Detección de objetos para navegación de vehículos autónomos basada en visión

Abstract

El presente proyecto de tesis está basado en el área de la conducción de vehículos autónomos, que hoy en día es un tema de gran auge en la automatización de los medios de transporte y seguridad vial. Este tema tiene muchas sub-ramas, la que se tratará en este proyecto será en la detección de objetos, mediante una red neuronal convolucional entrenada para 11 clases, pertenecientes a diversos objetos que se encuentran en los ambientes urbanos. En la adquisición de datos se obtuvieron de ambientes reales, en los que se utilizó una máscara basada en regiones para limpiar la imagen de objetos que no pertenecieran a las 11 categorías, esto se hizo con la finalidad de tener un conjunto de datos preciso respecto al objeto de interés. Se tomaron en cuenta 6 diferentes redes neuronales convolucionales para entrenarlas con el conjunto de datos, el entrenamiento se tomó un 80 % del conjunto de datos y para la validación el 20 % restante. En el rendimiento de las redes neuronales convolucionales se mencionarán las tres redes con mejores resultados, en primera posición esta AlexNet, esta red fue capaz de obtener la distinción de las 11 clases en diferentes imágenes con un bajo porcentaje de confusión. La VGG19, la cual al igual que la red anterior, logró detectar las 11 categorías, pero con la diferencia de un porcentaje mayor de unidades para confundir la predicción final. Por último, la tercera red con mejor rendimiento fue la VGG16, la cual logró predecir 7 clases de las 11 que se tienen como predeterminadas con un 80 % de predicción por cada clase.