Gestión inteligente de plazas de aparcamiento mediante procesamiento de imágenes en IoT: Redes neuronales convolucionales y predicción

Abstract

En el presente trabajo se realiza un estudio, diseño y desarrollo de un sistema autónomo de reconocimiento del grado de ocupación de aparcamientos utilizando imágenes de los mismos tomadas en distintos instantes de tiempo. Se trata de determinar sobre cada una de las capturas el número de plazas libres sobre el total de plazas disponibles. Se proporciona una solución conceptual en el ámbito del Internet de las Cosas (IoT, Internet of Things) de suerte que se procesa la imagen convenientemente, procediendo a continuación a la publicación de los resultados, quedando disponibles en un repositorio específico y accesible, que en el contexto del IoT se corresponde con el concepto de nube (cloud). En la propia nube se realiza el procesamiento de datos con el fin de realizar previsiones a futuro, de suerte que tanto éstos como el modelo predictivo quedan disponibles para su consulta remota en la nube en cualquier momento. De esta forma se tiene información precisa e instantánea sobre la situación de ocupación de un determinado parking, lo que contribuye a la gestión eficiente de las zonas de aparcamiento y por tanto a la regulación inteligente del tráfico. El esquema de diseño consta de dos módulos, que constituyen el núcleo de la aplicación, a saber: local y remoto. En el módulo local se llevan a cabo dos procesos, uno relativo al re-entrenamiento de la red neuronal convolucional de tipo AlexNet, la cual está convenientemente pre-entrenada. Los parámetros y el modelo resultantes del re-entrenamiento se almacenan convenientemente para un posterior reconocimiento. En este caso se determina el número de clases a identificar según el contenido de la plaza, que en esencia son plaza ocupada o libre. Un segundo proceso que incluye la segmentación de la imagen original, para realizar recortes sobre la misma, que en teoría se corresponden con el contenido de las plazas de parking. Durante el proceso de segmentación se realiza la captura de la imagen y su procesamiento, para identificar, mediante técnicas de visión por computador, las regiones de ésta que se corresponden con las diferentes plazas de parking. Para ello se aplican técnicas de binarización, seguidas de las operaciones morfológicas pertinentes para determinar posibles áreas candidatas como plazas de parking. A continuación se realiza un etiquetado de componentes conexas, que asigna a cada una de las regiones candidatas, una única etiqueta identificativa. Gracias al etiquetado, se obtienen como propiedades el área y la envoltura, que la delimita (bounding-box ). Para cada región y su correspondiente bounding-box se realiza el recorte correspondiente sobre la imagen original, que previamente redimensionada se proporciona a la red neuronal para determinar el contenido de la misma, según las clases asignadas durante el re-entrenamiento. Una vez procesada la imagen original al completo, se determina el número de plazas disponibles junto con la capacidad del parking. Los datos así obtenidos se publican convenientemente en una plataforma remota, constituyendo así el módulo del mismo nombre. Los datos se almacenan asociados con los tiempos de captura, permitiendo realizar un estudio predictivo del grado de ocupación mediante análisis de series temporales. Estos datos quedan publicados permitiendo su monitorización y consulta en cualquier momento. A nivel local, también se realiza un análisis basado en Redes Neuronales Recurrentes (Recurrent Neural Networks) mediante técnicas basadas en el concepto Long Short-Term Memory (LSTM).