Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2026
Detección de evasión por puerta de vagón en sistemas BRT a través del análisis automático de video mediante un método de inteligencia artificial
Ante la problemática crítica de la evasión del pago de pasajes en el sistema TransMilenio, que alcanza tasas cercanas al 15% y carece de mecanismos de medición automatizados estandarizados, este trabajo desarrolla un método computacional basado en Inteligencia Artificial y Visión por Computador para la detección automática de ingresos ilegales por las puertas de los vagones. Mediante la construcción de un conjunto de datos propio con 1.800 clips de video y una metodología que integra técnicas de segmentación, detección de objetos, seguimiento de trayectorias y análisis de las mismas, se exploraron sistemáticamente diversas configuraciones hasta determinar una arquitectura óptima; los resultados demostraron que el método propuesto cuantifica eficazmente los eventos de evasión con estabilidad tanto en clips cortos como en videos continuos, validándose como una herramienta tecnológica efectiva para apoyar las estrategias de control y mitigación de este fenómeno en sistemas de transporte masivo tipo BRT. (Texto tomado de la fuente)
Texto completo 80 páginas con texto de 82
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 15
- Planteamiento del Problemap. 16
- Justificaciónp. 17
- Objetivosp. 18
- Objetivo Generalp. 18
- Objetivos Específicosp. 18
- Marco Teóricop. 21
- Evasiónp. 19
- Evasión Cruzando la Calle (caso 1)p. 19
- Evasión por Troncal Exclusiva (caso 2)p. 20
- Evasión por Llegada de Bus (caso 3)p. 20
- Consideracionesp. 21
- Inteligencia Artificialp. 22
- Aprendizaje Automático (Machine Learning)p. 22
- Redes Neuronales Convolucionales (CNN)p. 23
- Funcionamiento de las CNNp. 24
- Algoritmos Usados en Detección de Personas y Accionesp. 26
- Algoritmos de Detección de Personasp. 32
- Algoritmos de Seguimiento de Objetosp. 33
- Algoritmos de Reconocimiento de Acciones Humanasp. 34
- Trabajos Relacionadosp. 37
- Metodologíap. 41
- Datasetp. 41
- Características de los Videosp. 42
- Preparación de los Datosp. 43
- Modelos y Técnicas Implementadasp. 45
- Detección de la Estaciónp. 45
- Detección de Personasp. 31
- Tracking de Personasp. 50
- Detección de Accionesp. 54
- Análisis de Trayectoriasp. 56
- Refinamientop. 58
- Exploración de Parámetrosp. 61
- Análisis de la Mejor Configuraciónp. 64
- Rendimiento de la Mejor Configuraciónp. 66
- Resultadosp. 71
- Análisis de la Matriz de Confusiónp. 70
- Análisis de Métricas de Rendimientop. 71
- Alcance y Limitacionesp. 73
- Conclusiones y Trabajo Futurop. 77
- Conclusionesp. 75
- Trabajo Futurop. 76
- Bibliografíap. 78
- Figura 2-1 Casos de evasión por puerta de vagónp. 20
- Figura 2-2 Ejemplo de evasión en hora picop. 21
- Figura 2-3 Red neuronal convolucionalp. 24
- Figura 4-1 Metodologíap. 40
- Figura 4-2 Ejemplos de grabaciones en puertas de vagónp. 42
- Figura 4-3 Ejemplos de segmentación de instanciasp. 45
- Figura 4-4 Ejemplo de etiquetado de estaciones con Roboflowp. 46
- Figura 4-5 Ejemplos de predicción para estación completap. 48
- Figura 4-6 Ejemplos de predicción para estación sin plataformap. 48
- Figura 4-7 Ejemplos de segmentación de instanciasp. 49
- Figura 4-8 Ejemplo de implementación de YOLO al contexto específicop. 50
- Figura 4-9 Ejemplo de implementación de tracker al contexto específicop. 51
- Figura 4-10 Comparación de desempeño de trackers en dataset MOT27 y MOT20p. 52
- Figura 4-11 Pérdida de objetos pequeños en implementación de YOLO-posep. 56
- Figura 4-12 Detectando evasión aplicando el método desarrolladop. 58
- Figura 4-13 Escenarios presentados en el dataset WiderPersonp. 60
- Figura 4-14 Gráfica del F1-Score para cada una de las configuraciones exploradasp. 63
- Figura 4-15 Ranking de las 20 mejores configuraciones exploradasp. 63
- Figura 4-16 Matriz de confusión de conteos exactos para la mejor configuraciónp. 66
- Figura 4-17 Matriz de confusión por eventos de evasión para la mejor configuraciónp. 67
- Figura 5-1 Matriz de confusión de conteos exactos en la validación finalp. 69
- Figura 5-2 Matriz de confusión por eventos de evasión en la validación finalp. 70
- relacionados con detección de acciones, personas u objetosp. 28
- Tabla 2-2 Ranking de algoritmos usados para detección de personasp. 32
- Tabla 2-3 Ranking de algoritmos usados para seguimiento de objetosp. 33
- Tabla 2-4 Ranking de algoritmos usados para detección de acciones/posesp. 34
- Tabla 4-1 Metadatos de los clips que conforman el datasetp. 43
- Tabla 4-2 Parámetros usados para la configuración de los trackersp. 53
- Tabla 4-3 Reglas aplicadas a las trayectorias para la detección de evasiónp. 57
- Tabla 4-4 Parámetros explorados con grid searchp. 61
- Tabla 4-5 Atributos de la mejor configuración exploradap. 64
- Tabla 4-6 Métricas de evaluación de la mejor combinación de parámetrosp. 68
- Tabla 5-1 Métricas de la evaluación finalp. 70