Detección e identificación de características de vehículos utilizando algoritmos de machine learning
En esta tesis de maestría en ciencias de la ingeniera se propone una implementación modular para resolver el problema del reconocimiento automático de patentes vehiculares (ALPR) basado en un esquema detección-detección-reconocimiento, usando íntegramente deep learning. Se pretende emplear esta i...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2020
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/986/1/Mariotti.pdf |
| Aporte de: |
| id |
I25-R131-986 |
|---|---|
| record_format |
dspace |
| institution |
Instituto Balseiro |
| institution_str |
I-25 |
| repository_str |
R-131 |
| collection |
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) |
| language |
Español |
| orig_language_str_mv |
es |
| topic |
Visión artificial Machine learning Aprendizaje automático [Automatic licence plate recognition Reconocimiento automático de patentes vehiculares Deep learning Aprendizaje profundo Convolutional neural networks Redes neuronales convolucionales Objetc oriented programming Programación orientada a objetos] |
| spellingShingle |
Visión artificial Machine learning Aprendizaje automático [Automatic licence plate recognition Reconocimiento automático de patentes vehiculares Deep learning Aprendizaje profundo Convolutional neural networks Redes neuronales convolucionales Objetc oriented programming Programación orientada a objetos] Mariotti, Enrique N. Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| topic_facet |
Visión artificial Machine learning Aprendizaje automático [Automatic licence plate recognition Reconocimiento automático de patentes vehiculares Deep learning Aprendizaje profundo Convolutional neural networks Redes neuronales convolucionales Objetc oriented programming Programación orientada a objetos] |
| description |
En esta tesis de maestría en ciencias de la ingeniera se propone una implementación
modular para resolver el problema del reconocimiento automático de patentes
vehiculares (ALPR) basado en un esquema detección-detección-reconocimiento, usando
íntegramente deep learning. Se pretende emplear esta implementación para aplicaciones
practicas que involucran control vehicular visual de cualquier tipo.
A lo largo de este trabajo se empleo un enfoque modular, dividiendo el objetivo
principal en etapas progresivas. Se desarrollaron módulos individuales, que implementan
una arquitectura de clases basada en el paradigma orientado a objetos (OOP), lo que
los hace genéricos y fácilmente modificables. A su vez, los módulos u objetos individuales
pueden ser usados con otros propósitos, como ser la lectura de texto impreso o señales
de transito en imágenes de tracfio urbano.
Durante la realización de esta tesis se priorizo el uso de transfer learning en redes
profundas convolucionales (CNN), con el objetivo de adaptarse a una disponibilidad
de recursos limitada y para disminuir considerablemente los tiempos asociados al
entrenamiento.
La etapa primaria de segmentación fue basada en un esquema de detección de código
libre denominado usualmente YOLOv3, el cual fue re-entrenado con imágenes naturales
de vehículos perteneciente a un dataset de acceso publico. La etapa de reconocimiento
de texto se lleva a cabo mediante una red recurrente-convolucional (RCNN) que realiza
el reconocimiento de la sentencia. Finalmente, el nexo entre estas dos redes esta dado
por un esquema detección de uso comercial denominado CRAFT.
En este escrito se presentan todos los detalles de la implementación de dicho esquema,
y por sobre el final del mismo, se evalúa cuantitativamente la performance del sistema
usando diferentes métricas contra OpenALPR, un software de uso extendido en el
área de reconocimiento de patentes vehiculares. |
| format |
Tesis NonPeerReviewed |
| author |
Mariotti, Enrique N. |
| author_facet |
Mariotti, Enrique N. |
| author_sort |
Mariotti, Enrique N. |
| title |
Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| title_short |
Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| title_full |
Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| title_fullStr |
Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| title_full_unstemmed |
Detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| title_sort |
detección e identificación de características de vehículos utilizando algoritmos de machine learning |
| publishDate |
2020 |
| url |
http://ricabib.cab.cnea.gov.ar/986/1/Mariotti.pdf |
| work_keys_str_mv |
AT mariottienriquen deteccioneidentificaciondecaracteristicasdevehiculosutilizandoalgoritmosdemachinelearning |
| _version_ |
1812569748132593664 |
| spelling |
I25-R131-9862021-10-12T18:18:12Z Detección e identificación de características de vehículos utilizando algoritmos de machine learning Feature extraction from images of vehicles using machine learning algorithms Mariotti, Enrique N. Visión artificial Machine learning Aprendizaje automático [Automatic licence plate recognition Reconocimiento automático de patentes vehiculares Deep learning Aprendizaje profundo Convolutional neural networks Redes neuronales convolucionales Objetc oriented programming Programación orientada a objetos] En esta tesis de maestría en ciencias de la ingeniera se propone una implementación modular para resolver el problema del reconocimiento automático de patentes vehiculares (ALPR) basado en un esquema detección-detección-reconocimiento, usando íntegramente deep learning. Se pretende emplear esta implementación para aplicaciones practicas que involucran control vehicular visual de cualquier tipo. A lo largo de este trabajo se empleo un enfoque modular, dividiendo el objetivo principal en etapas progresivas. Se desarrollaron módulos individuales, que implementan una arquitectura de clases basada en el paradigma orientado a objetos (OOP), lo que los hace genéricos y fácilmente modificables. A su vez, los módulos u objetos individuales pueden ser usados con otros propósitos, como ser la lectura de texto impreso o señales de transito en imágenes de tracfio urbano. Durante la realización de esta tesis se priorizo el uso de transfer learning en redes profundas convolucionales (CNN), con el objetivo de adaptarse a una disponibilidad de recursos limitada y para disminuir considerablemente los tiempos asociados al entrenamiento. La etapa primaria de segmentación fue basada en un esquema de detección de código libre denominado usualmente YOLOv3, el cual fue re-entrenado con imágenes naturales de vehículos perteneciente a un dataset de acceso publico. La etapa de reconocimiento de texto se lleva a cabo mediante una red recurrente-convolucional (RCNN) que realiza el reconocimiento de la sentencia. Finalmente, el nexo entre estas dos redes esta dado por un esquema detección de uso comercial denominado CRAFT. En este escrito se presentan todos los detalles de la implementación de dicho esquema, y por sobre el final del mismo, se evalúa cuantitativamente la performance del sistema usando diferentes métricas contra OpenALPR, un software de uso extendido en el área de reconocimiento de patentes vehiculares. In this master of science in engineering thesis, a modular implementation is proposed to solve the problem of automatic licence plate recognition (ALPR), based on a detection-detection-recognition scheme, done entirely using deep learning. The scheme here presented is intended to be used for practical applications involving visual vehicle control of any kind. A modular approach was used throughout this work, dividing the main objective into progressive stages. Individual modules were developed, which implement a class architecture based on the object-oriented paradigm (OOP) that makes them generic and easily modifiable. In turn, the modules or individual objects can be used for other purposes, such as reading printed text or traffic signs in images of urban traffic. During the completion of this thesis, the use of transfer learning on deep convolutional networks (CNN) was prioritized, in order to adapt to a limited availability of resources and to reduce considerably the time associated with training. The primary segmentation stage was based on an open source detection scheme usually named YOLOv3, which was re-trained with natural images of vehicles belonging to a public access dataset. The text recognition stage is carried out by means of a recurrent-convolutional network (RCNN) that performs the recognition of the sentence. Finally, the link between these two networks is given by a commercial detection scheme called CRAFT. In this writing, all the details of the scheme implementation are presented, and near the end of it, the performance of the system is quantitatively evaluated using different metrics against OpenALPR, a software widely used in the eld of automatic licence plate recognition. 2020-11-10 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/986/1/Mariotti.pdf es Mariotti, Enrique N. (2020) Detección e identificación de características de vehículos utilizando algoritmos de machine learning / Feature extraction from images of vehicles using machine learning algorithms. Maestría en Ingeniería, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/986/ |