Detección e Identificación de Vehículos Mediante Técnicas de Inteligencia Artificial
Palabras clave:
Detección, Identificación, Oclusión, Rastro, Redes neuronales convulsionalesResumen
Este trabajo presenta un modelo para la detección e identificación de vehículos en la vía pública. A este fin, se considera un modelo de inteligencia artificial que utiliza como base el modelo YOLO (You Only Look Once) y el algoritmo DeepSORT (Simple Online and Realtime Tracking). El modelo resultante logró mantener el rastreo de vehículos en diferentes situaciones de oclusiones y condiciones ambientales variables. Una vez detectado e identificado el vehículo, se procuró su rastreo por el modelo de forma eficiente. Como derivado del desarrollo del modelo, se creó un conjunto de datos de vehículos que cotidianamente se encuentran en las calles de la República Argentina, que contiene 1769 imágenes etiquetadas para el sistema YOLO. Este trabajo representa una prueba de concepto para generar nuevos modelos con funcionalidades superiores. Los resultados muestran que la dirección es adecuada.
Citas
J. Redmon, S. Divvala, R. Girshick y A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” en 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779–788. [En línea]. Disponible: https://arxiv.org/abs/1506.02640
Tesla, “Inteligencia artificial y Autopilot,” 2024. [En línea]. Disponible: https://www.tesla.com/es_cl/AI
N. Wojke, A. Bewley y D. Paulus, “Simple Online and Realtime Tracking with a Deep Association Metric,” en 2017 IEEE International Conference on Image Processing (ICIP), Beijing, China, 2017, pp. 3645–3649. [En línea]. Disponible: https://arxiv.org/abs/1703.07402
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2015). You Only Look Once: Unified, real-time object detection
(arXiv:1506.02640). arXiv. https://doi.org/10.48550/arXiv.1506.02640
A. Rosebrock, “Non-Maximum Suppression for Object Detection in Python”, pyimagesearch, 2024. [En línea] Disponible: https://pyimagesearch.com/2014/11/17/non-maximum-suppressionobject-detection-python/
Ultralytics, “YOLOv5 Documentation,” 2024. [En línea]. Disponible: https://docs.ultralytics.com/yolov5/
F. Rosenblatt, “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain,” Psychological Review, vol. 65, no. 6, pp. 386–408, 1958. [En línea]. Disponible: https://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf
VLC Media Player, VideoLAN Organization. [En línea] Disponible: https://www.videolan.org/vlc/index.es.html
LabelImg, GitHub. [En línea] Disponible: https://github.com/HumanSignal/labelImg
H. Ma, “DeepSORT_YOLOv5_Pytorch,” Repositorio GitHub. [En línea]. Disponible: https://github.com/HowieMa/DeepSORT_YOLOv5_Pytorch
A. Bewley, Z. Ge, L. Ott, F. Ramos y B. Upcroft, “Simple online and realtime tracking,” en 2016 IEEE International Conference on Image Processing (ICIP), Phoenix, AZ, USA, 2016, pp. 3464–3468.
M. Hussain, “YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection,” Machines, vol. 11, no. 7, p. 677, 2023. [En línea]. Disponible: https://doi.org/10.3390/machines11070677
IBM, “¿Qué son las redes neuronales convolucionales?,” 2024. [En línea]. Disponible: https://www.ibm.com/eses/topics/convolutional-neural-networks
X. Zhao, L. Wang, Y. Zhang et al., “A review of convolutional neural networks in computer vision,” Artificial
Intelligence Review, vol. 57, 2024. [En línea]. Disponible: https://doi.org/10.1007/s10462-024-10721-6
A. M. Turing, “Computing Machinery and Intelligence,” Mind, vol. LIX, no. 236, pp. 433–460, Oct. 1950. [En línea].
Disponible: https://doi.org/10.1093/mind/LIX.236.433
J. McCarthy, M. L. Minsky, N. Rochester y C. E. Shannon, “A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence,” 1955. [En línea]. Disponible: http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
J. Moor, “The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years,” AI Magazine, vol. 27, no. 4, pp. 87–91, 2006. [En línea]. Disponible: https://www.researchgate.net/publication/220605256_The_Dartmo
uth_College_Artificial_Intelligence_Conference_The_Next_Fifty_Years
S. Ioffe y C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” en Proceedings of the 32nd International Conference on Machine Learning (ICML), Lille, Francia, 2015, pp. 448–456. [En línea]. Disponible: https://arxiv.org/abs/1502.03167
V. Rastogi, “Max Pooling Layer In Computer Vision,” Medium, 2023. [En línea]. Disponible: https://medium.com/@vaibhav1403/max-pooling-layer-incomputer-vision-8cccfd91c521
W. S. McCulloch y W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” Bulletin of Mathematical Biophysics, vol. 5, no. 4, pp. 115–133, 1943. [En línea]. Disponible: https://www.cs.cmu.edu/~./epxing/Class/10715/reading/McCulloch.and.Pitts.pdf
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 InFo-Cyber. Journal of Cybersecurity and Digital Forensics
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
