Ingenieria Electrónica · 2026
Sistema de IA para estimación de aforo vehicular en semáforos inteligentes
Este trabajo tiene como objetivo diseñar, implementar y validar un sistema para la estimación del aforo vehicular y optimizar de manera dinámica el funcionamiento de un semáforo portátil mediante técnicas de inteligencia artificial. El sistema fue desarrollado usando una arquitectura maestro-esclavo, donde se emplean Raspberry Pi Zero 2W para el procesamiento local de imágenes capturadas por cámaras en tiempo real, utilizando el modelo YOLOv8n y lenguaje de programación Python para la detección y conteo de vehículos. La validación se realizó en un entorno controlado que simula una intersección vehicular, obteniendo datos como el número de vehículos detectados, el tiempo de luz verde asignado y el número real de vehículos en cada carril. Se entrenó un modelo con el dataset KITTI, alcanzando durante la fase de entrenamiento una precisión del 95% y una sensibilidad del 91%. Con los datos obtenidos durante la prueba de validación, el modelo presentó un MAE de 0.285, equivalente a un 21% respecto al promedio de vehículos reales por ciclo, y un RMSE de 0.53 (39.4%). Adicionalmente, se observó que el sistema ajusta dinámicamente el tiempo de operación del semáforo en función del aforo detectado, logrando una reducción promedio del 23.2% en la duración de las fases respecto a un semáforo de tiempo fijo de 60 segundos por ciclo. Se concluye que la solución es viable en hardware de bajo costo y sin dependencia de conexión a internet, aunque su desempeño depende de la calidad del dataset utilizado y la necesidad de pruebas en entornos reales.
Texto completo 81 páginas con texto de 82
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 15
- Justificaciónp. 16
- Objetivosp. 17
- Objetivo generalp. 17
- Objetivos específicosp. 17
- Marco teóricop. 18
- Conceptos fundamentales del tráfico y aforo vehicularp. 18
- 1.1.1 Fundamentos del tráfico vehicularp. 18
- semafóricosp. 19
- 1.1.3 Métodos para la medición del aforo Vehicularp. 21
- Visión artificial en conteo vehicularp. 22
- 1.2.1 Visión artificialp. 22
- 1.2.2 Modelos de aprendizaje profundop. 23
- 1.2.3 Retos técnicosp. 23
- CNN y YOLOv8p. 24
- 1.3.1 Detectores de dos pasosp. 24
- 1.3.2 Detectores de un pasop. 26
- 1.3.3 Métricas de desempeñop. 27
- 1.3.4 Datasetsp. 29
- 1.3.5 YOLOv8p. 30
- Sistemas embebidosp. 31
- Estado del artep. 32
- Diseño del sistemap. 33
- Hardwarep. 33
- 2.1.1 Cámara y Motoresp. 34
- 2.1.2 Pantalla OLEDp. 35
- 2.1.3 LEDs Neopixelp. 35
- Modelo personalizado de YOLOv8np. 35
- 2.2.1 Dataset y procesamientop. 36
- 2.2.2 Configuración del entrenamientop. 37
- Softwarep. 38
- 2.3.1 Inicializaciónp. 38
- 2.3.2 Modo punto de acceso (AP)p. 38
- 2.3.3 Módulo Flaskp. 38
- 2.3.4 Módulo Wi-Fip. 49
- Arquitectura del sistemap. 51
- 2.4.1 Modelo maestro-esclavop. 51
- 2.4.2 Bucle de operaciónp. 52
- 2.4.3 Diagrama de flujo y bloques generalesp. 53
- Resultados y validaciónp. 56
- Resultados y análisis del entrenamiento de modelos YOLOp. 56
- 3.1.1 Comparación de los modelosp. 57
- Implementación del sistemap. 58
- 3.2.1 Montaje físico del prototipop. 64
- Validación del sistema en entorno controladop. 65
- 3.3.1 Resultado de la pruebap. 68
- 3.3.2 Validación visual del sistemap. 71
- 3.3.3 Discusión de resultadosp. 72
- Conclusiones y recomendacionesp. 74
- Conclusionesp. 74
- Recomendacionesp. 75
- Referencias bibliográficasp. 77
- A. Anexo: Video de la prueba de validaciónp. 81
- B. Anexo: Códigos del proyectop. 81
- Figura 1. Diagrama fundamental del tráfico. Tomado de [11]p. 18
- Figura 2. Formas de onda del sensor ROADTRAX BL. Tomado de [13]p. 22
- Figura 3. Representación gráfica de una CNN. Basado en [17]p. 24
- Figura 4. Detector de un paso (b) y detector de dos pasos (a). Tomado de [18]p. 25
- Figura 5. (a) R-CNN (b) Fast R-CNN (c) Faster R-CNN. Tomado de [18]p. 26
- Figura 6. Representación gráfica del IoU. Tomado de [19]p. 28
- MS COCO. Tomado de [8]p. 30
- Figura 8. Diagrama del hardware utilizado en el sistemap. 33
- Figura 9. Modelo 3D del mecanismo de movimiento de la cámarap. 35
- agregadas a KITTIp. 36
- Figura 12. Diagrama de bloques general del sistemap. 54
- Figura 13. Diagrama de flujo de alto nivel del sistemap. 55
- Figura 14. Métricas modelo entrenado únicamente con KITTIp. 56
- Figura 15. Métricas modelo entrenado con KITTI+ROBOFLOWp. 57
- Figura 16. Vista de la interfaz principal del sistemap. 59
- Figura 17. Ajuste del área de interés ROIp. 59
- Figura 18. Prueba de detección y ROIp. 60
- Figura 19. Ajuste del ángulo de la cámarap. 61
- Figura 20. Conexión y credenciales con otros semáforosp. 61
- Figura 21. Configuración de variables de funcionamientop. 62
- Figura 22. Página de visualización de erroresp. 63
- Figura 23. Control de operaciónp. 63
- Figura 24. Estructura del semáforo originalp. 64
- Figura 25. Montaje físico del sistema en el semáforo originalp. 65
- de análisis A y B. Fuente: Google Mapsp. 66
- Figura 27. Configuración de (A) semáforo inteligente 1(B) semáforo inteligente 2p. 67
- Figura 28. Configuración de variables desde el maestrop. 67
- Figura 29. Control y supervisión de la prueba desde el maestrop. 68
- Figura 30. Registro de la pruebap. 69
- aplicado por ciclo para el modelo Ap. 70
- aplicado por ciclo para el modelo Bp. 70
- semáforo portátilp. 71
- Tabla 1. Comparación entre el método de Webster y el modelo propuestop. 20
- en CNNp. 27
- Tabla 3. Datasets populares para modelos de detección genéricosp. 29
- Tabla 4. Especificaciones técnicas de las placas Raspberry Pi más popularesp. 31
- YOLOv8np. 27
- Tabla 6. Comparativa de los modelos entrenadosp. 57