Identificación de matrículas haciendo uso de esp32cam y reconocimiento de daños en vehículos por medio de redes neuronales convolucionales.

Abstract

Este trabajo final de máster tiene como objetivo desarrollar un sistema automatizado de bajo coste que combine la detección de matrículas vehiculares mediante OCR empleando un dispositivo ESP32CAM y el reconocimiento de ciertos tipos de daños en vehículos utilizando redes neuronales convolucionales (CNN) haciendo uso de las cámaras existentes en la compañía. En cuanto a la detección de matrículas, se emplean técnicas de visión por computadora para identificar y localizar las regiones que contienen las matrículas en imágenes de vehículos del Holding empresarial PROMOAMBIENTAL de Colombia. De tal forma que una vez se tenga identificado cada vehículo, se pueda realizar una valoración automatizado de las zonas del tren delantero de los vehículos para detectar los daños más comunes que se producen en la flota de vehículos, lo cual se pretende realizar con técnicas basadas en redes neuronales convolucionales entrenadas con un conjunto de imágenes etiquetadas que contienen diferentes tipos de daños. El objetivo de utilizar este sistema de identificación de daños en la flota de vehículos es reducir los tiempos de dedicación, logrando optimizar mediante la automatización un proceso que actualmente solo depende de la supervisión humana, por medio de una herramienta tecnológica orientada a IOT.This final master's project aims to develop a low-cost automated system that combines the detection of vehicle license plates by OCR using an ESP32CAM and the recognition of certain types of vehicle damage using convolutional neural networks (CNN) making use of existing cameras in the company. As for the detection of license plates, computer vision techniques are used to identify and locate the regions that contain the license plates in vehicle images of the PROMOAMBIENTAL Business Holding of Colombia. In such a way that once each vehicle has been identified, an automated evaluation can be carried out in the areas of the front end of the vehicles to detect the most common damages that occur in the vehicle fleet, which is intended to be carried out with techniques based on in convolutional neural networks trained with a set of labeled images containing different types of damage. The objective of using this damage identification system in the vehicle fleet is to reduce dedication times, managing to optimize through automation a process that currently only depends on human supervision, through a technological tool oriented to IOT.