finalmente, se guardó el modelo en un archivo h5 q=
ue
después fue convertido en un búfer plano comprimido usando TensoFlow
Lite para ser utilizado en una aplicación móvil que permita probar el model=
o en
tiempo real utilizando la cámara de video de un smartphone. La aplicación
activa la cámara de video y dependiendo de lo que se enfoca realizará la
detección de vehículos y su correspondiente clasificación.
Resultados.
En la primera etapa de la investigación se
recolectaron 146 imágenes de distintos vehículos que transitaban por las ví=
as
de la ciudad de Riobamba. Estas imágenes se clasificaron de forma manual se=
gún
el tipo de vehículo (Bus, Taxi, Otro) y posteriormente se agruparon en un
conjunto de datos de entrenamiento y otro de pruebas como se indica en la <=
/span>Tabla 1: Conjuntos de datos
utilizados en la generación del modeloTabla 1
Tabla 1: Conjuntos de datos utilizados en la
generación del modelo
|
Conjunto de datos |
Categoría |
Número de imágenes |
|
Entrenamiento |
Bus |
42 |
|
Taxi |
30 |
|
|
Otro |
39 |
|
|
Subtotal |
111 |
|
|
Pruebas |
Bus |
17 |
|
Taxi |
10 |
|
|
Otro |
8 |
|
|
Subtotal |
35 |
|
|
Total de imágenes |
146 |
Fuente:
Elaboración propia.
Se creó un modelo de redes neuronales usando la
librería keras. La configuración del modelo se
muestra en la Figura
1. Como se puede observar en la configuración, se usa transferencia de
conocimiento debido a que se utiliza inicialmente el modelo vgg16 propuesto=
por
(Simonyan y Zisse=
rman
2015) el cual ha demostrado que se generaliza bien a una amplia gama de
tareas relacionadas con la clasificación de imágenes y a otros conjuntos de
datos diferentes a los que usaron cuando se creó este modelo. En un principio se
trató de re-entrenar=
las
capas pero por la falta de recursos computacionales se desistió de esta opc=
ión
y se mantuvo los pesos de las unidades pre-entrenadas<=
/span>
del modelo vgg16. De este modelo se remueve la última capa y se
configura a cada una de las 21 capas conectadas densamente y convolucionales
como no entrenables, para evitar la actualizaci=
ón de
los pesos de las unidades debido a que el proceso de entrenamiento para este
modelo puede tomar mucho tiempo y requiere de muchos recursos. Después se
utiliza una capa Flatten para cambiar la forma =
del
tensor de salida del modelo vgg16 a una forma que es igual al número de
elementos contenidos en el tensor. Un tensor es un arreglo multidimensional=
el
cual es usado para representar los datos del modelo. Luego se agrega una ca=
pa
conectada densamente con 128 unidades y con la función de activación Unidad
Lineal Rectificada (RELU). Después se agrega una capa =
Dropout
para evitar el sobreajuste (overfitting) del mo=
delo a
los datos del conjunto de entrenamiento con una proporción de 0.4, que indi=
ca
que el 40% de las unidades serán descartadas en cada paso durante el tiempo=
del
entrenamiento. Finalmente, se agrega una capa densamente conectada con 3
unidades (una unidad por cada clase a predecir) y la función de activación =
SoftMax para realizar la predicción en base a la sele=
cción
de la clase que tenga mayor probabilidad.
Figura 1: Resumen del modelo de redes neuron=
ales
Cuando se concluyó la configuración de las capa=
s,
se compiló el modelo usando el optimizador que implementa el algoritmo de A=
dam
propuesto por (Kingma y Ba 2015), y para la métrica de evaluación se escogió el nivel de certeza. Co=
n el
modelo compilado, se procedió a entrenarlo en 10 ciclos (epochs).
Durante el entrenamiento, el modelo empezó con un nivel de certeza del 0.31=
91 y
se mantuvo mejorando hasta el quinto epoch donde
alcanzó un nivel de certeza del 0.9640, después se mantuvo mejorando leveme=
nte
para finalmente obtener un nivel de certeza de 0.9910 en el conjunto de dat=
os
de entrenamiento como se puede observar en la Figura
2. El proceso de
entrenamiento tardó 11 minutos en un computador con procesador core i7 de 2.5 GHz y memoria RAM de 12 GB. Python uti=
lizó a
lo sumo 33% del procesador y 3.5 GB de memoria RAM durante el entrenamiento.
Una vez que se obtuvo el modelo entrenado, se procedió a evaluar el modelo =
con
el conjunto de datos de pruebas, en este caso se alcanzó un nivel de certez=
a de
0.94285715 que vendría a indicar que aproximadamente el 94.29% de las veces=
el
modelo clasifica de forma correcta un vehículo como Bus, Taxi u Otro. Como =
se
puede observar el nivel de certeza del modelo es bastante alto lo que nos p=
uede
llevar a concluir que es factible el uso de redes neuronales en la detecció=
n de
vehículos y posterior conteo de los mismos. El m=
odelo
generado fue exportado desde Python como un archivo con extensión h5.
Figura
2: Proceso de entrenamiento del modelo de redes neuronales
artificiales con 10 epochs
Lo siguiente que se desea determinar, es si el
modelo de redes neuronales necesita algún tipo de calibración y/o configura=
ción
de los dispositivos para obtener una buena predicción. Por lo tanto, se pro=
bó
el modelo en una aplicación móvil en tiempo real para determinar si el mode=
lo
se ve afectado por el ángulo de la cámara. Por lo que, fue necesario cargar=
el
modelo en un dispositivo móvil, para esto se transformó el modelo a TensorFlow Lite usando las herramientas de conversión=
que
proporciona TensorFlow. Esta transformación con=
vierte
el modelo en un archivo comprimido FlatBuffer, =
por lo
tanto, fue necesario evaluar nuevamente el modelo con extensión tflite. En la evaluación del modelo comprimido se obt=
uvo el
mismo nivel de certeza del modelo sin comprimir 94.29%. Entonces se procedi=
ó a
generar la aplicación móvil en base a las aplicaciones de código abierto que
presenta Tensor Flow Lite. Durante las pruebas se pudo determinar que el mo=
delo
puede identificar los vehículos desde diferentes ángulos sin necesidad de
calibración como se muestra en la ĄError! No se encuentra el origen de la referen=
cia.. También es importante resaltar que, durante las pruebas, el tiempo=
que
le tomó a un smartphone realizar la clasificación (tiempo de inferencia) fu=
e de
96 milisegundos, que es bastante rápido para los recursos que posee compara=
do
con un computador.
Figura 3: a) Detección de buses usando modelo de redes neuronales
cargado en aplicación móvil. b) Detec=
ción
de taxis usando modelo de redes neuronales cargado en aplicación móvil. c) Detección de otros vehículos usando modelo de redes
neuronales cargado en aplicación móvil
a)
b)
c)
Fuente: <=
/span>Elaboración propia.
El archivo con extensión=
h5
que contiene el modelo de redes neuronales generado para el computador tien=
e un
tamańo de 106.706 KB y el archivo con extensión tflite=
que contiene el modelo de redes neuronales para dispositivos móviles tiene =
un
tamańo de 18.488 KB. Como se puede notar, el tamańo de los archivos es bast=
ante
pequeńo que puede ser compartido fácilmente y puede ser utilizado en una
aplicación móvil sin necesidad de consumir muchos recursos.
Discusión.
Durante
el desarrollo de este estudio se ha obtenido un modelo de redes neuronales =
que
permite clasificar vehículos con el fin de demostrar la factibilidad de la
utilización de redes neuronales artificiales en la automatización del aforo
vehicular y clasificación de vehículos de transporte público por medio de v=
ideo
captado por cámaras sin la necesidad de una configuración o calibración
inicial. Trabajos futuros se puede usar el modelo propuesto en este estudio
como base para crear un modelo más sofisticado que incluya métodos como el =
Mask R-CNN (He et al. 2=
018) que permite enmarcar cada objeto que se desea
detectar. Por otra parte, (Avery, Wang, y
Rutherford 2004) proponen un algoritmo para la detección de vehícu=
los,
sin embargo, este algoritmo requiere de cierta configuración inicial para c=
rear
una línea digital sobre la cual deben pasar los vehículos para ser detectad=
os
siempre y cuando la variación de los colores en la línea sea mayor a un umb=
ral
configurado inicialmente; esta configuración inicial muchas de las veces pu=
ede
ser un proceso tedioso que debe pasar por pruebas con el fin de seleccionar=
la
mejor configuración; en este caso la existencia de un sistema basado en red=
es
neuronales que no requiera configuración inicial puede ser de gran utilidad
para los usuarios finales porque puede minimizar costos y tiempos de
instalación. (Chintalacheruvu =
y Muthukumar
2012) proponen un sistema para la detección de vehículos basado en el
algoritmo de detección de esquinas de Harris-Stephen que se encuentra
implementando en la librería OpenCV, esta soluc=
ión
permite identificar a los vehículos mediante la detección de puntos de inte=
rés
en los mismos separando las vías en carriles, por lo cual, se necesita de u=
na
calibración inicial del sistema en base al ángulo de la cámara para determi=
nar
cada uno de los carriles y la dirección de los vehículos; este proceso puede
llegar a ser abrumador dado que se lo tiene que realizar por cada cámara de
video dado que una variación en el ángulo de la cámara provocaría una des
calibración del sistema. Por lo tanto, la propuesta de utilizar modelos de
redes neuronales que pueden trabajar sin previa calibración sigue siendo una
alternativa que podría mejorar la automatización del aforo vehicular
simplemente accediendo al video de los CCTV que ya se encuentran en muchas
ciudades del mundo funcionando desde hace varios ańos.
Conclusiones:
ˇ =
En este trabajo se analiza la factibil=
idad de
utilizar modelos de predicción de redes neuronales artificiales en la
automatización del aforo y clasificación vehicular, por lo cual, se ha
desarrollado satisfactoriamente un modelo de ANN que permite identificar
vehículos y clasificarlos en una de tres categorías con un nivel de certeza=
del
94.29%. El tiempo de entrenamiento del modelo fue de 11 minutos que es
relativamente rápido debido a que se usó como base el modelo pre-entrenado vgg16 que contiene 21 capas que incluyen
capas densamente conectadas y convolucionales. También es importante notar =
que
los modelos generados ocupan muy poco espacio y eso les permite trabajar ta=
nto
en computadores como en dispositivos móviles teniendo un tiempo de inferenc=
ia
máximo de 96 milisegundos en dispositivos móviles.
ˇ =
La aplicación móvil permitió probar la
detección y clasificación de vehículos en tiempo real y con variaciones del
ángulo de la cámara para demostrar que los modelos de redes neuronales pued=
en
realizar inferencias sin necesidad de una calibración previa en el sistema o
las cámaras de video siempre y cuando se entrene al modelo con una basta
cantidad de datos. En este estudio la mayoría de los datos utilizados
correspondían a fotos de vehículos tomadas desde diferentes perspectivas y
alturas.
ˇ =
Por último, se concluye que, debido a =
que se
ha demostrado la factibilidad del uso de redes neuronales artificiales en la
automatización del aforo y clasificación vehicular, se debe profundizar en =
el perfeccionamiento
de modelos de ANN para incluir métodos más complejos como Mask
R-CNN que permitan incrementar el nivel de certeza y funcionen cuando exist=
en
varios vehículos al mismo tiempo.
Referenci=
as
bibliográficas.
Alpízar, Carlos, y Arnaldo del Ri=
sco
Sánchez. 2012. Diseńo de un Sensor de Flujo Vehicular basado en Lazo
Inductivo. Revista Científica de Ingeniería Electrónica, Automática y
Comunicaciones 33(1): 3344.
Avery, Ryan P., Yinhai Wang, y G.
Scott Rutherford. 20=
04.
Length-based vehicle classification using images from uncalibrated video
cameras. IEEE Conference on Intelligent Transportation Systems, Proceeding=
s,
ITSC: 73742.
BETANCOURT, JUAN ESTEBAN. =
2019. Diseńo 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 diseńo de pavimentos
flexibles. UNIVERSIDAD PILOTO DE COLOMBIA 1(Novembere).
http://dx.doi.org/10.1101/843326.
Chintalacheruvu, Naveen, y Venkat=
esan
Muthukumar. 20=
12.
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, Pi=
otr
Dollár, y Ross Girshick. 2018. Mask R-CNN. IEEE Transactions on Pattern
Analysis and Machine Intelligence 42(2): 38697.
Kingma, Diederik P, y Jimmy Lei B=
a.
2015. Adam: A method for stochastic optimization. En 3rd International Co=
nference
on Learning Representations, ICLR 2015 - Conference Track Proceedings, , 1=
15.
Minge, Erik, Scott Petersen, y Je=
rry
Kotzenmacher. 2011. Evaluation of nonintrusive technologies for traffic
detection, phase 3. Transportation Research Record (2256): 95103.
Mishra, Manish, y Monika Srivasta= va. 2014. A view of artificial neural network. En 2014 International Conferen= ce on Advances in Engineering & Technology Research (ICAETR-2014), , 13.<= o:p>
MONETTI, Julio, Micaela CONTRERAS,
Martín NAVARRO, y Gerardo SEVILLANO. 2018. PROPUESTA DE RECOLECCIÓN DE DAT=
OS
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. Minimizi=
ng
Cost of Manual Traffic Counts: Canadian Example. Transportation Research
Record 905(2): 17.
Simonyan, Karen, y Andrew Zisserm=
an.
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): 192958.
PARA CITAR EL ARTÍCULO INDEXADO.
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.o=
rg/10.33262/concienciadigital.v3i3.1355
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Concienc=
ia
Digital.
El
artículo queda en propiedad de la revista y, por tanto, su publicación parc=
ial
y/o total en otro medio tiene que ser autorizado por el director de la Revista Conciencia Digital.
[1] Escue=
la
Superior Politécnica de Chimborazo, Facultad de Administración de Empresas.
Riobamba, Ecuador. xavier.moreno@espoch.edu.ec
[2] Escue=
la
Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica,
Riobamba, Ecuador. gis.bastidas@espoch.edu.ec
[3] Escue=
la
Superior Politécnica de Chimborazo, Facultad de Informática y Electrónica,
Riobamba, Ecuador. pmoreno@espoch.edu.ec