Redes neuronales convolucionales: un enfoque para la detección de obstrucción visual en cámaras de reversa automotrices

Abstract

En los últimos años, el estudio de la Inteligencia Artificial en la industria automotriz ha dado lugar al diseño de sistemas inteligentes aplicados a la seguridad vial, destacando la importancia de mejorar la seguridad vial en todo el mundo, y reducir así el número de accidentes anuales. Una de las principales funciones de estos sistemas es, por ejemplo, la detección de peatones, que se realiza mediante cámaras y sensores tipo radar, entre otros. Sin embargo, factores ambientales provocan problemas de visibilidad y obstrucciones que dificultan la detección de peatones y provocan colisiones. Con el fin de contribuir a la solución del problema expuesto, en esta investigación se aplican dos casos de estudio utilizando Redes Neuronales Convolucionales. El primero utilizando un modelo pre-entrenado (Inception V3) y el segundo, un modelo propuesto (RvlsNet) para detectar suciedad en la lente de la cámara de marcha atrás de un vehículo. Este tipo de factores afectan directamente a la visibilidad, lo que conlleva un mayor riesgo de colisión al dar marcha atrás el vehículo. Aplicando una metodología general de minería de datos, obtuvimos un resultado de 0,9549 y 0,9416 de exactitud, respectivamente, para los modelos utilizados.