análisis del sistema automático de conteo y ... · objetivo analizar el sistema automático de...
TRANSCRIPT
Análisis del sistema automático de conteo y clasificación de flujo vehicular basado en secuencias de video y redes neuronales artificiales
Wendolyn Almeida Maltos
Introducción
Vehículo pequeño
Vehículo Mediano
Vehículo Grande
Objetivo
Analizar el sistema automático de conteo y clasificación de flujo vehicular basado en secuencias de video y redes neuronales artificiales para observar su comportamiento al momento de llevar a cabo la detección y clasificación vehicular ; así mismo para determinar que tan robusto es el sistema.
Estructura
Grabar video en sintram con ayuda de tarjeta capturadora de video
Transformar videos para reducir espacio en memoria con div x converter
Procesar imágenes con matlab
definir patrones de entrenamiento
Procesar RNA con matlab
Primera parte
Procesamiento de Imágenes
Cámara 9
Parámetros
Definir Área De Interés
Detección De Bordes
Dilatación De Bordes Rellenar Agujeros Eliminación De Objetos Incompletos
Erosionar imagen
Visita Al Sintram
Cámara 4 (Lázaro Cárdenas y Vasconzelos)
Cámara 5 (Constitución y Venustiano Carranza)
Cámara 12 (Manuel Barragán y Sendero)
Cámara 13 (Gonzalitos y Lincoln )
Cámara 5
Cámara 12
Cámara 4
Matlab: 974 automóviles
Visualmente: 269 automóviles
Cámara 13
Matlab: 609 automóviles
Visualmente: 408 automóviles
Conclusiones de la primera parte
Condiciones para una buena operación del sistema:
Cámara centrada
Condiciones ambientales y climatologicas No lluvia No sombras
Flujo continuo
Segunda parte
Red Neuronal Artificial
Red neuronal artificial
Z1
Z2
Z3
A
Y3
Y2
Y1
P2
B
P1
W11
W21
W31W12
W22
W32
A1 A2
A3
V11
V21
V31
V12
V22
V32
V13
V23
V33B1 B
2
B3
Wij VjkF1 F2
Clase 1
Clase 2
Clase 3
CAPA DE ENTRADA CAPA OCULTA CAPA DE SALIDA
Pesos
W11,W21,W31,W12,W22,W32A1,A2,A3V11,V21,V31,V12,V22,V32,V13,V23,V33B1,B2,B3
f 1 x =ex−e−x
exe−x f 2 x =x
Wij = peso en el arco que une la i-esima neurona de la capa de entrada con la J-esima neurona de la capa oculta.
Vjk = peso en el arco que une la j-esima neurona de la capa oculta con lak-esima neurona de la capa de salida.
i = 1,2 j = 1,2,3 k= 1,2,3
Red neuronal
CONJUNTO DE ENTRENAMIENTO
SSE =0.5852SST = 10R² = 94%
CONJUNTO DE VALIDACION
SSE = 0.3459SST = 6R² =94%
Matriz de clasificación
500G
050M
005P
GMP
Matriz de clasificación
33.33333300G
033.33333330M
0033.3333333P
GMP
Matriz de clasificació
n (%)
300G
030M
003P
GMP
Matriz de clasificació
n
33.33333300G
033.33333330M
0033.3333333P
GMP
Matriz de clasificación
(%)
100% 100%
0%
0%
Conjunto de entrenamiento Conjunto de validación
Conclusiones de la segunda parte
La red neuronal artificial realizó una clasificación perfecta, con lo cual se concluye que el utilizar éste modelo permite tener éxito en los estudios de clasificación vehicular efectuados.
Agradecimientos
A la Universidad Autónoma de Nuevo León (UANL), a la Facultad de IngenieríaMecánica y Eléctrica (FIME),así como al Posgrado en Ingeniería de Sistemas (PISIS).
A la Academia mexicana de ciencia e investigación.
Al Instituto de ingeniería civil
Dr. Mauricio cabrera ríos
Lic . Mauro Jesús Maldonado Chan