Impacto del desarrollo de un prototipo de software con reconocimiento de placas en la eficiencia del control de acceso vehicular en la mina de la comunidad de Pocohuanca – Aymaraes, 2024
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente estudio evalúa el impacto del desarrollo de un prototipo de software con reconocimiento automático de placas vehiculares en la eficiencia del control de acceso en la mina de la comunidad de Pocohuanca, Aymaraes. El sistema fue diseñado para operar en condiciones reales no controladas, utilizando una cámara fija, un modelo de detección basado en YOLOv8n y una plataforma de procesamiento embebido sobre Raspberry Pi 5. Durante la etapa de entrenamiento, el modelo alcanzó altos valores de precisión, recall y mAP@0.5, evidenciando un aprendizaje estable bajo condiciones controladas. Posteriormente, el sistema fue evaluado en operación real mediante transmisión de video en tiempo real, enfrentando variaciones de iluminación, presencia de polvo y distintas velocidades de tránsito vehicular. Los resultados mostraron que, si bien la detección de placas se mantuvo estable, el reconocimiento óptico de caracteres presentó limitaciones, lo que motivó la incorporación de un mecanismo de validación humana asistida. Asimismo, se implementó un proceso de depuración temporal para evitar la sobreestimación de eventos. En conjunto, el prototipo demostró ser viable para el registro continuo de eventos vehiculares, facilitando la gestión, depuración y análisis de la información de acceso en un entorno operativo real.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
K. T. Islam et al., “A Vision-Based Machine Learning Method for Barrier Access Control Using Vehicle Li-cense Plate Authentication,” Sensors, vol. 20, no. 12, p. 3578, 2020, doi: 10.3390/s20123578.
F. Ullah et al., “Barrier Access Control Using Sensors Platform and Vehicle License Plate Characters Recognition,” Sensors, vol. 19, no. 13, p. 3015, Jul. 2019, doi: 10.3390/s19133015.
M. Mohandes, M. Deriche, H. Ahmadi, M. Kousa, and A. Balghonaim, “An Intelligent System for Vehicle Access Control using RFID and ALPR Technologies,” Arab. J. Sci. Eng., vol. 41, no. 9, pp. 3521–3530, Sep. 2016, doi: 10.1007/s13369-016-2136-0.
S. Ay, “Vehicle Detection And Vehicle Tracking Ap-plications On Traffic Video Surveillance Systems: A systematic literature review,” Int. J. Comput. Exp. Sci. Eng., vol. 10, no. 4, Nov. 2024, doi: 10.22399/ijcesen.629.
S. Du, M. Ibrahim, M. Shehata, and W. Badawy, “Au-tomatic License Plate Recognition (ALPR): A State-of-the-Art Review,” IEEE Trans. Circuits Syst. Video Technol., vol. 23, no. 2, pp. 311–325, Feb. 2013, doi: 10.1109/TCSVT.2012.2203741.
J. Redmon and A. Farhadi, “YOLOv3: An Incremental Improvement,” 2018, arXiv. doi: 10.48550/ARXIV.1804.02767.
A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” Apr. 23, 2020, arXiv: arXiv:2004.10934. doi: 10.48550/arXiv.2004.10934.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA: IEEE, Jun. 2016, pp. 779–788. doi: 10.1109/CVPR.2016.91.
S. Deng, H. Zhao, W. Fang, J. Yin, S. Dustdar, and A. Y. Zomaya, “Edge Intelligence: The Confluence of Edge Computing and Artificial Intelligence,” IEEE In-ternet Things J., vol. 7, no. 8, pp. 7457–7469, Aug. 2020, doi: 10.1109/JIOT.2020.2984887.
Z. Dai et al., “Video-Based Vehicle Counting Frame-work,” IEEE Access, vol. 7, pp. 64460–64470, 2019, doi: 10.1109/ACCESS.2019.2914254.
N. Plavac, S. A. Amirshahi, M. Pedersen, and S. Tri-antaphillidou, “Performance of Automatic License Plate Recognition Systems on Distorted Images,” J. Imaging Sci. Technol., vol. 68, no. 6, pp. 1–16, Nov. 2024, doi: 10.2352/J.ImagingSci.Technol.2024.68.6.060401.
H. Li, P. Wang, and C. Shen, “Toward End-to-End Car License Plate Detection and Recognition With Deep Neural Networks,” IEEE Trans. Intell. Transp. Syst., vol. 20, no. 3, pp. 1126–1136, Mar. 2019, doi: 10.1109/TITS.2018.2847291.
X. Ran, H. Chen, X. Zhu, Z. Liu, and J. Chen, “DeepDecision: A Mobile Deep Learning Framework for Edge Video Analytics,” in IEEE INFOCOM 2018 - IEEE Conference on Computer Communications, Honolulu, HI: IEEE, Apr. 2018, pp. 1421–1429. doi: 10.1109/INFOCOM.2018.8485905.
N. Wojke, A. Bewley, and D. Paulus, “Simple online and realtime tracking with a deep association metric,” in 2017 IEEE International Conference on Image Processing (ICIP), Beijing: IEEE, Sep. 2017, pp. 3645–3649. doi: 10.1109/ICIP.2017.8296962.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, “Simple online and realtime tracking,” in 2016 IEEE International Conference on Image Processing (ICIP), Phoenix, AZ, USA: IEEE, Sep. 2016, pp. 3464–3468. doi: 10.1109/ICIP.2016.7533003.