Implementación de algoritmos de detección e identificación de vehículos con tecnologías de machine learning y deep learning

Fonseca Gonzalez, Brayan Steven; Andrade Camelo, Otto Arturo

Implementación de algoritmos de detección e identificación de vehículos con tecnologías de machine learning y deep learning

dc.contributor.advisor	Barrero Pérez, Jaime Guillermo
dc.contributor.author	Fonseca Gonzalez, Brayan Steven
dc.contributor.author	Andrade Camelo, Otto Arturo
dc.contributor.evaluator	Garcia Arenas, Hans Yecid
dc.contributor.evaluator	Fajardo Ariza, Carlos Augusto
dc.date.accessioned	2025-05-21T18:07:19Z
dc.date.available	2025-05-21T18:07:19Z
dc.date.created	2025-05-21
dc.date.issued	2025-05-21
dc.description.abstract	Los métodos tradicionales de detección vehicular presentan limitaciones en precisión y adaptación a distintos entornos, lo que ha impulsado el uso de Machine Learning y Deep Learning para optimizar la identificación y el seguimiento vehicular en aplicaciones de seguridad vial y control del tráfico. Este proyecto desarrolla un sistema de detección de vehículos basado en aprendizaje automático, mejorando el recono- cimiento de matrículas y la gestión del tráfico. Implementado en Windows 11, procesa imágenes a aproximadamente 25 FPS en CPU y 43 FPS en GPU (según el hardware, ver D), garantizando un desempeño en tiempo real. Se empleó un conjunto de datos de matrículas colombianas procesado en Roboflow y, tras evaluar distintos modelos, se seleccionó YOLOv8 por su precisión y velocidad (mAP@0.5 >90 %). Técnicas como ecualización de histograma y transformaciones de homografía mejoraron su rendimiento en condiciones adversas. Finalmente, la interfaz gráfica con PySide6 permitió una gestión eficiente e integración en aplicaciones reales.
dc.description.abstractenglish	Traditional vehicle detection methods have limitations in accuracy and adaptability to different environments, driving the adoption of Machine Learning and Deep Learning to enhance vehicle identification and tracking in traffic control and road safety applications. This project develops a vehicle detection system based on machine learning, improving license plate recognition and traffic management. Implemented on Windows 11, it processes images at approximately 25 FPS on CPU and 43 FPS on GPU (depending on the hardware, see D), ensuring real-time performance. A dataset of Colombian license plates processed in Roboflow was used, and after evaluating multiple models, YO- LOv8 was selected for its balance between accuracy and speed (mAP@0.5 >90 %). Preprocessing techniques such as histogram equalization and homography transformations improved performance under adverse conditions. Finally, the graphical interface developed with PySide6 enabled efficient system management and seamless integration into real-world applications.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/45568
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.title	Implementación de algoritmos de detección e identificación de vehículos con tecnologías de machine learning y deep learning
dc.title.english	Implementation of Vehicle Detection and Identification Algorithms Using Machine Learning and Deep Lear- ning Technologies
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado