REVISTA DE INGENIERIA DYNA

Palabras clave:

Redes neuronales convolucionales, clasificación, obstrucción, detección, cámara de reversa, Convolutional Neural Networks, Classification, Obstruction, Detection, Reversing camera, Inception V3, RvlsNet, AI, Artificial intelligence, RNN, GAN

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

En los últimos años, el estudio de la Inteligencia Artificial en la industria automotriz ha dado lugar al diseño de sistemas inteligentes aplicados a la seguridad vial, destacando la importancia de mejorar la seguridad vial en todo el mundo, y reducir así el número de accidentes anuales. Una de las principales funciones de estos sistemas es, por ejemplo, la detección de peatones, que se realiza mediante cámaras y sensores tipo radar, entre otros. Sin embargo, factores ambientales provocan problemas de visibilidad y obstrucciones que dificultan la detección de peatones y provocan colisiones. Con el fin de contribuir a la solución del problema expuesto, en esta investigación se aplican dos casos de estudio utilizando Redes Neuronales Convolucionales. El primero utilizando un modelo pre-entrenado (Inception V3) y el segundo, un modelo propuesto (RvlsNet) para detectar suciedad en la lente de la cámara de marcha atrás de un vehículo. Este tipo de factores afectan directamente a la visibilidad, lo que conlleva un mayor riesgo de colisión al dar marcha atrás el vehículo. Aplicando una metodología general de minería de datos, obtuvimos un resultado de 0,9549 y 0,9416 de exactitud, respectivamente, para los modelos utilizados.

Palabras clave: Redes neuronales convolucionales, clasificación, obstrucción, detección, cámara de reversa, Inception V3