Propuesta de automatización del aforo vehicular a partir de imágenes viales usando redes neuronales convolucionales

Abstract

El conocimiento del flujo vehicular de una via es un factor importante al momento de la planificacion vial. Por lo tanto, en el presente estudio se propone un modelo de aprendizaje profundo basado en la arquitectura de redes neuronales Faster-RCNN para contabilizar el aforo vehicular sin la necesidad de supervision humana. La metodologia de investigacion experimental utilizada permitio probar y optimizar el modelo candidato con el algoritmo de gradiente descendente para localizar vehiculos y determinar el aforo vehicular en imagenes viales. El modelo propuesto recibe como entrada una imagen representada en una matriz y da como salida la imagen con los vehiculos localizados. Una vez entrenado el modelo con imagenes de autopistas de China, se evaluo el rendimiento del mismo con imagenes de vias del Ecuador captadas por camaras del ECU911 que se encuentran disponibles en la web. Como resultado de la evaluacion se obtuvo un modelo funcional de aprendizaje profundo para la automatizacion del aforo vehicular con un 95% de certeza. A pesar de que el modelo fue entrenado con imagenes de otro pais, los resultados muestran que el modelo se adapta de forma favorable a la realidad del Ecuador con un tiempo de inferencia optimo de 0.28 segundos.