DISEÑO DE UN ALGORITMO DE RECONOCIMIENTO DE PLACAS VEHICULARES ECUATORIANAS USANDO REDES NEURONALES CONVOLUCIONALES

Eduardo Barbecho Bautista; Martín Zhindón Mora

DISEÑO DE UN ALGORITMO DE RECONOCIMIENTO DE PLACAS VEHICULARES ECUATORIANAS USANDO REDES NEURONALES CONVOLUCIONALES

Autores/as

Eduardo Barbecho Bautista UNIVERSIDAD CATÓLICA DE CUENCA
Martín Zhindón Mora UNIVERSIDAD CATÓLICA DE CUENCA https://orcid.org/0000-0003-4475-830X

Palabras clave:

Convolución, neurona, placas vehiculares, inteligencia artificial, aprendizaje.

Resumen

La detección de vehículos robados en Ecuador es una de las tareas más importantes para las agencias de seguridad del país. Una de las formas de aumentar la tasa de detección y recuperación de vehículos es a través de aplicaciones inteligentes, basadas en inteligencia artificial y redes neuronales. Estas aplicaciones permiten el desarrollo de nuevas técnicas de reconocimiento de placas vehiculares (LPR). En este artículo, proponemos un modelo para detectar placas de automóviles en movimiento utilizando redes neuronales convolucionales, primero se realiza un etiquetado manual sobre las imágenes de los vehículos, identificando la ubicación de la placa y caracteres dentro de la imagen. Esta información se introduce en una arquitectura de redes neuronales convolucionales para entrenamiento y pruebas. La arquitectura de la red neuronal es desarrollada por Google, COCO Inception V2, y se utiliza como base de entrenamiento, de donde se obtiene un modelo propio entrenado para placas ecuatorianas. Los resultados experimentales muestran que el presente trabajo alcanza una precisión de reconocimiento favorable de 85.1 % en términos del conjunto de datos de fotos de entrenamiento de placas ecuatorianas. Vale la pena mencionar el uso exclusivo de software de código abierto para el desarrollo.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Guo, Jing Ming, y Yun Fu Liu. 2008. “License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques”. IEEE Transactions on Vehicular Technology 57 (3): 1417–24. https://doi.org/10.1109/TVT.2007.909284.

Huang, Yo Ping, Chien Hung Chen, Yueh Tsun Chang, y Frode Eika Sandnes. 2009. “An intelligent strategy for checking the annual inspection status of motorcycles based on license plate recognition”. Expert Systems with Applications 36 (5): 9260–67. https://doi.org/10.1016/j.eswa.2008.12.006.

Mobarhan, Mostafa Ayoubi, Asadollah Shahbahrami, Saman Parva, Mina Naghash Asadi, y Atefeh Ahmadnya Khajekini. s/f. “AISC 166 - A License Plate Detection Algorithm Using Edge Features”. Eng. & Appl. Vol. 166.

Singh, Jaskirat, y Bharat Bhushan. 2020. “Real Time Indian License Plate Detection using Deep Neural Networks and Optical Character Recognition using LSTM Tesseract”, 347–52.
https://doi.org/10.1109/icccis48478.2019.8974469.
Yuan, Yule, Wenbin Zou, Yong Zhao, Xinan Wang, Xuefeng Hu, y Nikos Komodakis. 2017. “A Robust and Efficient Approach to License Plate Detection”. IEEE Transactions on Image Processing 26 (3): 1102–14. https://doi.org/10.1109/TIP.2016.2631901.

Szegedy, Christian, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, y Zbigniew Wojna. 2016. “Rethinking the Inception Architecture for Computer Vision”. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2016-Decem: 2818–26. https://doi.org/10.1109/CVPR.2016.308.