Detección de la señalización de tránsito vertical con redes neuronales convolucionales basadas en bloques residuales

Contenido principal del artículo

Adrian Javier Alarcon Vargas

Resumen

El objetivo del presente trabajo es entrenar una red neuronal capaz de detectar la señalización de tránsito vertical y clasificarla usando bloques residuales. La metodología utilizada para el desarrollo de la red neuronal comprende cuatro fases: definición de la red neuronal, entrenamiento, utilización y mantenimiento de la red neuronal. Para el desarrollo de la red neuronal se cuenta con dos datasets, el primero es de origen alemán, consta de 50.000 imágenes y es muy usado para la clasificación de señales de tránsito; y el segundo de origen boliviano, que tiene 9.548 imágenes de carretera. El porcentaje de eficacia de la red neuronal nro. 1 con el dataset GTSRB es alto, obteniendo un valor de 94.36%, además incluye valores altos en el reporte de clasificación, caso contrario sucede con el dataset de Bolivia debido a que el dataset está desbalanceado.

Detalles del artículo

Cómo citar
Alarcon Vargas, A. J. (2022). Detección de la señalización de tránsito vertical con redes neuronales convolucionales basadas en bloques residuales. FIDES ET RATIO, 24(24), Pág. 165- 193. https://doi.org/10.55739/fer.v24i24.124
Sección
Articles
Biografía del autor/a

Adrian Javier Alarcon Vargas, Instituto de Investigaciones en Ciencia y Tecnología, Universidad La Salle, Bolivia

Ingeniero de Sistemas con especialización en desarrollo de aplicaciones web y aplicaciones móviles. Miembro del Instituto de Investigación en Ciencia y Tecnología de la Universidad La Salle. ORCID: https://orcid.org/0000-0002-4716-4112

Citas

Abril, R. (s.f.). El descenso del gradiente. La máquina oráculo. https://lamaquinaoraculo.com/computacion/el-descenso-del-gradiente/
Aghdam, H., & Heravi, E. (2017). Guide to Convolutional. Editorial: Springer International. Obtenido de https://www.amazon.com/Guide-Convolutional-Neural-Networks-Classification/dp/331957549X
Ansari, S. (2020). Building Computer Vision Applications Using Artificial Neuronal Networks. Virginia, Editorial: Apress. Retrieved from https://www.amazon.com/-/es/Shamshad-Ansari/dp/148425886X
APIA XXI Ingenieros y Arquitectos Consultores. (2004). Manual de Dispositivos de Control de Tránsito. Administradora Boliviana de Carreteras. Obtenido de https://www.abc.gob.bo/wp-content/uploads/2018/09/manual_de_dispositivo_de_control_de_transito.pdf
Automóvil Club Boliviano. (2004). Educación y Seguridad Vial. Automóvil Club Boliviano. Editorial: Automóvil Club Boliviano.
Berzal, F. (2018). Redes Neuronales & Deep Learning. Granada. Obtenido de https://vdoc.pub/documents/redes-neuronales-deep-learning-4ou7rq5ahv80
Caicedo, E., & López, J. (2017). Una aproximación práctica a las redes neuronales artificiales. Editorial: Universidad del Valle. Obtenido de https://bibliotecadigital.univalle.edu.co/bitstream/handle/10893/10330/Una-aproximacion-practica-a-las-redes.pdf?sequence=6
Camacho, F., y Labrandero, J. (2016). “Redes neuronales convolucionales aplicadas a la traducción del lenguaje verbal español al lenguaje de señas Boliviano”. Revista Ciencia, Tecnología e Innovación. 12(13) 755-762 http://www.scielo.org.bo/pdf/rcti/v12n13/v12n13_a05.pdf
Charniak, E. (2018). Introduction to Deep Learning. Editorial: The MIT Press. Retrieved from https://www.amazon.com/Introduction-Deep-Learning-MIT-Press/dp/0262039516
Clark, C and Contributors. (s.f.). Pillow. Pillow. Obtenido de https://pillow.readthedocs.io/en/stable/
Cruz, P. (2010). Inteligencia Artficial con aplicaciones a la ingeniería (1ra ed.). Editorial: Alfaomega. Obtenido de https://lelinopontes.files.wordpress.com/2014/09/inteligencia-artificial-con-aplicaciones-a-la-ingenierc3ada.pdf
Dwivedi, P. (4 de Enero de 2019). Understanding and Coding a ResNet in Keras. Obtenido de Towards Data Science: https://towardsdatascience.com/understanding-and-coding-a-resnet-in-keras-446d7ff84d33
Figueiras, S. (20 de Septiembre de 2021). ¿CONOCES JUPYTER NOTEBOOK?. Centro Europeo de Postgrado y Empresa. https://www.ceupe.mx/blog/conoces-jupyter-notebook.html
Instituto Nacional de Estadística. (2020). REGISTROS ADMINISTRATIVOS. Obtenido de HECHOS DE TRÁNSITO: https://www.ine.gob.bo/index.php/registros-administrativos-seguridad/
Marín, R. (12 de Febrero de 2020). ¿Qué es OpenCV? Instalación en Python y ejemplos básicos. Revista Digital INESEM. https://www.inesem.es/revistadigital/informatica-y-tics/opencv/
Mittal, A. (3 de Junio de 2019). Introduction to U-Net and Res-Net for Image Segmentation. Medium. https://aditi-mittal.medium.com/introduction-to-u-net-and-res-net-for-image-segmentation-9afcb432ee2f
Nabila, N. (2018). A novel Focal Tversky loss function with improved Attention U-Net for lesion segmentation. arXiv preprint arXiv:1810.07842. Obtenido de https://arxiv.org/abs/1804.03999
Palma, J., & Marín, R. (2008). Inteligencia Artificial: Métodos, técnicas y aplicaciones. Editorial: McGraw-Hill. Obtenido de https://www.ingebook.com/ib/NPcd/IB_BooksVis?cod_primaria=1000187&codigo_libro=4085
Quispe, N. (s.f.). Redes Neuronales Artificiales, Metodología de Desarrollo y Aplicaciones. https://www.monografias.com/trabajos95/redes-neuronales-artificiales-metodologia-desarrollo-y-aplicaciones
Reynaga, R., & Yupanqui, F. (2022). Inteligencia Artificial Aplicada a Proyectos de Transporte. Redes Neuronales para la Clasificación de Señales de Tránsito. La Paz.
Sanchéz, A. (12 de Mayo de 2022). La librería Numpy. Aprende con Alf. https://aprendeconalf.es/docencia/python/manual/numpy/
Team Great Learning. (28 de Septiembre de 2020). Introduction to Resnet or Residual Network. Great Learning. https://www.mygreatlearning.com/blog/resnet/#sh12
Team Jupyter. (2015). Jupyter Notebook. Jupyter Notebook. https://jupyter-notebook.readthedocs.io/en/stable/notebook.html
Team Ligency I. (Noviembre de 2021). Masterclass en Inteligencia Artificial: con Proyectos Reales. Obtenido de Udemy: https://www.udemy.com/course/masterclass-en-inteligencia-artificial-crea-6-proyectos/
Team Tensorflow. (s.f.). Tensorflow Core. Tensorflow. https://www.tensorflow.org/overview?hl=es-419
Tomar, N. (6 de Febrero de 2021). What is RESUNET. Idiot Developer: https://idiotdeveloper.com/what-is-resunet/
Torres, J. (2020). Python Deep Learning. Introducción Práctica con Keras y TensorFlow 2 (1ra ed.). Editorial: Alfaomega. Obtenido de https://www.amazon.com/-/es/Jordi-Torres/dp/8426728286
Valero, J., Zúñiga, A., & Clares, J. (2021). “Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax”. . Revista de Investigación en Salud. 4(12) 624-633 http://www.scielo.org.bo/pdf/vrs/v4n12/2664-3243-vrs-4-12-190.pdf
Venkatesan, R., & Li, B. (2018). Convolutional Neural Networks in Visual Computing A Consice Guide. Editorial: CRC Press. Retrieved from https://www.amazon.com/-/es/Ragav-Venkatesan-ebook/dp/B076PPMR3C
Zocca, V., Spacagna, G., Slate, D., & Roelants, P. (2017). Python Deep Learning. Editorial: Packt. Obtenido de https://www.amazon.com/Python-Deep-Learning-techniques-architectures-ebook/dp/B07KQ29CQ3