Resumen

Durante varios años, muchas investigaciones se han centrado en la importancia de los sistemas de reconocimiento de señales de tráfico, que han desempeñado un papel muy importante en la seguridad vial. Los investigadores han explotado las técnicas de aprendizaje automático, aprendizaje profundo y procesamiento de imágenes para llevar a cabo sus investigaciones con éxito. Las nuevas y recientes investigaciones sobre sistemas de clasificación y reconocimiento de señales de tráfico son el resultado del uso de arquitecturas basadas en aprendizaje profundo, como las arquitecturas de redes neuronales convolucionales (CNN). En este trabajo de investigación, el objetivo era conseguir un modelo CNN ligero y de fácil implementación para una aplicación embebida y con una excelente precisión de clasificación. Elegimos trabajar con un modelo de red LeNet-5 mejorado para la clasificación de señales de tráfico. Entrenamos nuestro modelo de red en la base de datos German Traffic Sign Recognition Benchmark (GTSRB) y también en el conjunto de datos Belgian Traffic Sign Data Set (BTSD), y dio buenos resultados en comparación con otros modelos probados por nosotros y otros probados por diferentes investigadores. La precisión fue del 99,84% en GTSRB y del 98,37% en BTSD. La ligereza y el reducido número de parámetros de nuestro modelo (0,38 millones) basado en la red LeNet-5 mejorada nos empujaron a probar nuestro modelo para una aplicación embebida utilizando una webcam. Los resultados que encontramos son eficientes, lo que pone de relieve la eficacia de nuestro método.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:aprendizaje profundo, conjunto de datos de señales de tráfico belgas, referencia de reconocimiento de señales de tráfico alemanas, sistemas de reconocimiento de señales de tráfico, red neuronal convolucional, red lenet-5 mejorada, excelente precisión de clasificación, modelo lenet-5 de red, clasificación de señales de tráfico, btsd
• Keywords:deep learning, belgian traffic sign data set, german traffic sign recognition benchmark, traffic sign recognition systems, convolutional neural network, enhanced lenet-5 network, excellent classification accuracy, network lenet-5 model, road sign classification, btsd