Publicación:

Tecnologías de computación para monitoreo y análisis óptico a bajo costo computacional.

Resumen

La capacidad de la máquina de intentar comprender su entorno es una técnica de aprendizaje proveniente de “Inteligencia artificial” y la evolución de “Machine Learning”. Esta técnica de aprendizaje le otorga la capacidad a la máquina de analizar, comprender, categorizar, reaccionar, interactuar y auto-aprender aplicando diferentes técnicas basadas en algoritmos de “Inteligencia artificial”. Análisis complejos, como análisis de imágenes o videos para comprender el entorno, la capacidad de vehículos de auto pilotearse o reaccionar de forma autónoma a diferentes eventos por medio de diferentes sensores, estas son técnicas de análisis por visión por computadora. Varias de estas tecnologías están conformados en varios programas o “frameworks” que analizan por medio de diferentes sensores entradas la información del exterior y aplican técnicas diferentes algoritmos de inteligencia artificial para analizar distintos tipos de patrones para generar una respuesta o acción con la mayor exactitud posible. (News18 AFP Relaxnews, 2017). Este trabajo se basa en el desarrollo de una plataforma de reconocimiento visual de placas vehiculares utilizando hardware accesible, y por medio de algoritmos de detección de contornos y otros métodos de “Machine Learning”. Para efectos de prueba y desarrollo de este trabajo se implementará un sistema de captura de video e imagen, detección y aislamiento del objeto de interés (placa vehiculares) y por último el análisis de patrones e identificación de caracteres utilizando un algoritmo de clasificación conocido como “vecino cercano”, en abreviatura conocido como k-NN (k-nearest neighbors algorithm). El algoritmo k-NN es parte de la variedad de fórmulas y métodos aplicables en “Machine Learning” y es importante para los resultados de este proyecto. Los resultados obtenidos durante el desarrollo del proyecto fueron variados, alta y baja precisión, factor a la gran cantidad de tiempo y nuestros necesarios a realizar para entrenar este algoritmo de “Machine Learning”, pero permitió obtener suficientes resultados para conocer la capacidad de análisis de este algoritmo. En el caso de la detección de patrones o contornos, los resultados fueron bastante satisfactorios, donde la efectividad radica en conocer el patrón de interés y las características que tienen al momento de programar el sistema.