Acceso usuarios
Eduardo Barbecho Bautista, Martín Geovanny Zhindón Mora
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 redesneuronales 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.
Detecting stolen vehicles in Ecuador is one of the important tasks for the country’s security agencies. One of the ways to increase the detection and recovery rate of vehicles is through intelligent applications, based on artificial intelligence and neural networks. These applications allowed the development of new vehicle license plate recognition (LPR) techniques. In this article, we propose a model to detect moving car plates using convolutional neural networks. First, a tagged manual is made on the images of the vehicle, identifying the location of the plate and the characters within the image. This information is presentedin a convolutional neural network architecture for training and testing. The network architecture developed by Google, COCO Inception V2, is used as a training base, where we get our own trained model for Ecuadorian vehicles plates. The experimental results find that the present work achieves a favorable recognition precision of 85.1 in terms of the Ecuadorian plate training photo data set. It is worth specifying the exclusive use of open source software for the development of this work.
