Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento

de placas mediante Python para el control de parqueo, Trujillo 2022

ARTÍCULO ORIGINAL INGnosis. 2020;6(2): 52-60

Aplicación de visión artificial para el reconocimiento de placas mediante el software

Python en el control de parqueo, Trujillo 2022.
Aplicación de visión artificial para el reconocimiento de placas mediante el software
Python en el control de parqueo, Trujillo 2022.
Aplicação de visão artificial para reconhecimento de placas usando software
Python no controle de estacionamento, Trujillo 2022.
Bazán Soto, Maria1; Lezama León, Fabian2; Mujica Ramírez, Ariana3
; Figueroa Sandoval, Leonardo4

Resumen
En la presente investigación se desarrolla un sistema que tiene como objetivo captar e identificar las placas
de los vehículos para poder reconocerlos, hacer las pruebas de funcionamiento del sistema, conocer su
precisión y aportar a la sociedad una mejor seguridad. Por lo que se realizó un diseño de reconocimiento de
placas usando técnicas de visión por computador, como parte del preprocesamiento de las imágenes se ha
realizado redimensionamiento sobre las imágenes originales, en la parte de la segmentación se utilizó
detección de bordes. Se utilizaron softwares de programación como Python. Asimismo, se utilizó OpenCV
y Pytesseract para el diseño de la programación. Tras el diseño de este se logró identificar 4 placas de
vehículos correctamente. Además, se obtuvo el rango mínimo aceptable de píxeles que debe ser un mínimo
de 800 x 530 para el correcto reconocimiento de las placas de las fotografías tomadas por la cámara.
Palabras clave: Placas, phyton, OpenCv, pytesseract, visión artificail
Abstract
In this research, a system is developed that aims to capture and identify vehicle license plates in order to
recognize them, test the system’s operaion, determine its accuracy and provide society with better security.
Therefore, a plate recognition design was carried out using computer visión techniques, as parto f the
preprocessing of the images, resizing and binarization have been carried out on the original images, in the
segmentation part, edge detection was used. Programming software such as Python, OpenCV and
Pytesseract were used for the programming design. After the designo f tis, it was posible to identify 4
vehicle plates correctly. In addition, the minium aceptable range of 800 x 530 for the correct recognition of
the plates of the photographs taken by the camera.
Keywords: Plates, pyhton, OpenCV, pytessercat, artificial vision
Resumo
Na presente investigação é desenvolvido um sistema que visa captar e identificar placas de veículos para
reconhecê-las, realizar testes de desempenho do sistema, conhecer sua precisão e proporcionar maior
segurança à sociedade. Portanto, foi realizado um projeto de reconhecimento de placas usando técnicas de
visão computacional, como parte do pré-processamento das imagens, redimensionamento e binarização
foram realizados nas imagens originais, na segmentação foi usada a detecção de bordas. Software de
programação como Python foi usado. Da mesma forma, OpenCV e Pytesseract foram usados para o design
de programação. Após o dimensionamento deste, foi possível identificar corretamente 4 placas de
veículos. Além disso, obteve-se o alcance mínimo aceitável de pixels, que deve ser de no mínimo 800 x
530 para o correto reconhecimento das chapas das fotografias tiradas pela câmera.
Palavras-chave: Pratos, python, OpenCv, pytesseract, visão de máquina

1
Escuela de Ingeniería Industrial. Maestro. Universidad Privada del Norte. Trujillo – La Libertad. Perú.
N00202261@upn.edu.pe, https://orcid.org/0000-0002-0599-0141
2
Escuela de Ingeniería Industrial. Estudiante. Universidad Privada del Norte. Trujillo – La Libertad. Perú.
N00197155@upn.pe, https://orcid.org/0000-0003-3735-3099
3
Escuela de Ingeniería Industrial. Estudiante. Universidad Privada del Norte. Trujillo – La Libertad. Perú.
N00201940@upn.pe, https://orcid.org/0000-0001-6853-9721
4
Escuela de Ingeniería Industrial. Estudiante Universidad Privada del Norte . Trujillo – La Libertad. Perú.
N00261079@upn.pe, https://orcid.org/0000-0001-6671-731X

1
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Introducción
En Latinoamérica, la delincuencia es uno de los principales problemas que implica un gasto
social y económico para la sociedad (Salazar, et al., s.f.), los factores que han influido en
delinquir son la pobreza, falta de hogar y el no tener acceso a la educación (Gómez, 2018). En los
últimos cinco años, en la Libertad, la percepción de inseguridad en la población alcanzó 87%, y
según el tipo de delito del que fue víctima la población de 15 y más años pondera más del 70% es
robo, hurto o intento de robo (INEI, s.f.). Hoy los delincuentes usan autos de marca como BMW
o Mercedes Benz para delinquir (El Comercio, 2015). Asimismo, el robo de vehículos es cada
vez más frecuente, siendo un gran problema, los sistemas destinados a gestionar el acceso de
vehículos como los parqueadores tarifados carecen de un mecanismo de identificación
automático de las placas de los carros, y normalmente requieren de un operario humano de
manera constante (Espinoza y Salinas, 2015), los autos robados suelen ser un tráfico grande en
nuestro país, e incluso cruzan fronteras, estos son conocidos como autos sin patente (Andrade,
2020). Es importante establecer un sistema de seguridad donde se aproveche los recursos
tecnológicos (Medina, 2018). Por eso en los establecimientos de parqueo de la ciudad deberían
contar con un sistema de control para el reconocimiento de placas.
Para resolver este problema es clave saber que la automatización busca mejorar indicadores
como el aumento de la tasa de producción disminuyendo los errores repetitivos y tiempos
improductivos (Gómez, De la Cruz y Felipe, 2020), a la vez reduce el número de trabajadores,
específicamente de quienes se encargan de hacer tareas rutinarias (Perez y Campos, 2021), siendo
un efecto negativo sobre el empleo (Aboal, López,Maurizio y Queraltó, 2020).
Además, de tener un lenguaje de programación que permita crear aplicaciones de gestión de
procesos, en donde interpretan instrucciones de los flujos del proceso (Silva & Mora, 2021). Para
ello, la programación utiliza las habilidades como el razonamiento lógico, el pensamiento
estructurado e incluso creativo (Redón y Aroca, 2018).
El software Python es una herramienta de programación que tiene una gran cantidad de librerías
(Ruiz & Arriagada, 2022), además es un lenguaje gratuito de fácil instalación (Coluci, 2022), el
cual proclama el acceso al código fuente de un programa permitiendo ser de fácil ejecución
(Challenger, Diaz & Becerra, 2014). La sintaxis de Python es tan sencilla que parecen ser
pseudocódigo (Gónzales, 2012).
La librería OpenCV proporciona un alto nivel de desarrollo de aplicaciones de visión del
computador en un tiempo real (Arévalo, Gonzáles & Ambrosio, 2002), es muy utilizada para el
procesamiento de imágenes y la visión artificial en general (Viera, 2017). Y puede ser usada
desde casi todos los lenguajes de programación existentes (Hidalgo y García, 2015).
La aplicación de la librería Pytesseract permite procesar el texto de la imagen, hace un
reconocimiento óptico de caracteres (Instinto Programador, 2019). Esta librería realiza un análisis
ante una serie de parámetros que la condicionan (Cepeda, 2018). Nos permitirá tratar con
diferentes formas de imágenes, haciendo uso de esta librería la cual es un OCR, si este detecta
texto damos supuesto que es una señal de mentación y por lo tanto darla por válida (Campos,
Serra & Jordi, 2021).
Álvarez (2014), en su trabajo de investigación titulada “Análisis, diseño e implementación de un
sistema de control de ingreso de vehículos basado en visión artificial y reconocimiento de placas
en el parqueadero de la Universidad Politécnica Salesiana - Sede Cuenca”, tuvo como población
de 300 vehículos estacionados en el parqueadero de la Universidad Politécnica de Salesiano –
Sede Cuenca, con una muestra de 242 vehículos, con un instrumento de visión artificial, los
resultados que obtuvimos fueron 242 vehículos reconocidos y 58 vehículos que el programa no
pudo reconocer, como conclusión es que un punto sensible en un sistema de visión artificial es la
cámara ya que se encarga de captar la información de la escena real mediante una imagen.
Aguilar (2022) con su tesis titulada “Prototipo de reconocimiento de placas vehiculares para
detección de vehículos alertados en el complejo de control aduanero de tomasiri, tacna – 2022”,
la población fueron 224 vehículos alertados de carga pesada, para la muestra de esta
investigación se usó 30 detecciones de vehículos alertados de carga pesada, como instrumento se
aplicaron la “Ficha de recojo de información” y “cuestionario”, os resultados de la investigación
reportan una diferencia significativa a favor del grupo experimenta, como conclusión se
2
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

comprobó que si se implementa un prototipo de reconocimiento de placas vehiculares entonces se

optimiza la detección de vehículos alertados.
Franco (2019) en su trabajo titulado “Modelo OCR para reconocimiento de placas de vehículos”
tiene como objetivo desarrollar un modelo de reconocimiento de placas de los vehículos en fotos
tomadas por smartphones buscando poder pasar la información de la placa en imagen a texto
plano. Para esto se desarrolla un modelo en Phyton con ayuda de librería OpenCV. Se logró
implementar una aplicación móvil que toma la imagen de la placa por medio de la cámara, se
hace el análisis y se devuelve la información a la aplicación móvil el contenido de la placa en
texto plano.
Todo esto se realizará mediante la simulación como medio en el cual tanto los procesos pueden
proyectarse, evaluarse y contemplarse sin correr el riesgo asociado a experiencias llevadas a cabo
en un sistema real, además puede predecir, comparar y optimizar el comportamiento de sus
procesos simulados en un tiempo muy breve sin el coste ni el riesgo de llevarlos a cabo, haciendo
posible la representación de los procesos, recursos, productos y servicios en un modelo dinámico
(Fullana Belda, C). Como objetivos de este proyecto son captar las placas de los vehículos para
poder reconocerlos, otro objetivo es hacer pruebas de funcionamiento del sistema y saber cuál es su
precisión y así mismo ayudar a la sociedad con nuestro proyecto.

2. METODOLOGÍA

Materiales y métodos

Se emplea una metodología cuantitativa, está orientada a la aplicación de un software de

reconocimiento de placas. Asimismo, las herramientas empleadas son el opencv, Python,
pytesseract para programar y que el sistema hago lo que se desea y el principal componente
detector sería una cámara, la cual debe presentar imágenes de 800 pixeles como mínimo para
mayor precisión del lector.
Para usar el programa, se utiliza una cámara con la tecnología necesaria para el desarrollo, la
seleccionada es la del iphone X, que cuenta con las especificaciones necesarias tal como se muestra
en la siguiente figura.

Tabla 1: Especificaciones técnicas

Características Descripción
Modelo iPhone X
Pantalla 5.8 pulgadas (OLED)
Resolución 2,436x1,1,125 píxeles
Sistema operativo iOS 11
Almacenamiento 64 GB

Cámara posterior Doble cámara de 12 MP, con una

estabilidad de imagen óptica y
apertura de f/1.8 y f2.4
Cámara frontal 7 MP (TrueDepth Camera)
RAM 3GB
Resistene al agua Sí (hasta un metro por 30 minutos)

Después de definir nuestras herramientas, en el siguiente diagrama de flujo se detalla el

3
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

procedimiento que tiene que pasar el programa para obtener los resultados deseados.
Agregar diagramas de flujo
Para la adquisición de imágenes, Se importa el openCV, pytesseract el cual nos ayudara a extraer
los caracteres de la placa, declaramos un array vacío para almacenar la placa, se lee la imagen y se
procede a la transformación a escala de grises configurándola para que exista un área en blanco que
este rodeando a la placa

Figura 1. Adquisición de imágenes

Para suavizar la imagen se usó la fórmula de nitidez:

∑ as=−a ∑bt =−b w ( s ,t ) f ( x + s , y +t)

g ( x , y )=
∑ as=−a ∑ bt=−b w ( s , t )

Para la secuencia de captación de imágenes dentro de la estructura semi-cerrada se detalla en la

(Figura 4).
Normas apa

Figura 4. Secuencia de obtención de imágenes

Para la realización de las pruebas, se utilizará un lenguaje de programación a base de algoritmos

como Canny Edge Detection y Gauss.
A través de Canny Edge Detection, se detectarán los bordes de la simulación. Primeramente, se
elimina el ruido de la imagen con un filtro gaussiano de 5x5. Luego, la imagen suavizada se filtra
con un núcleo Sobel en dirección horizontal y vertical para obtener la primera derivada en
dirección horizontal (Gx) y dirección vertical (Gy). A partir de estas dos imágenes, podemos
encontrar el degradado del borde y la dirección de cada píxel, según se detalla la siguiente
fórmula (Ecuación 1).

Ecuación 1. Ecuación para el degradado

Donde:
G: Dirección
GX: Dirección horizontal.
GY: Dirección vertical.
4
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Tan-1: Tangente.

Después de obtener la magnitud y la dirección del gradiente, se realiza un escaneo completo de la

imagen para eliminar los píxeles no deseados que pueden no constituir el borde. Para esto, en
cada píxel, se verifica si el píxel es un máximo local en su vecindad en la dirección del gradiente
(Figura 5).

Figura 5. Transición de la imagen a bordes delgados

En resumen, el resultado que obtiene es una imagen binaria con "bordes delgados". Luego, en la
detección de bordes se necesitan dos valores de umbral, minVal y maxVal. Cualquier borde con
un gradiente de intensidad superior a maxVal será borde y aquellos por debajo de minVal no
serán bordes, por lo tanto, son desechados (Figura 6).

Figura 6. diferenciación de bordes

Según la figura el borde A, está por encima de maxVal, por lo que se considera "borde seguro".
Aunque el borde C está por debajo de maxVal, está conectado al borde A; por lo que también, se
considera un borde válido y obtenemos esa curva completa. Pero el borde B, aunque está por
encima de minVal y está en la misma región que el borde C, no está conectado a ningún "borde
seguro", por lo que se descarta. Asimismo, en esta etapa también se eliminan los ruidos de los
píxeles pequeños asumiendo que los bordes son líneas largas; por lo que, finalmente obtenemos
bordes fuertes en la imagen.
Para la automatización de dicho proceso, es necesario realizar la programación de la data a través
de Python, donde no solo estará la información de Canny, sino también, se incluye el método
Gauss con el procedimiento de eliminación hacia delante (Ecuación 2) y situación hacia atrás
(Ecuación 3).

Ecuación 2. Fórmula de situación hacia atrás

Ecuación 3. Fórmula de situación hacia atrás

Luego de haber ingresado todos los datos en el programa de Python, se realiza el circuito
eléctrico y electrónico en Cadesimu (Figura 7), mediante el cual se detalla el funcionamiento de
la faja transportadora y el accionar del sistema de visión artificial.

5
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Figura 7. Circuito eléctrico y electrónico en CADE SIMU

En el circuito podemos ver el diagrama de fuerza, en el cuál a través de la llave electromagnética

conectado al PLC de manera indirecta la cuál activará o desactivará el motor y con el relé térmico
se protegerá al motor de sobrecargas. La segunda fase se encuentra el diagrama de control o PLC,
la cual necesitará de una fuente de energía; para ello, es necesario el uso del transformador, ya
que rectificará la energía alterna a una continua. Finalmente, tenemos el diagrama lógico, que
viene a ser una programación pequeña dentro del PLC, donde, a través de los actuadores, pueda
ejecutar la acción que se requiere.
En la figura 8, se puede apreciar el diagrama de flujo del algoritmo que se usa en el programa
Python para el procesamiento de imágenes.

INICIO

Captura de la Imagen

Conversión a la escala
gris

Aplicación de
suavizado gaussiano

Detección de borde
con Canny

Detección de
contornos

Conteo de remaches en
la placa

¿Resultado
SI NO
satisfactorio?

Continúa el proceso Manda una alerta

FIN

Figura 8. Diagrama de flujo del algoritmo

Para llevar a cabo el funcionamiento del sistema, se emplea Python, en donde se explica el
código de programación para la identificación de fallas, es decir, brinda la cantidad de remaches
en cada placa como se muestra en la (Figura 9).

6
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Figura. 9. Codificación en Python

En este caso, cada placa debe contar con seis remaches, caso contrario, se considera como pieza
defectuosa. Entonces, se puede decir el programa de automatización que, si el valor mandado al
programa es igual a seis (Figura 10), la pieza es correcta y no manda ninguna alarma y, si el valor
mandado por el programa es menor a seis (Figura 11), la pieza es defectuosa y manda una alarma.

Figura 10. Pieza Correcta

Figura 11. Pieza defectuosa

Esto se puede visualizar en la simulación del programa, como se muestra en la (Figura 12), donde
las placas metálicas pasan una a una por la faja transportadora, luego se capturan las imágenes y
se ingresan los datos a un computador para que sean analizados con los algoritmos, y así da una
respuesta si cada placa cuenta con la cantidad de remaches o no.

Figura 12. Simulación del proceso

Resultados

7
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

La manera más adecuada de poder corroborar el correcto funcionamiento de esta automatización,

a base de una visión artificial, es a través de la realización de distintas pruebas para poder
identificar si cumple con el control de calidad esperado.
Para ello, se ha realizado un total de 6 ensayos, donde se analiza cada plancha. Para esto, el
sistema deberá detectar si cuenta con 1, 2, 3, 4, 5 o 6 remaches en cada una. Dentro de cada
ensayo, se aplicaron 10 pruebas con la finalidad de poder corroborar y verificar cuál es el
porcentaje de eficiencia de la visión artificial automatizada. En cada prueba, se ingresó un total
de 10 planchas con remaches, de los cuales 5 de ellos fueron defectuosos al no contar con los 6
remaches requeridos; por lo que, al realizar la simulación el sistema, deberá identificar dichas
planchas defectuosas y de acuerdo a ese resultado, podremos saber la eficiencia tras implementar
este sistema de visión artificial.
Los valores para tener en cuenta serán: el total de planchas completas ingresadas, el total de
planchas incompletas ingresadas y el total de planchas incompletas detectadas.

Tabla 1
Ensayo 1

PRUEBAS DE PLANCHA
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
CON 1 REMACHE

Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas
Planchas defectuosas
4 5 5 5 5 5 5 4 5 5
detectadas
Eficiencia 80% 100% 100% 100% 100% 100% 100% 80% 100% 100%
PROMEDIO DE EFICIENCIA 96%

Tabla 2
Ensayo 2

PRUEBAS DE PLANCHA
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
CON 2 REMACHES

Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas

Planchas defectuosas
4 5 5 4 5 5 5 5 5 5
detectadas
100
Eficiencia
80% 100% 100% 80% 100% % 100% 100% 100% 100%
PROMEDIO DE EFICIENCIA 96%

Tabla 3
Ensayo 3
PRUEBAS DE PLANCHA
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
CON 3 REMACHES

Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas

Planchas defectuosas
5 5 4 5 4 5 5 5 5 5
detectadas
100
Eficiencia
100% 100% 80% % 80% 100% 100% 100% 100% 100%
PROMEDIO DE EFICIENCIA 96%

Tabla 4
Ensayo 4

8
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

PRUEBAS DE
PLANCHA CON 4 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
REMACHES
Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas
Planchas defectuosas
4 5 5 5 5 5 5 5 5 4
detectadas
80 100 100 100
Eficiencia
% 100% 100% % 100% % 100% % 100% 80%
96
PROMEDIO DE EFICIENCIA %

Tabla 5
Ensayo 5
PRUEBAS DE
PLANCHA CON 5 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
REMACHES

Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas

Planchas defectuosas
5 5 5 4 4 5 5 5 5 5
detectadas
100 100 100
Eficiencia 100% 80% 80% 100% 100% 100% 100%
% % %
PROMEDIO DE EFICIENCIA 96%

Tabla 6
Ensayo 6

PRUEBAS DE
PLANCHA CON 6 P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
REMACHES

Planchas ingresadas 10 10 10 10 10 10 10 10 10 10

Planchas defectuosas
5 5 5 5 5 5 5 5 5 5
ingresadas
Planchas defectuosas
4 5 5 5 4 5 5 5 5 5
detectadas
Eficiencia 80% 100% 100% 100% 80% 100% 100% 100% 100% 100%
PROMEDIO DE EFICIENCIA 96%

PROMEDIO GENERAL DE EFICIENCIA DE

ENSAYOS 96%

En las (Tabla 1 - 6), se pueden observar los resultados de cada ensayo, donde en cada prueba
realizada se determinó un porcentaje de eficiencia. Por lo que, será necesario hacer un promedio
de todas ellos y finalmente un promedio general, el cual será el nivel de eficiencia de la visión
artificial aplicada en esta parte del proceso de clasificación. En base a ello, se tuvo como
resultado que el porcentaje de eficiencia general que es 96%. Este resultado, es considero óptimo
para que la empresa pueda aplicarlo.

9
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Funcionamiento del programa

60

50

40

30

20

10

0
SI NO

Funcionamiento del programa

10
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Discusión

Durante el desarrollo del diseño de implementación de visión artificial para la detección de fallas
durante el control de calidad de los remaches en la fabricación de automóviles, se encontró que
(Constante & Gordón, 2015) usaron el diseño e implementación de visión artificial para tres
tipos de frutas, donde se logró implementar de manera satisfactoria, ya que esta herramienta logro
clasificar a las frutas según el tamaño y la forma, obteniendo así un porcentaje de reconocimiento
de 87.5%, donde de las 40 imágenes de frutas para prueba fueron reconocidas 35. Mientras que,
(Alvarado, 2020) elaboraron un prototipo para el reconocimiento de 6 tipos de imágenes,
realizando 10 pruebas por cada imagen y obteniendo un 95.35% de eficiencia, con un tiempo
promedio de 0.33 segundos.

Con respecto a los algoritmos aplicados (Rebaza, 2007), se usó el algoritmo Canny Edge
Detection, para detectar todos los bordes existentes en una imagen. En cambio, (Challenger-
Pérez, 2014) aplicaron Python, el cual solo permitió reflejar de forma simple las imágenes,
además de que su programación fue orientada más para objetos. En base a ello, es como se
garantiza un buen parámetro para la calidad de los remaches en la fabricación de automóviles en
las empresas Industriales. Obteniendo resultados similares para este aspecto con los autores
anteriormente mencionados, puesto que, la automatización les permitió estandarizar sus procesos,
siendo más precisos y eliminando errores que a veces cometen los operarios.

Es así como, según (Zambrano, Parra , Manrique, & Bustacara, 2007), indican que, la visión
artificial ha demostrado ser una herramienta útil para la implementación de sistemas de medición,
inspección y verificación de la calidad de un producto. Por lo que, únicamente es necesario contar
con una cámara y un computador para poder desarrollar este sistema (Zambrano, Parra ,
Manrique, & Bustacara, 2007). Además, es necesario destacar que la utilidad con este sistema
también logra reducir los tiempos de inspección de las piezas elaboradas, de 29,5 s a 10,2 s. Lo
cual, se refleja en la mejora de la productividad en el proceso. (Moyano, Guamán, García , &
Sedeño, 2021)

En base a lo investigado, lo que se busca es que, no solo este procedimiento sea aplicado en esta
industria; sino que, también sea un enfoque más grande y para distintas empresas. Por ello, según
(Tinajero, Acosta , Chango, & Moyon, 2020), el prototipo en general debe ser capaz de detectar
una mayor gama de color y de forma adicional que permita ampliar el rango de efectividad y
acción. (Tinajero, Acosta , Chango, & Moyon, 2020)

Durante el desarrollo de un sistema de visión artificial, (Gonzalez, Ramirez , Padilla, & Morales,
2013) señalan que las funciones que han empleado son la calibración del sistema óptico, captura
y reconstrucción de imágenes, la binarización, la identificación y el conteo de elementos. Como
resultado, se obtuvo un 92% de eficiencia en detectar algún tipo de ausencia/presencia de
orificios, roscas y puntos de soldadura en los ensambles automotrices. (Tornero, y otros, 2012)

Por otro lado, según (Tornero, y otros, 2012) indican que, la aplicación basada en visión artificial
mediante la adquisición de imágenes permite reconocer los defectos de las piezas, en este caso
permite detectar los defectos en carrocerías de vehículos con una eficiencia que llega casi al
100%. Esto significa una gran mejora en la reducción del número de vehículos rechazados como
en los costos de producción. (Gonzalez, Ramirez , Padilla, & Morales, 2013)

Conclusión

En conclusión, gracias a los resultados obtenidos, se implementó la visión artificial automatizada

para detectar fallas en la cantidad de remaches de piezas metálicas. Para ello, a través de 6
ensayos con 10 pruebas cada una e ingresando un total de 10 planchas semi – remachadas, se
11
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

pudo verificar y corroborar el porcentaje de eficiencia de la implementación de este sistema,

detectando así en su mayoría el total de las planchas metálicas defectuosas.

El prototipo diseñado, pudo realizar todos los procedimientos programados en el circuito

eléctrico con Python al simularlo en el programa CADE_SIMU. Cumpliendo con el porcentaje de
eficiencia de acuerdo con las pruebas realizadas, obteniendo así un promedio de eficiencia de
96%.

Si se implementa el prototipo diseñado en la fase de selección del área de producción de una

empresa, se llegará a aumentar la productividad en el proceso de fabricación de placas metálicas
con remaches en empresas metal mecánicas.

De la misma manera, se mejorará la calidad de los productos, ya que la automatización del

prototipo diseñado permitirá mayor consistencia en la realización de los procesos de selección.
Esto, será muy beneficioso para las compañías, ya que reducirá costos, mano de obra, cuellos de
botella y eliminando por completo el error humano y esfuerzo físico que se realiza actualmente.

Referencias

Alvarado, E. A. (2020). Ciencia y Tecnologia. Obtenido de

https://revistas.unitru.edu.pe/index.php/PGM/article/view/2751
Ayala, J. M. (2016). Gestión de compras: Unidad 1. La función logística en la empresa. Obtenido
de https://books.google.es/books?hl=es&lr=&id=BGVeDAAAQBAJ&oi=fnd&
pg=PA5&dq=logistica
Challenger-Pérez, I. D.-R.-G. (2014). El lenguaje de programación Python. Cuba.
Constante Procel, P. N. (2015). Diseño e implementación de un sistema de visión artificial para la
clasificación de al menos tres tipos de fruta. Ecuador.
DE MIGUEL, J. C. (2019). Metodología de inspección no destructiva de la instalación de
remaches ciegos aeronáuticos. Universidad del País Vasco-Euskal Herriko Unibertsitatea.
García Ortega, C. (2015). Desarrollo de un código de evaluación de un sistema de visión para
fallas de falta y formado de remaches. ciateq.
Gobierno de España. (2012). Aplicación práctica de la visión artificial en control de procesos
industriales. España.
Gonzales Marco, A. M. (2006). Técnicas y Algoritmos básicos de visión artificial. España.
Gonzales, A. (2016). Jornadas de Investigació. Venezuela.
Gonzalez, A. (2016). VALORACIÓN SOBRE REMACHES, TORNILLOS Y RASCACIELOS
DE ACERO. UNA REPRESENTACIÓN DE SUS ASOCIACIONES DESDE LA
NOCIÓN DEL ACTANTE RIZOMA. Obtenido de
https://www.researchgate.net/profile/H-Bolognini/publication/311563643_IDEC-
MEMORIAS-COMPLETAS-2016-2/links/584d38e508aeb98925203627/IDEC-
MEMORIAS-COMPLETAS-2016-2.pdf
Gonzalez, A., Ramirez , A., Padilla, J., & Morales, R. (2013). Sistema basado en visión para
inspección del tipo ausencia/presencia de subensambles automotrices. Obtenido de
https://www.redalyc.org/articulo.oa?id=61428315004
K, M. A. (2018). “Implementación de un Brazo Manipulador de 5. Puno: UNIVERSIDAD
ANDINA “Néstor Cáceres Velásquez”.
Lozano, G., & Orduz, J. (2015). DISEÑO DE UN SISTEMA DE VISIÓN ARTIFICIAL PARA
LA REVISIÓN DEL NIVEL DE LLENADO DE BEBIDAS EMBOTELLADAS.
Obtenido de http://hdl.handle.net/11619/1371
Moyano, J., Guamán, Á., García , A., & Sedeño, J. (2021). Mejora de la calidad del producto
terminado de cortes por plasma mediante procesamiento de imágenes con visión artificial.
Obtenido de https://dialnet.unirioja.es/servlet/articulo?codigo=8383909
Murua, M., Veiga, F., Ortega, J., Penalva, M., & Diez, A. (2020). MACHINE LEARNING-
BASED ANALYSIS ENGINE TO IDENTIFY CRITICAL VARIABLES IN MULTI-
STAGE PROCESSES: APPLICATION TO THE INSTALLATION OF BLIND
FASTENERS. Obtenido de https://doi.org/10.6036/9403
12
 Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

Palma Santacruz, W. S. (2020). Implementación de un sistema de visión artificial en líneas de

producción de atún, para la detección de fallas de codificado en la empresa Puertomar
S.A. Ecuador.
Rebaza, J. V. (2007). Detección de bordes mediante el algoritmo de Canny. Trujillo.
Rivero, A. (2010). UN MÉTODO PARA EL TALADRADO DE ALUMINIO QUE FACILITA
LA UNIÓN POR REMACHES DE LOS COMPONENTES AERONÁUTICOS. Obtenido
de https://dialnet.unirioja.es/servlet/tesis?codigo=94277
Sanabria, J., & Archila, J. (2011). Detección y análisis de movimiento usando visión artificial.
Obtenido de http://www.redalyc.org/pdf/849/84922625031.pdf
Saravia, C. (2020). Planificación estratégica y cultura organizacional en Ramelsa Industria S.A.C.
San Juan de Lurigancho, 2020. Obtenido de https://hdl.handle.net/20.500.12692/53891
Silva, L., & Lizcano, S. (2012). Evaluación del estado de maduración de la piña en su variedad
perolera mediante técnicas de visión artificial. Obtenido de
https://dialnet.unirioja.es/servlet/articulo?codigo=4991589
Tinajero, J., Acosta , L., Chango, E., & Moyon, J. (2020). Sistema de visión artificial para
clasificación de latas de pintura por color considerando el espacio de color RGB. Obtenido
de https://www.revistaespacios.com/a20v41n08/a20v41n08p18.pdf
Tornero, J., Armesto, L., Mora, M., Montés, N., Herraez, Á., & Asencio, J. (2012). Detecci ́on de
Defectos en Carrocer ́ıas de Veh ́ıculos Basado en Visi ́on Artificial:Dise ̃no e Implantaci
́on. Obtenido de https://polipapers.upv.es/index.php/RIAI/article/view/9631/9568
Trivedi, J., Mandalapu, D., & Dave, D. (2020). CANNY EDGE DETECTION BASED REAL-
TIME INTELLIGENT PARKING MANAGEMENT SYSTEM. Obtenido de
https://yadda.icm.edu.pl/baztech/element/bwmeta1.element.baztech-89e15e6b-b0aa-44d8-
84bf-1c9895a2b9fe/c/SJSUTST106_2020_TrivediDeviDhara.pdf
Zambrano, G., Parra , C., Manrique, M., & Bustacara, C. (2007). Estación de control de calidad por
visión artificial para un centro de manufactura integrada por computador (CIM). Obtenido
de https://repository.javeriana.edu.co/handle/10554/42049

13
Aplicación de visión artificial mediante un algoritmo de binarización para el reconocimiento
de placas mediante Python para el control de parqueo, Trujillo 2022

14