Redes neuronales convolucionales: Un enfoque para la detección de obstrucción visual en cámaras de reversa automotrices

• LUIS CARLOS REVELES GÓMEZ ^[1] ; HUIZILOPOZTLI LUNA GARCIA ^[1] ; JOSE CELAYA PADILLA ^[1] ; ROSA MARIA GARCIA HERNANDEZ ^[1]
  1. [1] U. Autónoma de Zacatecas, México
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 99, Nº 2, 2024, págs. 181-187
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen

  • En los últimos años, el estudio de la Inteligencia Artificial en la industria automotriz ha dado lugar al diseño de sistemas inteligentes aplicados a la seguridad vial, destacando la importancia de mejorar la seguridad vial en todo el mundo, y reducir así el número de accidentes anuales. Una de las principales funciones de estos sistemas es, por ejemplo, la detección de peatones, que se realiza mediante cámaras y sensores tipo radar, entre otros. Sin embargo, factores ambientales provocan problemas de visibilidad y obstrucciones que dificultan la detección de peatones y provocan colisiones. Con el fin de contribuir a la solución del problema expuesto, en esta investigación se aplican dos casos de estudio utilizando Redes Neuronales Convolucionales. El primero utilizando un modelo pre-entrenado (Inception V3) y el segundo, un modelo propuesto (RvlsNet) para detectar suciedad en la lente de la cámara de marcha atrás de un vehículo. Este tipo de factores afectan directamente a la visibilidad, lo que conlleva un mayor riesgo de colisión al dar marcha atrás el vehículo. Aplicando una metodología general de minería de datos, obtuvimos un resultado de 0,9549 y 0,9416 de exactitud, respectivamente, para los modelos utilizados.