Aplicación de IA para el reconocimiento de Placas

vehiculares

Camilo Arcila 1, Arthur Fuquen2, Jhonatan Sanchez3

Resumen:
De acuerdo al flujo de vehículos que están actualmente en la ciudad de Bogotá hemos
decidido hacer una aplicación que involucre inteligencia artificial y un sistema scada y
comunicaciones de forma alámbrica e inalámbrica el cual nos permita desarrollar una
seria de reconocimientos los que serán aprovechados por la base de datos para
comparar anteriores multas además de hacer un control de velocidad esperando que el
curso nos alcance para poderlo desarrollar a totalidad

Palabras clave: Reconocimiento a través de IA, bases de datos, Inteligencia

Artificial, máquinas.

Abstract:
According to the flow of vehicles that are currently in the city of Bogotá we have
decided to make an application that involves artificial intelligence and a scada system
and communications in a wired and wireless way which allows us to develop a series
of recognitions which will be used by the base of data to compare previous fines in
addition to doing a speed control waiting for the course to reach us to be able to fully
develop.

Keywords: Recognition through AI, databases, Artificial Intelligence, decisions,

machines.
su fase inicial, en la cual iniciaremos un
sistema de comunicación desde el
Introducción
celular hasta el pc donde realizara la
comparación con esto queremos iniciar
El documento que se está construyendo
una base de datos la cual es extraída de
es una base en la cual pretendemos
imágenes que se han tomado al azar de
describir los aspectos prácticos y
100 vehículos de todo tipo y en
teóricos y técnico de como poder
diferentes horarios del día para obtener
implementar un sistema de
una tasa de reconocimiento elevada o
reconocimiento de placas vehiculares
por encima del 50 % esta base de datos
basado en análisis de imágenes con un
está en un servidor en la nube (cloud),
procesamiento el cual pueda
el total de las imágenes, así mismo
determinar los 6 ítems de cada placa,
identificando la placa sin conocer el
construyendo un prototipo a través de
origen o dependiente del estado de
una aplicación de celular la que
pintura de la misma, adicional a estas
demuestre la automatización de este
condiciones iniciales los controlaremos
concepto aplicado a un parqueadero en
remotamente desde el pc y desde el
celular las dos nos darán los datos de
vehículo, color y estado actual.
Problema
La identificación de placas en un sitio
inicialmente como prueba del producto
que estamos desarrollando, esto sería el
reconocimiento de placas de un
parqueadero de un conjunto residencial
la cual sería a través de una cámara
instalada en la talanquera del ingreso la
cual tomaría la foto esta se enviara por
bluetooth o por un medio inalámbrico y
realizaría un barrido en la base de datos
del parqueadero y encontraría si la
placa es de un residente, visitante o no
está registrada.
Objetivo
Como principal es poder reconocer una
placa de un vehículo en cualquier
situación independiente de la luz sin
embargo tendría una mínima luz para
el reconocimiento y dependiente de la
cámara que se utilice para poder hacer
la toma de la primera imagen, siguiente
seria hacer una primera medida
estadística de reconocimiento y sacar
un análisis de la cantidad de vehículos
y en las condiciones que ingresan para
ir ajustando los procedimientos a
utilizar como lo serian la cantidad de
luz, las condiciones, el estado en que se
encuentre la placa
Marco Teórico
Redes Neuronales Artificiales
Una red de autómatas consiste en un
conjunto de elementos de procesos, que
se consideran como máquinas de
estados finitos, localizados en los
vértices de un dígrafo que es un grafo
dirigido, uno en cada vértice. Cada
elemento de proceso recibe su entrada
de las unidades vecinas y comunica su
salida a otras unidades vecinas, muy
similar como ocurre con las neuronas
del cerebro humano, donde cada
neurona va actualizando su estado
mediante una función matemática
propia que puede ser modelada por la
teoría de control.
Figura 3. Comunicación entre neuronas
Una red neuronal (discreta) es una red
de autómatas donde cada una de sus
células actualiza sus estados aplicando
una función de activación a una suma
ponderada de las entradas (estados)
que recibe de las células vecinas.
Garzón y Franklin (1989) demostraron
que cada autómata celular es una red
neuronal y que el Test de Touring
puede ser resuelto por un arreglo de
estas RNA. Este resultado puede
parecer un poco sorprendente y puede
creerse que constituye una anti tesis de
Churh-Turing, pero no es así, ya que
ellos se refieren a la resolución
algorítmica de problemas por medios
finitos, mientras que la red neuronal
que se emplea en la demostración
requiere la utilización de un objeto
infinito conocido como dígrafo G. Sin
embargo, aunque utiliza un conjunto
infinito de unidades celulares estás
pueden operar sobre estados finitos.
Los 3 conceptos claves a emular en las
RNA son:
• Paralelismo
• Memoria distribuida
• Adaptabilidad al entorno
Por tanto, puede decirse que las RNA
son sistemas paralelos, distribuidos y
adaptativos de esta forma puede
construirse una arquitectura
computacional capaz de ejecutar
algoritmos y lograr resolver problemas
similares a los que resuelven los
humanos (Martínez, 1999).
Figura 4. Representación de los diferentes
modelos computacionales.
Una RNA está caracterizada por
(Mortiz, 2010):
• Arquitectura: Estructura o patrón de
conexiones entre las unidades de
proceso.
• Dinámica de la Computación que
expresa el valor que toman las
unidades de proceso y que se basa en
unas funciones de activación o de
transferencia que especifican como se
transforman las señales de entrada de
la unidad de proceso en la señal de
salida.
• Algoritmo de Entrenamiento o
Aprendizaje: Procedimiento para
determinar los pesos de las conexiones
Una característica muy importante de
estas redes es su naturaleza adaptativa,
donde el "aprendizaje con ejemplos"
sustituye a la "programación" en la
resolución de problemas.
Las RNA se parecen al cerebro en dos
aspectos:
• La red adquiere el conocimiento
mediante un proceso de aprendizaje.
• Los pesos de las conexiones
sinápticas entre las unidades de
proceso se utilizan para almacenar el
conocimiento.
El primer modelo matemático de una
neurona artificial, creado con el fin de
llevar a cabo tareas simples, fue
presentado en el año 1943 en un
trabajo conjunto entre el psiquiatra y
neuroanatomía Warren McCulloch y el
matemático Walter Pitts.
La siguiente figura muestra un ejemplo
de modelo neuronal con n entradas,
que consta de:
 Un conjunto de entradas x1,…
xn.
 Los pesos sinápticos w1,…wn,
correspondientes a cada
entrada.
 Una función de agregación, Σ.
 Una función de activación, f.
 Una salida, Y.
Figura 5. Representación de una RNA
(McCulloch, 1943).
El procedimiento utilizado para el
proceso de aprendizaje se llama
algoritmo de aprendizaje y permite
modificar los pesos sinápticos de la red
neuronal para conseguir un objetivo
deseado. Estas redes se llaman
neuronales por estar inspiradas en la
neurociencia, pero no pretenden ser
buenos modelos de neuronas
biológicas. Se busca sobre toda su
capacidad computacional (Mortiz,
2010).
Existen tres paradigmas o reglas de
aprendizaje aplicables a las RNA:
 Aprendizaje supervisado,
conoce como funciona y se
minimiza el error.
 Aprendizaje no supervisado, no se
conoce como funciona la red ella
misma busca su funcionamiento.
 Aprendizaje por refuerzo, proceso
de prueba y error que busca
maximizar el valor esperado de una
función criterio, se basa en la forma
como aprenden los animales.
Una RNA debe estar en capacidad de
responder a señales o estímulos
externos que pueden ser representados
por funciones matemáticas como se
presentan en la siguiente tabla de
resumen, si una RNA puede realizar
alguna tarea se puede decir que la
misma está en capacidad de resolver un
problema en particular (Caparrini.
2017).
La función de activación se elige de
acuerdo a la tarea realizada por la
neurona. Entre las más comunes dentro
del campo de las RNA podemos
destacar:
Figura 6. Funciones de activación de una
RNA.
Un modelo neuronal utilizado para
clasificación, cuya salida utiliza
el método de error-corrección para
modificar sus parámetros libres se
conoce como Perceptron múltiple.
Metodología
se Primero procedemos a entrenar un
Perceptron multicapa con los pesos y
umbrales como se ha venido haciendo
durante el curso colocamos un enlace
entre la aplicación de captura de
imagen y el programa que va a hacer el
trabajo de reconocimiento de placas se
iniciará con un entrenamiento de las
letras y números que reconocerá y el
orden en que se tendrán que mostrar de
esta forma podemos limitar las placas,
mediante el envío de datos de una
terminal a otra por algún protocolo de
comunicación inalámbrica así podemos
evitar que lleguen placas en desorden o
falsas con esto podemos identificar
según el orden de los caracteres las
placas que son reales y las que no, es un
proceso con el cual pretendemos
adaptarlo a un servicio de parqueadero
con el cual podamos dar ingreso a un
residente, a un visitante ya registrado o
negar el ingreso a alguien que no esté
dentro de la base de datos.
En el proceso final de la
implementación de la aplicación y con
pruebas definitivas procederemos a
hacer pruebas a lo cual nos tendremos
que referir a bases de datos en las
cuales podamos comparar y hacer un
barrido de los datos encontrados y
entraríamos en la etapa final de
implementación a un posible usuario
final
Resultados
Se hace una implementación a través de
una interfaz gráfica, A la cual se le
pueden modificar los pesos y los
umbrales. En la que se accederá a las
imágenes que se van a procesar e
identificar los números y las letras,
Estás imágenes están contenidas en una
carpeta la cual es alimentada por una
aplicación de Visual Basic la que hace
una captura de pantalla desde un
dispositivo remoto para este caso una
cámara ya con unas especificaciones de
luz y de resolución que se están
definiendo podemos seguir con el
procesamiento de la imagen.
Se hace una captura y una
generalización de la imagen en la que
se identifican las letras y los numero
con OPEN CV, estas capturas se pasan
por el Perceptron multicapa y se hace el
procesamiento correspondiente en la
cual se identifican los numero los
mismos se expresarían en la interfaz
gráfica , de esta forma podemos
identificar si el vehículo está o no
dentro de nuestra base de datos, el fin
de este proyecto es poderlo
implementar en un parqueadero y
hacer un reconocimiento de los
vehículos entrantes, salientes y los
visitantes.
Conclusiones:
Se ha podido integrar la cámara a un
“form de visual studio code” el cual nos
ha servido para poder hacer las pruebas
de funcionamiento de la captura de
imágenes, se está viendo el diseño en
Visual Studio. El cual realizará el
entrenamiento de reconocimiento de
imágenes cada vez que ingresen un
patrón nuevo se podrá de esta forma
poder reconocer las placas de los
vehículos que ingresan al parqueadero.
Los resultados obtenidos durante esta
práctica con el Perceptron multicapa, la
aplicación de visual Studio y por medio
de la transmisión implementada. Si es
posible hacer este reconocimiento, pero
es muy dependiente de las tomas de
imágenes de cada placa el estado de
cada una de las placas con las que
trabajemos, la distancia y la luz.
Es posible poder obtener una imagen
adecuada para el procesamiento, pero a
medida que vamos entrenando el
algoritmo de reconocimiento es posible
que sea más fiable la misma aplicación
seguiremos arreglando el Perceptron y
podemos mejorar su efectividad con el
tiempo hasta alcanzar el resultado
esperado

Referencias:
Caparrini, F. (2017), Redes Neuronales:
una visión superficial.
http://www.cs.us.es/~fsancho/?e=72
Fodor, J. (1997). El olmo y el experto. El
reino de la mente y su semántica.
Barcelona.
Hofstadter, D.R. (1982), ‘The Turing
Test: A Coffee-House Conversation’, in
Hofstadter D. The Mind’s I: Fantasies
and Reflections on Self and Soul,
London, UK: Penguin Books, pp. 69–95.
Igoa, J. (2003). Las paradojas de la
modularidad. Anuario de Psicología, 34
(4), 529-536.
Johnson-Laird, P. (1988), The Computer
and the Mind, Cambridge, MA.:
Harvard University Press.
Martínez, A. (1999). Introducción a la
Informática Evolutiva: Un nuevo
enfoque para resolver problemas de
Ingeniería. Publicaciones de Ingeniería
de la Universidad Nacional.
Mortiz, J. (2010). Libro sobre Modelos
cumputacionales, Departamento
[ CITATION TAB06 \L 9226 ]
lenguajes y ciencias de la computación,
Universidad de Malaga, España.
http://www.lcc.uma.es/~jmortiz/
Paidós, M. (2004). Disociaciones entre
cognición y conciencia. Psicología
Cognitiva y Filosofía de la Mente:
Pensamiento, Representación y
Conciencia (pp. 285-307). Buenos Aires.
Parsons, H. (1990), ‘Turing on the
Turing Test’, in W. Karwowski and M.
Rahimi, eds. Ergonomics of Hybrid
Automated Systems II, Amsterdam:
Elsevier.
Stalker, D. (1978), ‘Why Machines Can’t
Think: A Reply to James Moor’,
Philosophical Studies 34, pp. 317–320.
Turing, A. (1950). "Computing
Machinery and Intelligence”.
https://www.csee.umbc.edu/courses/
471/papers/turing.pdf
Toffoli , T; Margolus, N. (1987). Cellular
Automata Machines. Cambridge, MA:
MITPress.
[CITATION Pao19 \l 9226 ]
[ CITATION Seb15 \l 9226 ]