Método basado en visión artificial para la identificación del eje aplicado al proceso de inspección de frenos de vehículos livianos en centros de diagnóstico automotor

Abstract

Este trabajo de grado explora la aplicación de técnicas de visión artificial basadas en aprendizaje profundo para supervisar automáticamente el proceso de inspección vehicular en los centros de diagnóstico automotor (CDA) en Colombia, específicamente durante la prueba de frenos. El objetivo principal es desarrollar un método que permita identificar el eje y el vehículo al que pertenece durante la inspección, con el fin de prevenir la suplantación de ejes o vehículos.

La metodología empleada consta de tres fases: preparación, implementación y documentación. En la fase de preparación se recolectaron videos de inspecciones y se construyeron conjuntos de datos etiquetados manualmente para el entrenamiento y evaluación de los modelos. Durante la fase de implementación, se entrenaron y compararon tres modelos de detección de objetos (DETR-ResNet50, DETR-ResNet101 y YOLOv9) para la detección de ejes, seleccionando el modelo YOLOv9 por su mejor rendimiento. Además, se utilizó un algoritmo de reconocimiento de placas para identificar los vehículos y una red siamesa para los casos en que la placa no era visible.

En la fase de documentación, se detalló el desarrollo del proyecto, el experimento realizado y los resultados obtenidos. El experimento consistió en evaluar el método propuesto utilizando imágenes de una semana de operación de un CDA. Los resultados demostraron la efectividad del modelo YOLOv9 para la detección de ejes y del algoritmo de identificación de vehículos, con un alto porcentaje de aciertos y pocos falsos positivos.

En conclusión, este trabajo demuestra la viabilidad de aplicar técnicas de visión artificial basadas en aprendizaje profundo para supervisar automáticamente los procesos de inspección vehicular en los CDA, contribuyendo así a mejorar la calidad del servicio y la seguridad vial. Se sugieren trabajos futuros enfocados en expandir los conjuntos de datos, explorar nuevas arquitecturas de redes neuronales y realizar pruebas de campo a mayor escala (Texto tomado de la fuente).

This final project explores the application of deep learning-based computer vision techniques to automatically supervise the vehicle inspection process at automotive diagnostic centers (CDA) in Colombia, specifically during the brake test. The main objective is to develop a method that allows identifying the axle and the vehicle to which it belongs during the inspection, in order to prevent axle or vehicle impersonation.

The methodology employed consists of three phases: preparation, implementation, and documentation. In the preparation phase, videos of inspections were collected, and manually labeled datasets were constructed for training and evaluation of the models. During the implementation phase, three object detection models (DETR-ResNet50, DETR-ResNet101, and YOLOv9) were trained and compared for axle detection, selecting the YOLOv9 model for its better performance. Additionally, a license plate recognition algorithm was used to identify vehicles, and a Siamese network was employed for cases where the license plate was not visible.

In the documentation phase, the project development, the experiment carried out, and the results obtained were detailed. The experiment consisted of evaluating the proposed method using images from a week of operation of a CDA. The results demonstrated the effectiveness of the YOLOv9 model for axle detection and the vehicle identification algorithm, with a high percentage of correct identifications and few false positives.

In conclusion, this work demonstrates the feasibility of applying deep learning-based computer vision techniques to automatically supervise vehicle inspection processes at CDAs, thus contributing to improving service quality and road safety. Future work is suggested, focusing on expanding datasets, exploring new neural network architectures, and conducting larger-scale field tests.