Prototipo de cámara inteligente identificadora de espacios disponibles en un estacionamiento aplicando redes neuronales convolucionales.
El actual documento se enfoca en identificar el estado —ocupado o vacío— de los espacios de un estacionamiento con un prototipo de cámara inteligente. La cámara debe tener el conocimiento de un mapa del estacionamiento, para poder delimitar el área de cada espacio y con una red neuronal convolucional...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | |
| Médium: | Trabajo recepcional licenciatura |
| Jazyk: | spa |
| Vydáno: |
Universidad Autónoma de Ciudad Juárez
2019
|
| Témata: | |
| On-line přístup: | http://hdl.handle.net/20.500.11961/5404 |
| Tagy: |
Přidat tag
Žádné tagy, Buďte první, kdo otaguje tento záznam!
|
| Shrnutí: | El actual documento se enfoca en identificar el estado —ocupado o vacío— de los espacios de un estacionamiento con un prototipo de cámara inteligente. La cámara debe tener el conocimiento de un mapa del estacionamiento, para poder delimitar el área de cada espacio y con una red neuronal convolucional, la cámara puede clasificar cada uno de los espacios del mapa.
La red que mejores resultados ha tenido en este problema se llama mAlexNet, propuesta por [4], la red mAlexNet se basó en la famosa red AlexNet [5]. Utilizando como base las redes Xception [6], InceptionV3 [7] y SiameseNet [8] se crearon versiones reducidas de las mismas. La mayoría de las arquitecturas propuestas aquí tienen menos parámetros que mAlexNet y algunas se desempeñaron de mejor manera.
Una red interesante es la que se basó en SiameseNet [8], la forma de clasificar las imágenes es diferente a la de las demás. Por la red siamesa deben pasar dos imágenes, una que se conoce su estado y una de la cual se desconoce el estado, lo que produce dos vectores para cada una de las imágenes; de los vectores se obtiene la distancia euclidiana, si el resultado es un número cercano a 0 quiere decir que el estado de la imagen desconocida es igual al estado de la imagen conocida, si es cercano a 1 significa que el estado es diferente.
En el actual trabajo para la clasificación de los espacios, se guardaron dos vectores por cada uno, uno que se produce con una imagen en estado vacío y otro con una imagen en estado ocupado. Al momento de querer encontrar el estado de un espacio en una imagen nueva, se produce un vector nuevo con la red siamesa y se compara con los vectores que se guardaron, si por ejemplo la distancia con el vector del estado vacío es menor a la distancia con el vector del estado ocupado se podría decir que el espacio está vacío.
En general el propósito del proyecto de investigación fue experimentar con diferentes redes neuronales convolucionales, capaces de diferenciar entre un espacio vacío y uno ocupado, que pudieran funcionar en un Raspberry Pi para armar un prototipo de cámara inteligente. |
|---|