Reconocimiento de matrículas de vehículos en imágenes mediante técnicas de Aprendizaje Profundo aplicado a TIC

Reconocimien o de ma ículas de ehículos en imágenes median e écnicas de Ap endizaje P o undo aplicado a TIC Recogni ion o ehicle numbe pla es in images using Deep Lea ning echniques applied o ICTs T abajo de Fin de G ado Cu so 2022–2023 Au o Juan Manuel Núñez Sánchez-El i a (GIS) Se gio Tapia O ega (GIS) Ál a o Llo e Bodelón (GIS) Di ec o Gonzalo Paja es Ma insanz Colabo ado a ex e na Cla a Isabel López González G ado en Ingenie ía Del So wa e Facul ad de In o má ica Uni e sidad Complu ense de Mad id Reconocimien o de ma ículas de ehículos en imágenes median e écnicas de Ap endizaje P o undo aplicado a TIC Recogni ion o ehicle numbe pla es in images using Deep Lea ning echniques applied o ICTs T abajo de Fin de G ado en Ingenie ía Del So wa e Au o Juan Manuel Núñez Sánchez-El i a (GIS) Se gio Tapia O ega (GIS) Ál a o Llo e Bodelón (GIS) Di ec o Gonzalo Paja es Ma insanz Colabo ado Cla a Isabel López González Con oca o ia: Junio 2023 G ado en Ingenie ía Del So wa e Facul ad de In o má ica Uni e sidad Complu ense de Mad id Dedica o ia Dedicamos es e abajo a odos quienes han sido pa e esencial de nues o camino en la Ingenie ía del So wa e. A nues as amilias, po su inago able apoyo y enseñanzas de pe sis encia. A nues os amigos y p o eso es, que an o a ni el pe sonal como p o esional nos han ayudado a c ece y a los que hemos enido el hono de compa i con ellos el iaje. A nues as asociaciones y equipos, po pe mi i nos desa olla nos y pa icipa en un abanico de ac i idades. A los miemb os de la acul ad y del pe sonal uni e si a io que hacen posible nues o ap endizaje. Y, po úl imo, nos dedicamos es e log o a noso os mismos, econociendo el es- ue zo y la dedicación que hemos in e ido en alcanza es e hi o en nues a o mación como ingenie os del so wa e. i Ag adecimien os Deseamos exp esa nues o since o ag adecimien o a Gonzalo Paja es Ma in- sanz, nues o p o eso y di ec o de TFG, po su ines imable o ien ación y apoyo en es e p oyec o inal de Ingenie ía del So wa e. Su en usiasmo po el Ap endizaje P o undo ha en iquecido nues a pe spec i a académica y des acado la impo ancia de la ingenie ía en el p og eso de nues a sociedad. Asimismo, que emos econoce a Cla a I. López, cuya colabo ación ue esencial pa a la ealización de es e abajo. Su asis encia ha sido de g an ayuda. Nues o más p o undo ag adecimien o a ambos po su dedicación y es ue zo en es e iaje educa i o. Resumen El p oyec o se en oca en el desa ollo de un sis ema de econocimien o de ma ícu- las de ehículos en imágenes u ilizando écnicas de Ap endizaje P o undo aplicadas a las Tecnologías de la In o mación y la Comunicación (TIC). El obje i o p incipal de es a inicia i a es simula y emula la ges ión de in o mación que ocu e de mane a na u al en un apa camien o. La isión gene al aba ca di e en es componen es y e apas que con o man el p oce- so in eg al del sis ema. En p ime luga , se plan ea la implemen ación de un sis ema de econocimien o de ma ículas capaz de p ocesa imágenes y ex ae con o nos álidos que ep esen en posibles placas de ehículos. Pos e io men e, se ealiza un análisis de allado de los con o nos in e nos de la placa pa a alida su au en icidad. Una ez alidada, la placa se segmen a en ca ac e es indi iduales, lo que pe mi e lle a a cabo el econocimien o de cada uno de ellos. El sis ema ambién con empla el almacenamien o de las ma ículas econocidas en una base de da os, donde se egis an jun o con sus ca ac e ís icas co espondien- es. Es o p opo ciona una o ma e icien e de ges iona y o ganiza la in o mación ecopilada. Además del econocimien o de ma ículas, el p oyec o incluye el desa ollo de una aplicación web que ac úa como in e az de ges ión. Es a aplicación pe mi e a los adminis ado es ealiza di e sas a eas, como la ges ión de cuen as de usua io, la adminis ación de ehículos den o del apa camien o, el egis o de la ho a de en ada y salida de los ehículos, así como el con ol y cálculo del pago co espondien e al iempo de es acionamien o. Palab as cla e Reconocimien o de ma ículas, ap endizaje P o undo, ecnologías de la In o ma- ción y la Comunicación (TIC), ges ión de in o mación, apa camien o, aplicación web, adminis ación de ehículos, in e az de ges ión, base de da os, con ol de acceso i Abs ac The main pu pose o he p ojec is he design and de elopmen o a ehicle license pla e ecogni ion sys em using Deep Lea ning echniques applied o In o ma- ion and Communica ion Technologies (ICT). I s goal is o simula e and e icien ly eplica e he in o ma ion managemen in a pa king lo , encompassing he license pla e ecogni ion p ocess and da a adminis a ion h ough a web applica ion. The sys em in ol es he implemen a ion o a web applica ion ha ac s as a managemen in e ace o adminis a o s. This applica ion will enable a ious asks such as use accoun managemen , ehicle adminis a ion wi hin he pa king lo , accu a e eco ding o ehicle en y and exi imes, and calcula ion o pa king ees based on he du a ion o s ay. In conclusion, he p ojec ocuses on de eloping a ehicle license pla e ecogni ion sys em using Deep Lea ning echniques applied o ICT. The p ima y objec i e is o simula e and op imize in o ma ion managemen in a pa king lo , allowing o e icien adminis a ion and con ol o ehicles h ough an in ui i e and unc ional web applica ion. Keywo ds License pla e ecogni ion, deep Lea ning, communica ion and In o ma ion Tech- nologies (ICT), in o ma ion managemen , pa king lo , web applica ion, managemen in e ace, da abase, access con ol ii Índice Dedica o ia i Ag adecimien os Resumen i Abs ac ii 1. In oducción 1 1.1. An eceden es ............................... 1 1.2. Obje i os ................................. 2 1.2.1. Obje i os especí icos . . . . . . . . . . . . . . . . . . . . . . . 2 1.3. Plande abajo.............................. 3 1.4. O ganización de la memo ia . . . . . . . . . . . . . . . . . . . . . . . 4 2. Mé odos, écnicas y ecu sos 5 2.1. Mé odosy écnicas ............................ 5 2.1.1. Modelos de edes neu onales con olucionales . . . . . . . . . . 6 2.1.2. OCR................................ 12 2.2. Recu sos.................................. 22 2.2.1. Docke ............................... 22 2.2.2. Nginx ............................... 23 3. Diseño de la aplicación 25 3.1. A qui ec u a................................ 25 3.1.1. Aplicaciónweb .......................... 25 3.1.2. Ma lab............................... 26 iii 3.1.3. Basededa os........................... 27 3.2. Diseño................................... 27 3.2.1. Aplicaciónweb .......................... 28 3.2.2. Ma lab............................... 31 3.3. CI/CD................................... 34 3.4. Ges ión del p oyec o . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4. Resul ados ob enidos 36 4.1. En enamien o de las edes . . . . . . . . . . . . . . . . . . . . . . . . 36 4.1.1. AlexNe .............................. 37 4.1.2. GoogleNe ............................. 38 4.2. Iden i icación de la ma ícula . . . . . . . . . . . . . . . . . . . . . . 38 4.3. Resul ados de la clasi icación . . . . . . . . . . . . . . . . . . . . . . . 40 5. Conclusiones y T abajo Fu u o 43 5.1. Conclusiones................................ 43 5.2. T abajo u u o .............................. 44 6. In oduc ion 45 6.1. Objec i es................................. 46 6.1.1. Speci ic objec i es . . . . . . . . . . . . . . . . . . . . . . . . . 46 6.1.2. Pla e’s econgni ion . . . . . . . . . . . . . . . . . . . . . . . . 46 6.1.3. Managemen o he web applica ion . . . . . . . . . . . . . . 46 6.2. Wo kplan ................................ 46 7. Conclusions Fu u e Wo k 48 7.1. Conclusions ................................ 48 7.2. Fu u ewo k................................ 49 8. Con ibuciones Pe sonales 50 Con ibuciones Pe sonales 50 8.1. Ál a o Llo e Bodelón . . . . . . . . . . . . . . . . . . . . . . . . . . 50 8.1.1. Ta eas de in es igación . . . . . . . . . . . . . . . . . . . . . . 50 8.1.2. Ta eas de ges ión del p oyec o . . . . . . . . . . . . . . . . . . 50 8.1.3. Ta eas de desa ollo . . . . . . . . . . . . . . . . . . . . . . . . 50 8.1.4. Ta eas de documen ación . . . . . . . . . . . . . . . . . . . . . 51 1.3. Plan de abajo Capí ulo 1. In oducción 1.3. Plan de abajo Con el in de lle a a cabo la ejecución del plan eamien o que de inen los obje i os, se han de inido las siguien es a eas, en o den, que con o man el plan de abajo: Elección de modelos de edes neu onales pa a el econocimien o de en enamien o de la ed. Dada la a iedad de edes neu onales con olu- cionales, y las imágenes que eníamos que ecoge pa a pode en ena dichas edes, decidimos con enien e que las edes que usa íamos son los modelos ya p e-en enados AlexNe y GoogleNe . Elección del lenguaje en el que desa olla el ap endizaje p o undo. Ba ajábamos dos opciones de lenguaje (Py hon o Ma lab) pa a lle a a cabo el en enamien o de la ed y an o la iden i icación de la ma icula como la lec u a de es a. Finalmen e nos decan amos po Ma lab. En enamien o de las edes neu onales. Es a a ea comienza con la eco- gida de imágenes y su clasi icación pa a que las edes las p ocesen. Y con inua con el en enamien o con el obje i o de ene las edes en enadas con la mayo p ecisión posible. P ocesamien o y econocimien o de la ma icula den o de la imagen. Una ez engamos la ed en enada, p ocesamos la imagen pa a que la ed iden i ique el eco e en el que se encuen a la ma icula. Lec u a de la ma icula a pa i del eco e. A pa i del eco e de la ma icula que nos p opo ciona la ed, u ilizamos una lib e ía ex e na pa a que lea los ca ac e es y los núme os de la ma ícula. Diseño de las in e aces. C eamos una in e az pa a las dis in as a eas an e io men e mencionadas. Pa a el en enamien o de las edes a pa i de los pa áme os que in oduzca el usua io, pa a el p ocesamien o de una imagen con el obje i o de que la ed eco e la ma icula, la lea y la mues e al usua io, y ambién pa a indica que el coche en a o sale del apa camien o. Aplicación web que ecoja la ac i idad del apa camien o. Cons uimos una aplicación web en la cual los usua ios puedan da se de al a pa a gua da sus coches y que la aplicación egis e la en ada y salida del apa camien o de es os jun o con la ealización del pago. Pe sis encia de da os en una base de da os emo a. Gua da emos odos los da os ela i os a la aplicación web (coches, egis os, usua ios, e c.) en una base de da os elacional a la cual se accede á desde la aplicación web. T ans e encia de da os desde Ma lab has a la aplicación web a a és de un POST. Cuando un coche en a o sale del apa camien o ( a ea que ecogemos con Ma lab) desde Ma lab mandamos un mensaje POST con la ma icula y la o ien ación de la acción (en a o sale del apa camien o) a la aplicación pa a que es a la ecoja y la e leje en es a. 3 1.4. O ganización de la memo ia Capí ulo 1. In oducción Le an amien o de un se ido . Lanzamos un se ido pa a pode aloja la página web y accede a es a de o ma emo a. Con enedo es. U ilización de con enedo es pa a aloja la aplicación web y la base de da os. Elabo ación de la memo ia. Pa a inaliza p ocedimos a edac a la me- mo ia, donde ecogemos oda la ac i idad del abajo. 1.4. O ganización de la memo ia Es e abajo se o ganiza de o ma que en el capí ulo dos se p esen an los mé odos, écnicas y ecu sos necesa ios pa a el desa ollo de la aplicación. En el capí ulo es se plan ea el diseño de la aplicación, in eg ada en su conjun o. En el capí ulo cua o se mues an los esul ados ob enidos ela i os a odas las ases del p oceso. Finalmen e, el capí ulo cinco con iene las conclusiones y abajo u u o. 4 Cap´ ı ulo 2 Mé odos, écnicas y ecu sos En es e capí ulo se p esen an los mé odos, écnicas y ecu sos u ilizados pa a lle a a cabo el p oceso de de ección de los ca ac e es que con o man la ma ícula. Cabe dis ingui , po un lado, en e mé odos y écnicas p opias ela i as al p ocesa- mien o de imágenes, sección 2.1 y po o o, los ecu sos necesa ios pa a el despliegue de la aplicación sección 2.2. 2.1. Mé odos y écnicas Son di e sos los en oques exis en es en la li e a u a ela i os al econocimien o de ma ículas de o ma que en cada uno de los pasos del p oceso aplican écnicas y mé odos di e en es. En Shashi angana e al. (2021) se desc iben dis in os p ocedi- mien os que se di e encian en los mé odos aplicados en las di e en es ases. Cualquie p oceso de econocimien o de ma ículas conlle a implíci amen e una se ie de ases de p ocesamien o de imágenes, que pueden sin e iza se en el esquema que se mues a en la igu a 2.1. Figu a 2.1: Pasos en el p oceso de iden i icación de ma ículas En cualquie caso, y siguiendo el esquema de es a igu a 2.1, los pasos a segui son dos, a sabe : (a) Paso 1: De ección de la zona donde se ubica la ma ícula Es e p ime paso consis e en iden i ica la zona co espondien e a la ma ícula del ehículo bajo análisis a pa i de una imagen gene al del ehículo. De es a 5 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos o ma se consigue aisla la egión de in e és den o de la imagen global. Es e es el caso mos ado en la igu a 2.1, donde apa ece una imagen de un ehículo con su co espondien e ma ícula. El p ocedimien o pa a lle a a cabo es a compleja a ea se basa en la u ilización de un modelo de ed neu onal con olucional, en es e abajo conc e o se ha expe imen ado con sendos modelos AlexNe y GoogLeNe , que se desc iben en la sección 2.1.1 (b) Paso 2:Reconocimien o de los ca ac e es de la ma ícula (OCR) Una ez iden i icada la egión donde se ubica la ma ícula, se p ocede a eali- za el eco e sob e la imagen global comple a, de o ma que a pa i de es e momen o se p ocesa exclusi amen e dicha egión, aplicando écnicas especí- icas basada en lo que se conoce como Reconocimien o óp ico de ca ac e es (OCR, Op ical Cha ac e Recogni ion), cuyo p oceso comple o se desc ibe en la sección 2.1.2 2.1.1. Modelos de edes neu onales con olucionales 2.1.1.1. AlexNe AlexNe es una ed (Russako sky e al. (2015); K izhe sky e al. (2012); b l (2023a)) u ilizada en el ámbi o de las CNN, la cual gano la compe ición de LSVRC (2012) en el año 2012. Se puede obse a en la igu a 2.2 la es uc u a de la ed AlexNe a pa i de una ilus ación g a ica de las ope aciones que se lle an a cabo, econociendo las mismas con la indicación de las dimensiones de il os en las capas con olucionales y o almen e conec adas pa a las ope aciones de con olución (con ), ReLU ( elu), No malización (no m), Pooling (pool), d opou (d op) o so max. Se adjun an las dimensiones de los il os, el s ide (s), el padding (p) y el núme o de il os (K) en cada una de las capas. En la e ce a columna de la abla 2.1 se mues an los pa áme os (pesos) que se ap enden en dicho modelo, que co esponden con los pesos en las capas (p ime a columna) de con olución (con 1 a con 5) y las o almen e conec adas (Fully con- nec ed, c6, c7 y c8), independien emen e de que se aplique d opou o no en ellas. Obsé ese que como pesos a ap ende se incluyen en cada capa de con olución un alo de bias po cada il o y que es un pa áme o de ajus e adicional. Po ejemplo, pa ecido al e mino independien e ’bén líneas ec as (y = ax + b). A con inua- ción, en la misma abla 2.1 ambién podemos obse a en la segunda columna las dimensiones de salida espec i as a la capa co espondien e. También, en la es uc u a mos ada en la igu a 2.2 se des acan los núme os de Relación, que es ablecen la elación en e las dimensiones de salida de cada capa (o) basándose en los pa áme os de en ada (i, k, p, s), como se e en la igu a 2.3, se de inen las dis in as elaciones posibles, jun o con su núme o co espondien e asociado. 6 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos Nomb e de la cap Dimensión de salida Pesos con 1 55x55x96 W=11x11x3x96 b=1x1x96 con 2 27x27x256 W=5x5x48x256 b=1x1x256 con 3 13x13x384 W=3x3x256x384 b=1x1x384 con 4 13x13x384 W=3x3x192x384 b=1x1x384 con 5 13x13x256 W=3x3x192x256 b=1x1x256 c6 1x1x4096 W=4096x9216 b=4096x1 c7 1x1x4096 W=4096x4096 b=4096x1 c8 1x1x4096 W=1000x4096 b=1000x1 Tabla 2.1: Rep esen ación Red AlexNe Figu a 2.2: Red AlexNe En algunas implemen aciones, Ma lab (2023), as la unción elu7 se ealiza una ope ación de d opou del 50 % cambiando las dimensiones de la salida de es a capa. Es e modelo de ed ambién se p esen a con el diseño de la igu a 2.3, con dos edes pa alelas al e ando el amaño de los di e en es olúmenes, en elación con al modelo de la igu a 2.2, al mismo iempo que se aplican las mismas ope aciones de padding, s ide, pooling y dimensiones de los il os, jun o con iguales mé odos de no malización y ac i ación. De es a mane a la e ce a dimensión de los olúme- nes son 96, 256, 384, 384 y 256 pe mi iendo que se ans o men en olúmenes con dimensiones que son la mi ad de es os alo es, es deci , 48, 128, 192, 192 y 128 es- pec i amen e. En es e modelo hay 3 conexiones c uzadas al y como se e leja po 7 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos las co espondien es lechas en la segunda capa y en las capas inales (an epenúl ima y penúl ima) o almen e conec adas, pa a e mina en una conca enación a la salida con las que se llegan inalmen e a las mismas 1000 ca ego ías pa a la clasi icación que en la es uc u a mos ada en la igu a 2.2. En consecuencia, la es uc u a de la igu a 2.2 se conside a lo que se denomina con olución de g upo (g ouped con olu- ions) o ag upada en compa ación con la igu a 2.3. Dicho modelo puede p opone se pa a su u ilización e inclusión en los diseños de las a qui ec u as co espondien es de edes siamesas. Figu a 2.3: Rep esen ación al e na i a de la Red RedAlex 2.1.1.2. GoogLeNe GoogLeNe ue la ganado a del concu so LSVRC (2014) ( ambién llamada co- mo Incep ion V1) de Google b l (2023b), inspi ada en el abajo de Szegedy e al. (2014). Llego a consegui has a una asa de e o de 6.67 %, consiguiendo así un esul ado muy ce cano al ni el humano, de modo que los o ganizado es del desa ío de la in e ención expe a. Al pa ece , en ealidad, la e aluación po pa e del expe - o e a bas an e complicada de ealiza , equi iendo algún en enamien o adicional pa a de e mina la p ecisión de GoogLeNe . Pasados unos días de en enamien o, el expe o humano (And ej Ka pa hy) log ó una asa de e o en e los 5 p ime os del 5.1% (modelo único) y el 3.6 % (en conjun o). La ed u ilizó una CNN inspi ada en LeNe , pe o implemen ó un elemen o no edoso que se llama modulo incep ion. Se uso la no malización po lo es (ba ch), dis o siones de imagen y RMSP op como mé odo de op imización. El mé odo incep ion (Inc) se basa en a ias con oluciones ela i amen e pequeñas pa a educi conside ablemen e el núme o de pa áme os. La es uc u a del modelo GoogLeNe consis e en una CNN de 22 capas de p o undidad, que consigue una educción en el núme o de pa áme os de 60 millones (AlexNe ) a 4 millones, de esas 22 capas, 9 son del ipo incep ion de di e en es ca ego ías. La suma o al de capas es de 144, donde cada una de las 9 capas incep ion con iene la a qui ec u a mos ada en la igu a 2.4, en las que se inco po ado las unidades ReLU p esen es en el módulo. El modelo en e o p opues o po Szegedy y col. (2014) es el que se puede ap ecia en la igu a 2.5, donde se mues an las dis in as capas: con olución (Con ) indicando las dimensiones de los il os; Pooling, bien a e age (A gPool) o máximo (MaxPool) con indicación en es e caso ambién de las medidas de la en ana; No malización (LRN, Local Response No maliza ion); capas comple- amen e conec adas (FC) y po supues o los módulos Incep ion (Inc), en es e caso 8 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos V1 que o man la pa e nuclea de es e ipo de edes. En las capas de con olución y pooling se señala ambién el desplazamien o (s ide), en es e caso se exp esa en- e pa én esis con el símbolo s seguido del co espondien e alo de desplazamien o pa a el caso same y V ambién con el espec i o alo de desplazamien o, en es e caso de ipo alid. Como puede e se, es e esquema mues a dos edes ex a, que son exac amen e sendos clasi icado es auxilia es, y es án compues os de un pooling p omediado de dimensión 5x5 y s = 3 de ipo V que p opo ciona salidas de amaños 4x4x512 y 4x4x528 espec i amen e. Con inua con una capa de con olución 1x1 con 128 il os pa a educción de la dimensionalidad y una unidad ReLU. Le sigue una unidad d opou con capas o almen e conec adas inalizando con unidades so max (So max0 y So max1). La salida inal de la ed es ambién una unidad so max (So max2). Las mencionadas edes son ambién conocidas como clasi icado es au- xilia es (auxilia y classi ie s) cuyo obje i o es p omociona la disc iminación en las capas más bajas del clasi icado , aumen a la señal del g adien e que se a p opagan- do hacia a ás, comba iendo al mismo iempo el p oblema del des anecimien o del g adien e ( anishing g adien p oblem) y p opo ciona una egula ización adicional. Con espec o a la egula ización, Szegedy y col. (2015b) a i man que el clasi icado p incipal unciona mejo si en las amas la e ales se emplea no malización po lo es (ba ch no maliza ion) o d opou . Lee y col. (2014) a gumen an que los clasi icado es auxilia es hacen más sencillo un ap endizaje más es able y una mejo con e gencia. Sob e el inal del en enamien o, una ed que enga amas auxilia es empieza a supe- a la p ecisión en compa ación con la ed que no iene es as amas auxilia es y llega a una mese a lige amen e más op ima, que ga an iza la es abilidad. Pa a inaliza indica en la p opia igu a 2.5 los elemen os que cons i uyen lo que se denomina mo- dulo oncal (s em). Po o o lado, en la igu a 2.6 apa ece un esquema simpli icado de la misma ed an e io del ipo incep ion V1. Figu a 2.4: Módulo Incep ion con inco po ación de unidades ReLU GoogLeNe p opo ciona una impo an e ganancia a pa i de la educción de la dimensión, que puede e se, desde el pun o de is a compu acional, como un caso especial de ac o ización con olucional. Po ejemplo, eniendo en cuen a el caso de una capa de con olución de dimensiones 1x1 seguida de o a de amaño 3x3. Desde el pun o de is a de las edes, es espe able que las salidas de ac i aciones de 9 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos Figu a 2.5: Modelo comple o GoogLeNe (incep ion V1) capas ce canas es én muy co elacionadas. En consecuencia, se pod ía espe a que sus ac i aciones puedan educi se an es de la ag egación pa a mejo a la e iciencia compu acional. Es a es la hipó esis inicial o mulada po Szegedy y col. (2015b) pa a o mula sendas p opues as pa a los módulos incep ion que se ans o man en las denominadas e siones V2, V3, y V4 que comple an la e sión o iginal V1. Pa a es o se plan ea una ac o ización en con oluciones más pequeñas. Figu a 2.6: Modelo simpli icado GoogLeNe (incep ion V1) 2.1.1.3. P oceso de clasi icación de egiones candida as Es e p oceso se inicia a pa i de una imagen o iginal dada sob e la que se ealizan las ope aciones que se mencionan a con inuación. Figu a 2.7: Imagen bina izada (A) Umb alización de la imagen o iginal 10 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos Pa a ello se aplica el mé odo de O su (1979) a la imagen de in ensidad p e ia ans o mación de la imagen de colo a g is. Es e mé odo a a de minimiza la a ianza en e dos clases de ni eles de in ensidad que es ablece un alo de umb al. De o ma que el umb al que de e mina la mejo sepa ación en e clases es el inalmen e elegido. Así se ob iene una imagen de salida bina ia con enien- do di e en es egiones en e las que se encuen a la egión co espondien e a la ma ícula. En la igu a 2.7 se mues a una imagen o iginal y la co espondien e bina izada, donde se mues an las di e en es egiones iden i icadas. (B) Ex acción de egiones candida as A pa i de la imagen bina izada se p ocede al e ique ado de las egiones median e la écnica conocida como de e ique ado de componen es conexas Ha alick y Shapi o (1992). Cada una de las egiones conexas exis en es es e ique ada con un alo (e ique a), de o ma que de ellas se pueden ex ae p opiedades inhe en es a las egiones. De en e odas las posibles p opiedades el á ea (A) o núme o de píxeles que con o man la egión es de e minan e, ya que alo es de A pequeños se desca an. Po o o lado, ambién se conside an aquellas egiones que man engan una cie a p opo ción en e su ancho y al- o, que es en ealidad equi alen e a la p opo ción exis en e en las ma ículas habi uales, siendo desde un cuad ado (ma ículas de mo ocicle as) a un ec- ángulo cuyo ancho es mayo que el al o, gene ando una azón ap oximada de 0.6 (Al o/Ancho). La igu a 2.8 mues a las dis in as egiones e ique adas a pa i de la imagen bina ia p e ia. Se obse a, cómo la egión e de ec angula man iene las p opo ciones an es indicadas. Figu a 2.8: E ique ado de las egiones conexas (C) Clasi icación median e uno de los modelos de edes (AlexNe y Goo- gLeNe ) Las egiones candida as, que han sido seleccionadas en la e apa an e io , con- enien emen e edimensionadas son las que se pasan al modelo de ed selec- cionado, bien AlexNe o GoogLeNe . Como quie a que es os modelos han sido p e iamen e en enados, como se e á pos e io men e pa a iden i ica egiones con eniendo ma ículas, así como o os elemen os de la escena, as la clasi- icación se ob iene una e ique a. Sólo aquellas e ique adas como “ma ícula” son las conside adas pa a el siguien e paso, p ocediendo a su selección a pa i 11 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos de la imagen o iginal. Además, como se e á pos e io men e en el capí ulo 4, como esul ado de la clasi icación se ob iene un alo de p obabilidad de pe enencia a la clase, en es e caso “ma ícula”, de sue e que de en e odas las egiones clasi icadas como “ma ícula” se elige la de mayo p obabilidad, siemp e y cuando es e alo sea supe io a 0.5 %, con el in de ga an iza que el econocimien o ha sido su icien emen e álido, como pa a p opone a dicha egión como candida a a se la de la ma ícula del ehículo. Puede ocu i , que en la imagen haya a ios ehículos y se iden i iquen a ias ma ículas como al. No obs an e, es e caso no se conside a en la aplicación desa ollada, dejando es a opción como ampliación de u u o. 2.1.2. OCR El econocimien o de ca ac e es en placas de ma ículas median e imágenes di- gi ales es el p ocedimien o po el cual se iden i ican los ca ac e es p esen es en la ma ícula. Exis en di e sos p ocedimien os y écnicas, odas ellas enma cadas den o de lo que es el econocimien o de ex o en imágenes, donde se incluyen documen os de ex o, ó ulos en come cios y po supues o lec u a de ma ículas de ehículos, como es el caso del p esen e abajo. Po an o, la aplicación que se p esen a iene como obje i o el econocimien o de los ca ac e es de las ma ículas españolas de ehículos pa a compone la ma ícula iden i ica i a del ehículo. Pa a el econocimien o de ma ículas exis en di e sos p ocedimien os con al p opósi o. Gene almen e se aplican una se ie de p ocesos, has a llega a la iden i i- cación p opiamen e dicha de los ca ac e es que componen la ma ícula, que se ía el paso exclusi o de un OCR. 1. P ep ocesamien o de la imagen 2. Ex acción de egiones que con o man los ca ac e es 3. Desc ipción de las egiones que iden i ican los ca ac e es 4. Iden i icación de los ca ac e es 5. Posp ocesamien o, pa a elimina posibles disc epancias y ajus a cohe encias 2.1.2.1. P ep ocesamien o de la imagen Se a a de una e apa p e ia cuya inalidad consis e en elimina e ec os p esen es en la imagen no deseados. Tal es el caso co espondien e a la eliminación de uido. Una de las écnicas básicas pa a eliminación de uido es lo que se conoce como p omediado del en o no de ecindad. Dada una imagen con alo de in ensidad g(i,j) en el píxel (i,j) se ob iene un alo de in ensidad (i,j) que esul a se el p omedio de los alo es de in ensidad de los píxeles de g incluidos en el en o no de ecindad p ede inido de (i,j). Es deci , la 12 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos Según lo an e io y siguiendo con la me odología expues a en Ma lab (2023) las eglas que se aplican pa a elimina egiones no candida as, de inidas exp esamen e pa a la iden i icación de ca ac e es, de o ma que las egiones candida as a ca ac e es cumplen lo siguien e: 1. Ra >3 2. Ex >0.995 3. Eu <-4 4. So <0.3 5. Ex >0.9 El esul ado de aplica es as eglas sob e la imagen p e ia p opo ciona como esul ado el mos ado en la igu a 2.17, obse ándose cómo solamen e quedan iden- i icadas las egiones candida as, que en es e caso coinciden plenamen e con los ca ac e es a iden i ica . Figu a 2.17: Fil ado de egiones no candida as Además de lo an e io , cabe la posibilidad de aplica algún ipo de conocimien o de o den supe io , al como la anchu a de azo. En endiendo po azo las líneas cu as y ec as que de inen el ca ác e . Las egiones que de inen los ca ac e es ienden a ene poca a iación en la anchu a del azo, mien as que en las egiones que no son de ex o ocu e lo con a io. La p opues a que o mulan Li y Lu (2012) en es e sen ido consis e en ex ae de la imagen lo que se llama esquele o de la misma, que no es o a cosa que una ope ación mo ológica aplicada sob e imágenes bina ias, al y como se desc ibe en Paja es y de la C uz (2007). Una ez ex aído el esquele o se mide el ancho del mismo a lo la go de las di ecciones de a iación del azo, de o ma que si se man iene con g oso es más o menos cons an es, puede deduci se que se a a de una ca ác e . Tal es el caso del ejemplo mos ado en la igu a 2.18, de o ma que a la izquie da apa ece la egión que con o ma el ca ác e G, en es e caso, mien as que a la de echa se mues a el esquele o de la misma, obse ándose cómo se man iene el azo y el ancho del mismo, e indicando, po an o, que se a a de un posible ca ác e . El siguien e paso as los il ados ealizados p e iamen e consis e en ag upa los ca ac e es que han supe ado los di e en es il os, de o ma que se elabo e un panel 19 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos Figu a 2.18: T azos de g oso cons an e. como en ada al OCR. La igu a 2.19 mues a un ejemplo ep esen a i o de es e p oceso, de o ma que una ez iden i icados los Bounding Boxes ( ec ángulos en ojo) de los ca ac e es candida os, que han supe ado los il os p e ios, se iden i ican las zonas de solapamien o en e dichos Bounding Boxes y se es ablece un Bounding Box delimi ado supe io ( ec ángulo e de) que engloba a odos ellos. Es e ec ángulo delimi ado , con eniendo los ca ac e es candida os es lo que se p opo ciona al OCR pa a la iden i icación de los ca ac e es. Hay que ene en cuen a, que has a aho a el p oceso ealizado de e mina la zona donde se encuen an los ca ac e es, pe o oda ía no es án iden i icados como al, siendo es a a ea la misión del OCR. Figu a 2.19: Bounding Boxes indi iduales y global. Con iene eseña en es e momen o, que a pa i de una imagen de en ada global, con eniendo di e sas egiones y en e ellas la ma ícula, exis en di e en es p ocedi- mien os pa a localiza la egión de in e és de la p opia ma ícula. Y que puede di e i del p ocedimien o p esen ado has a el momen o. Po ejemplo, exis en o os en oques donde la egión de la ma ícula se iden i ica en unción de o as ca ac e ís icas co- mo puede se la concen ación de bo des o zonas de al o con as e de blanco con ca ac e es neg os, como es el caso de las ma ículas de ehículos españolas. 20 2.1. Mé odos y écnicas Capí ulo 2. Mé odos, écnicas y ecu sos 2.1.2.4. Iden i icación de los ca ac e es En ealidad, és a es la pa e sus ancial de un OCR. T as la delimi ación de los ca ac e es, según los pasos desc i os p e iamen e, se a a de ex ae una se ie de p opiedades pa a cada uno de ellos, de o ma que los iden i iquen uní ocamen e. En e ales p opiedades los momen os in a ian es de Hu (1962), que gene an sie e p opiedades, cada una de las cuales cons i uye una componen e de un ec o 7- dimensional, x = (x1, x2, ..., x7), de o ma que es os ec o es se ían los pa ones de en enamien o pa a su conside ación en modelos de ap endizaje au omá ico ales como K-Medias u o os. Los momen os in a ian es de Hu ienen la p opiedad de que son in a ian es a o aciones, aslaciones y cambios de escala, de o ma que po ejemplo a la ho a de econoce po ejemplo el ca ác e P, és e p esen a los mismos alo es de los momen os an o si apa ece o ado como si no o más g ande o más pequeño, de sue e que desde el pun o de is a del econocimien o de ma ículas es e hecho esul a de especial ele ancia, ya que el sis ema de isión no siemp e o ece la misma pe spec i a de los ca ac e es (núme os y le as) e incluso de la posición y dis ancia del ehículo en e a la cáma a. También se pueden emplea o o ipo de p opiedades, ales como las opológicas (pe íme o, en ol en e conexa u o as). Como se e á pos e io men e, la aplicación desa ollada es á implemen ada en Ma lab (2023), y en es e en o no, la unción que implemen a el OCR en el mo o Tesse ac Smi h (2007) mejo ado, cuya p incipal ca ac e ís ica es que el econo- cimien o es á basado en una ed neu onal con olucional en enada con ca ac e es al a-numé icos del ipo mos ado en la imagen de la igu a 2.20, Figu a 2.20: Base de ca ac e es de en enamien o de la ed neu onal que de ine el OCR Ma lab o ece la posibilidad de c ea la base de da os, así como de ini el mé- odo de ap endizaje au omá ico a u iliza , o eciendo pues, una opción abie a de de inición de la me odología. 2.1.2.5. Posp ocesamien o Finalmen e, en la e apa de posp ocesamien o, se lle an a cabo una se ie de ope- aciones pa a mejo a la p ecisión del OCR. Es o puede inclui el análisis de ni el supe io , de o ma que en unción de los ca ac e es econocidos se de e mina su cohe encia. A modo de ejemplo supongamos que en una ma ícula española ac ual se iden i ica un ca ác e co espondien e a una ocal, lo cual no es posible. O bien, se con unde la le a J con un 1 en la secuencia que con o ma la se ie de las es consonan es. E iden emen e es o no es ampoco posible. 21 2.2. Recu sos Capí ulo 2. Mé odos, écnicas y ecu sos En es e abajo an e ambigüedades de es a índole se aplica un c i e io lógico, al como que en el caso de las ma ículas nue as deben apa ece 4 dígi os nume ales y es ca ac e es li e ales o mando sendas secuencias de dígi os que con o man la ma ícula. 2.2. Recu sos En lo que sigue se desc iben los ecu sos u ilizados pa a lle a a cabo el despliegue de la aplicación a pa i del código gene ado. 2.2.1. Docke Docke es un p oyec o de código abie o que pe mi e empaque a aplicaciones y sus dependencias en con enedo es aislados y po á iles que se pueden ejecu a en cualquie en o no. Cada con enedo Docke ejecu a una ins ancia sepa ada y aislada de la aplicación, lo que signi ica que los con enedo es no a ec an al sis ema ope a i o o al so wa e ins alado en la máquina. Docke es ú il pa a implemen a aplicaciones en di e en es en o nos, pa a lle a a cabo desa ollos, p uebas y p oducción, sin ene que p eocupa se po las di e encias de con igu ación y so wa e en cada en o no. Es a ecnología se basa en dos ca ac e ís icas p incipales: el aislamien o de ecu sos y los namespaces sepa ados. El aislamien o de ecu sos se e ie e a la capacidad de los con enedo es pa a limi a los ecu sos del sis ema que pueden u iliza , como la memo ia, la CPU y el almacenamien o. Docke u iliza el con ol de g upos de Linux pa a es ablece lími es en es os ecu sos y asegu a se de que cada con enedo enga acceso solo a los ecu sos que necesi a pa a su uncionamien o. Es o ayuda a p e eni que una aplicación en un con enedo a ec e nega i amen e al endimien o de o as aplicaciones en el mismo sis ema. Figu a 2.21: A qui ec u a Docke Po o o lado, los namespaces sepa ados se e ie en a la capacidad de los con ene- do es pa a ene is as sepa adas del sis ema ope a i o subyacen e, lo que signi ica que cada con enedo e su p opio sis ema de a chi os, p ocesos y ecu sos de ed. 22 2.2. Recu sos Capí ulo 2. Mé odos, écnicas y ecu sos Docke u iliza a ios namespaces de Linux pa a log a es e aislamien o, como el namespace de PID pa a sepa a los p ocesos, el namespace de ed pa a aisla la con igu ación de ed y el namespace de mon aje pa a sepa a el sis ema de a chi os. Po o o lado, docke -compose es una he amien a pa a de ini y ejecu a aplica- ciones Docke con múl iples con enedo es. Pe mi e de ini odos los se icios nece- sa ios pa a una aplicación se usa un a chi o YAML, de allando en él cada se icio. Luego, Docke -compose puede ejecu a y ges iona odos los con enedo es jun os, lo que simpli ica la ges ión de aplicaciones complejas. 2.2.2. Nginx Nginx es un se ido web y p oxy in e so de al o endimien o, diseñado pa a ges iona un g an núme o de conexiones simul áneas. Es conocido po su e icien- cia en el uso de ecu sos y su escalabilidad, con i iéndolo en una solución ideal pa a aplicaciones con al o á ico y en o nos de nube. Su a qui ec u a asínc ona y o ien ada a e en os se basa en un en oque de mul ip oceso con un único hilo po p oceso, lo que pe mi e maneja miles de conexiones sin bloquea se en ope aciones de en ada/salida. El uncionamien o de Nginx posee dos componen es: el núcleo y los módulos. El núcleo ges iona las conexiones en an es, p ocesa las solici udes y en ía las es- pues as a los clien es. Los módulos amplían la uncionalidad del núcleo, ag egando ca ac e ís icas como p oxy in e so, balanceo de ca ga, sopo e SSL/TLS y sopo e pa a di e en es lenguajes de p og amación. Nginx u iliza una es uc u a de da os lla- mada ie adix pa a almacena y busca in o mación de con igu ación y ubicaciones de si ios web de o ma e icien e. Figu a 2.22: A qui ec u a El p oxy in e so es una ca ac e ís ica impo an e de Nginx, ac úa como in e - media io en e los clien es y los se ido es de backend, o eciendo en ajas como dis ibución de ca ga, mejo a de la segu idad y e minación SSL/TLS. El balanceo de ca ga se log a median e algo i mos de selección de se ido es como Round Robin, Leas Connec ions e IP Hash. Además, Nginx admi e la con igu ación de salud pasi- a y ac i a, pe mi iendo e i ica el es ado de los se ido es de backend y elimina los del g upo si no es án disponibles. 23 2.2. Recu sos Capí ulo 2. Mé odos, écnicas y ecu sos La segu idad es un aspec o c í ico en Nginx. Implemen a HTTPS median e SSL/TLS, con ola el acceso basado en IP, p o ege con a a aques de ue za b u a y mi iga a aques DDoS son p ác icas ecomendadas pa a ga an iza la segu idad del se ido y las aplicaciones. En esumen, Nginx es un se ido web y p oxy in e so e icien e y escalable, con ca ac e ís icas cla e, como manejo de solici udes, p oxy in e so, balanceo de ca ga y medidas de segu idad. Es os componen es, jun o con su a qui ec u a modula , hacen de Nginx una solución sólida pa a aplicaciones web mode nas, pe ec a pa a ges iona la concu encia en nues a web. 24 Cap´ ı ulo 3 Diseño de la aplicación T as la desc ipción de los modelos y mé odos concep uales se desc ibe el diseño de la es uc u a de la aplicación. P ime amen e, se p esen a la in o mación co es- pondien e a su a qui ec u a, con inuando con la ges ión del p oyec o. 3.1. A qui ec u a La a qui ec u a es á di idida en di e en es módulos, a sabe : aplicación web, base de da os y desa ollo median e código Ma lab. En la igu a 3.1 se puede ap ecia un esquema de los dichos módulos, así como sus in e elaciones, que de inen el lujo de da os en e ellos. Figu a 3.1: Esquema modula de la aplicación 3.1.1. Aplicación web La aplicación web ecoge la ac i idad que puede lle a a cabo un usua io en elación a los p ocesos de ac i idad y con ol que se lle an a cabo en el pa king. Se 25 3.1. A qui ec u a Capí ulo 3. Diseño de la aplicación basa en la a qui ec u a clien e-se ido , en la cual los usua ios ealizan pe iciones a un se ido que aloja la aplicación. La aplicación es á in eg ada siguiendo el pa ón MVC (Modelo-Vis a-Con olado ) en una a qui ec u a mul icapa: El modelo aba ca el acceso a los da os y la lógica de negocio que se aplica sob e es os. Las is as mues an y ecogen in o mación del usua io, la cual es en iada al con olado , el cual, a su ez, e o na á una espues a a las is as pa a que es as se la mues en al usua io. El con olado iene asignado el ol de in e media io en e las is as y el mode- lo. Le llega in o mación de las is as, siendo esponsable de conoce qué acción hay que lle a a cabo con los da os p oceden es de la is a con a el modelo, gene ando una espues a en unción de si la acción ha e minado co ec amen- e. La a qui ec u a mul icapa sigue la siguien e dis ibución: P esen ación: es a capa engloba oda la lógica de isualización ( is a) necesa ia pa a p opo ciona una in e az amigable al usua io pa a que es e pueda usa la aplicación de la mejo mane a posible. Negocio: en es a capa in e iene oda la lógica inhe en e al p ocesamien o e in e cambio de da os de la aplicación, es deci , el conjun o de ope aciones que lle an a cabo el a amien o de los da os de la aplicación y ga an iza el co ec o uncionamien o de las eglas de negocio. In eg ación: engloba el acceso y el a amien o de los da os de la aplicación, que como se e á más adelan e se gua dan en una base de da os elacional. Desde es a capa se ealizan las consul as SQL necesa ias con a la base de da os, además de ene la in o mación necesa ia y disponible (u ls, c edenciales, e c.) ela i a al acceso a la base de da os. 3.1.2. Ma lab En el paque e de So wa e Ma lab se ecoge la ac i idad de econocimien o de ma ículas cuando un ehículo in en a en a o sali del pa king. Es e p oceso se di- ide en a ias ases. P ime o se in oduce la imagen del ehículo, que se p opo ciona al p og ama de a amien o de la imagen, p ocediendo a iden i ica la ma ícula, de acue do al p oceso desc i o p e iamen e. A con inuación, si se ha conseguido iden i ica la ma ícula co ec amen e, se p ocede a indica si el ehículo en a o sale del pa king. En ambos casos la aplicación en ía un mensaje h p POST a la aplicación indicando la si uación del ehículo (en a o sale) y la ma ícula iden i i- cada. Median e es e módulo ambién es posible een ena las edes, an o AlexNe como GoogLeNe bajo o as con igu aciones de pa áme os y eniendo en cuen a el núme o de ma ículas y da os disponibles pa a lle a a cabo al een enamien o. 26 3.2. Diseño Capí ulo 3. Diseño de la aplicación 3.1.3. Base de da os Figu a 3.2: Esquema de la Base de Da os Pa a conside a la pe sis encia de los da os se ha usado una base de da os ela- cional, en la cual se almacena la in o mación ele an e del pa king, conc e amen e: usua ios, ehículos, ma ículas, en adas y salidas, y los da os ele an es a la sesión del usua io. Los da os se consul an, inse an y cambian desde la aplicación web me- dian e consul as SQL en unción de las acciones del usua io. La base de da os es á diseñada según el esquema que se mues a en la igu a 3.2 Como se puede ap ecia se mues an cua o ablas, una pa a almacena los usua- ios que se egis an en la aplicación, de los cuales se gua da un id au ogene ado que se con igu a como cla e p ima ia, el nomb e, la con aseña, el email y la o o de pe il. O a abla pa a el egis o de los ehículos, cuya cla e p ima ia es ambién un id au ogene ado, el id de usua io al que pe enece el coche que es una cla e o ánea que e e encia al id de la abla usua io, el nomb e del coche, la ma ícula, la imagen y un booleano que indica si es á ue a (0) o den o (1) del pa king. Una abla pa a el his o ial de los ehículos, cuya cla e p ima ia es un id au ogene ado, el id del coche al que pe enece el his o ial que es una cla e o ánea que e e encia al id de la abla coche, la ho a de en ada y la ho a de salida. Y, po úl imo, u ilizamos una abla sessions pa a gua da las sesiones de los usua ios que se c ea a pa i de usa el módulo de node.js, exp ess-mysql-session (2023), en ella se gua da el id de la sesión, el iempo que a da en expi a la sesión (expi es) y los da os que se gua dan en la sesión (da a). 3.2. Diseño En lo que al diseño se e ie e no se ha enido en cuen a la isualización p opia- men e dicha de la base de da os ya que el acceso y la manipulación de los da os se 27 3.2. Diseño Capí ulo 3. Diseño de la aplicación ealiza a a és de consul as SQL sin necesidad de ninguna in e az. En los módulos de la aplicación web y Ma lab si se ha cons uido un diseño pa a cada uno. 3.2.1. Aplicación web P ime amen e, el usua io se encon a á con una is a de acceso a su cuen a a a és de su usua io y con aseña, igu a 3.3, en caso de no ene cuen a desde la is a an e io los usua ios pod án accede a un o mula io de egis o, igu a 3.4, pa a que se pueda da de al a y sus da os queden e lejados en la base de da os. Figu a 3.3: Fo mula io de inicio de sesión Figu a 3.4: Fo mula io de egis o Una ez iden i icado el usua io con sus c edenciales, se le mos a á la página de inicio, igu a 3.5. A a és de ella, el usua io end á acceso a oda la uncionalidad de la aplicación web, desde la que pod á añadi un ehículo a su cuen a pulsando en el bo ón azul “Añadi coche” que se mues a en la igu a 3.5 se ab i á un o mula io, igu a 3.6, en el que se debe in oduci el nomb e del coche jun o con su ma ícula. Una ez egis ado el coche del usua io, es e se mos a á en la página p incipal, como se 28 3.4. Ges ión del p oyec o Capí ulo 3. Diseño de la aplicación o mado po sólo es pe sonas y no se iden i icó un p oceso es ic o de desa ollo del p oyec o, se op ó po desca a comple amen e las me odologías adicionales. En onces, como me odología pa a ges iona el p oyec o se op ó inalmen e po usa una me odología ágil, en conc e o Kanban, igu a 3.15 La decisión sob e la elección de Kanban en e a o as opciones como Sc um o Xp es debido a que aquella se cen a en la e iciencia, minimizando el iempo que anscu e desde el inicio de una a ea has a su inalización, pe mi iendo, además, una mejo a con inua del so wa e. Como aplicación pa a pode ges iona lo que se conoce como Kanban boa d se ha elegido elegido ji a ya que se conside a la he amien a más usada p o esionalmen e apa e de o ece una e sión g a ui a a equipos pequeños. El able o se ha di idido en es columnas: po hace , en cu so y lis o. En cada columna las a eas no ienen asignada ninguna p io idad. Todos los ma es de cada semana se decidió hace una “weeky” con el equipo di ec o , es o solo se man u o du an e el p ime cua imes e debido a que e a el inicio del p oyec o cuando se necesi ó un mayo aseso amien o. Además de hace las “weekly” ambién se eligió hace “dailies” al menos es eces a la semana siemp e a las 21 ho as. La azón de sos ene un ho a io cons an e e a pa a ga an iza que odo el equipo comp endie a cuándo debían conec a se, pe mi iéndoles plani ica y ese a iempo en sus agendas pe sonales con an elación. Figu a 3.15: Table o Kanban de Ji a 35 Cap´ ı ulo 4 Resul ados ob enidos En es e capí ulo se mues an los esul ados de las di e en es ejecuciones in o- luc adas en el módulo Ma lab. Di e enciando los esul ados según las di e en es uncionalidades de los modelos de edes AlexNe y GoogLeNe , a sabe : a) en ena- mien o, y b) econocimien o de la ma ícula a pa i de una imagen con eniendo un ehículo. 4.1. En enamien o de las edes A con inuación, se in o ma sob e dos sesiones de en enamien o, una pa a cada modelo, que se analizan po sepa ado. Como se ha mencionado p e iamen e, ambos modelos de edes se encuen an p e- en enadas con el conjun o de da os ImageNe Russako sky e al. (2015) de sue e que en ambos casos dicho en enamien o ha sido ealizado pa a clasi ica imágenes en 1000 ca ego ías a pa i de del mencionado conjun o de da os que a su ez con iene más de 14 millones de imágenes. En es e sen ido, una de las p ime as acciones a ealiza consis e en la ede inición de la capa de salida, de o ma que en luga de las 1000 ca ego ías mencionadas se u ilicen las es ic amen e necesa ias pa a es a aplicación, conc e amen e: ma ícula, as al o, ace a, coche, á bol y cielo. Teniendo en cuen a es as nue as ca ego ías, la capa de salida se ede ine pa a p opo ciona 6 clases en luga de las 1000 iniciales. T as lo cual, el en enamien o de ambos modelos se inicia con los pesos que ya poseen ap endidos a pa i de Imagene , y du an e la e olución de es e, dichos pesos se eajus an en odas las capas pa a adap a se a las nue as ca ego ías. Es o es lo que se conoce en la e minología especializada como ans e encia de ap endizaje ( ans e lea ning). Pa a en ena las edes se han u ilizado 115 imágenes dis in as de ehículos en las que apa ecían sus ma ículas además de o os elemen os que odean al ehículo. Pos e io men e se c ea on 6 ca pe as pa a que las edes ap endie an los 6 dis in os ipos de elemen os que exis ían en las imágenes a p ocesa : ma icula, coche, cielo, ace a, á bol y as al o. Cada ca pe a se ellenaba con eco es de dichos elemen os 36 4.1. En enamien o de las edes Capí ulo 4. Resul ados ob enidos a pa i de las imágenes ecogidas. La ca pe a ma ícula es aba compues o de 99 eco es de ma ículas, la ca pe a coche de 71 eco es de dis in os elemen os de los ehículos, la ca pe a cielo de 58 eco es de cielo, la ca pe a ace a de 60 eco es de ace as, la ca pe a á bol de 50 eco es dis in os de á boles, y la ca pe a as al o de 39 eco es de as al o. Todos los eco es se han sacado de las imágenes p e iamen e mencionadas. 4.1.1. AlexNe Pa a p ocede al en enamien o de la ed AlexNe es necesa io ellena los campos de la is a de la ig. 3.13, en es e caso con los alo es que apa ecen en dicha igu a. A medida que se p oduce el en enamien o se mues a dos g á icas de e olución del mismo, igu a 4.1, según a anzan las epochs (i e aciones) y en de ini i a las i e aciones, ya que cada epoch con iene un cie o núme o de imágenes que in e ienen en el núme o de i e aciones. En la pa e supe io se puede ap ecia la e olución de la p ecisión que a alcanzando la ed, es deci , el po cen aje de acie os a lo la go del en enamien o, que como se puede obse a , a medida que es e a anza cada ez se ob ienen alo es mayo es, llegando a un pun o el que la p ecisión se es abiliza ce ca del 100 %, lo cual es muy posi i o, ya que el 100 % es lo ideal. Figu a 4.1: G á ica del p og eso de en enamien o de AlexNe Con espec o a la pa e in e io , la g á ica oja, se mues a los alo es de la unción de pé dida a medida que anscu en las epochs, es a unción es la enca gada de medi el e o y, po an o, e alua la des iación en e las p edicciones ealizadas po la ed y los alo es eales del en enamien o, es deci , los espe ados. Como se puede ap ecia es a unción sigue el camino in e so que la an e io ya que ealiza un eco ido descenden e, empezando en un alo de ap oximadamen e 3 y ápidamen e alcanzando ni eles muy bajos has a que se es abiliza en o no al ce o, lo cual ambién es un indica i o de que el en enamien o se es á p oduciendo de mane a co ec a, al consegui e o es mínimos, siendo ce o el alo ideal. Se obse a cómo al inal de la ase de en enamien o se alcanza el 97.37 % de p ecisión, habiendo comple ado el máximo núme o de epochs p og amado. El iempo anscu ido en o al es de 3 37 4.2. Iden i icación de la ma ícula Capí ulo 4. Resul ados ob enidos minu os y 8 segundos con un máximo de 136 i e aciones, odo ello en una única CPU y con una azón de ap endizaje cons an e de 0.0001. En conclusión, bajo las conside aciones an e io es cabe indica que el ap endizaje ha esul ado al amen e sa is ac o io. 4.1.2. GoogleNe Pa a el en enamien o de es a ed se ejecu a la is a de la igu a ig. 3.14, al igual que en el modelo an e io , en nues o caso usamos los mismos pa áme os de en enamien o en ambas edes, que son los que se mues an en las igu as. Mien as a anza el en enamien o se mues a la e olución de los po cen ajes de p ecisión y la unción de pe dida de la ed, al y como se obse a en la igu a 4.2 Las unciones desc iben un compo amien o muy simila a la de la ed an e io , mien as que el po cen aje de acie o de AlexNe empezaba sob e el 20 % el de GoogLeNe lo hace sob e el 10%, y se obse a cómo la cu a de p ecisión asciende de o ma menos p onunciada que en el caso an e io an es de es abiliza se en un po cen aje ce cano al 90 %, además la es abilización de AlexNe se conseguía con alo es ce canos al 100 %, en luga del 90% como hace GoogLeNe . La unción de pé dida desc ibe el camino in e so que la de p ecisión, empezando el en enamien o en un alo supe io al 4, y a medida que se suceden las epochs se ap oxima mucho a 0. Al igual que en la ed an e io la g á ica a icina un buen en enamien o de la ed. Figu a 4.2: G á ica del p og eso de en enamien o de GoogLeNe El en enamien o e mina en 7 minu os y 45 segundos con un alo de p ecisión del 94,69 %, que es in e io al de la ed AlexNe pe o sigue siendo un alo muy al o, con lo que la ed ha sido en enada con éxi o. 4.2. Iden i icación de la ma ícula Una ez se ienen las edes en enadas con éxi o, se p ocede a ealiza el co- espondien e análisis espec o de la iden i icación de la ma ícula. Como se ha 38 4.2. Iden i icación de la ma ícula Capí ulo 4. Resul ados ob enidos mencionado p e iamen e, es e p oceso esa di idido en dos pa es. En p ime luga , se p ocede a iden i ica el ecuad o de la imagen en el que se encuen a la ma ícula, y pos e io men e ese ecuad o se lee pa a iden i ica los ca ac e es de es a y pode imp imi la po pan alla. Al se un p oceso que cons a de dos pa es, ambos ienen que ealiza se co ec amen e pa a que la iden i icación de la ma ícula sea lle ada a cabo con éxi o. En la igu a 4.3 se puede obse a un ejemplo ilus a i o en el que la iden i icación de la ma ícula se ha comple ado sa is ac o iamen e, en la pa e más in e io se des aca el ecuad o de la imagen en la que se encuen a la ma ícula y sob e él apa ecen los ca ac e es iden i icados co espondien es a dicho ecuad o. Figu a 4.3: Página de de ección de ma ícula con éxi o En la mayo ía de las ocasiones el p oceso es comple ado sa is ac o iamen e, lle- gando a consegui esul ados en o no al 96 % de acie os. No obs an e, exis en casos en los que no se p oduce la iden i icación de la ma ícula co ec amen e, como se mues a en la igu a 4.4 En es e caso no se ha iden i icado de mane a co ec a el ecuad o de la imagen en el que se encuen a la ma ícula y po lo an o no se ha podido p ocede a la lec u a de los ca ac e es. 39 4.3. Resul ados de la clasi icación Capí ulo 4. Resul ados ob enidos Figu a 4.4: Página de de ección de ma ícula con allo 4.3. Resul ados de la clasi icación Figu a 4.5: Tanda de p uebas del modelo gene ado con AlexNe Apa e de las g á icas de la e olución del po cen aje de acie os y la unción de pé dida, Ma lab p opo ciona más in o mación as la ase de en enamien o de las edes. En la igu a 4.5 se ap ecia cómo se di ide el po cen aje de acie os en e los 40 4.3. Resul ados de la clasi icación Capí ulo 4. Resul ados ob enidos Figu a 4.6: Tanda de p uebas del modelo gene ado con GoogleNe dis in os elemen os de la imagen en el en enamien o de AlexNe y en la igu a 4.6 en el en enamien o de GoogLeNe . Figu a 4.7: Ma iz de con usión AlexNe O a in o mación que apo a Ma lab al inaliza el en enamien o son las ma ices de con usión, las cuales usan un conjun o de da os del da ase pa a ealiza el es , es deci , u iliza dis in os elemen os de las imágenes (ace a, ma icula, coche, e c.) que ya es án clasi icados (e ique ados) pa a p edeci la ca ego ía a la que pe enecen con la ed en enada con el es o de los da os. De al mane a que, dado un elemen o 41 4.3. Resul ados de la clasi icación Capí ulo 4. Resul ados ob enidos de una imagen la ed en enada la e alúa pa a clasi ica la den o de una ca ego ía, y esa clasi icación se compa a con la clasi icación eal de la imagen. Con ello se ob iene lo que se denomina ma iz de con usión que p opo ciona in o mación sob e las clasi icaciones e óneas y co ec as. Po ejemplo, la ed in en a clasi ica una imagen que co esponde a una ace a, y la ed p edice que es cielo se a a de un e o . En el en enamien o de AlexNe como mues a la igu a 4.7, las ilas ep esen an las clases que pe enecen ealmen e el elemen o clasi icado y las columnas la clasi icación ob enida po la ed, como se ap ecia en dichas ma ices las diagonales de la ma iz ep esen an el pun o en el que coincide la clase eal del elemen o con la clasi icación de la ed. En el caso de AlexNe , la ed ha ace ado en odos los da os del es a excepción de uno que pe enece a as al o y la ed lo ha clasi icado e óneamen e en ace a, el es o de los elemen os los ha clasi icado con su clase co ec amen e. Teniendo una media de acie o pa a cada clase del 97.61 %. Figu a 4.8: Ma iz con usión GoogLeNe En el caso de GoogLeNe , igu a 4.8, ha allado en 6 casos, 1 que pe enecía a la clase de ace a ha sido clasi icado como as al o, o o que pe enecía a la clase de coche ha sido clasi icado como cielo, y 4 casos que ha p edicho que pe enecían a la clase ace a y sin emba go dos pe enecían a la clase coche y los o os dos a la clase as al o. A pa i de los esul ados mos ados en es as ma ices se comp ueba que el en enamien o de AlexNe ha sido más p eciso, ya que a la ho a de la ealización del es con una pa e de los da os de en enamien o ha enido un meno núme o de e o es (1 e o ) en compa ación con GoogLeNe (6 e o es). 42 Cap´ ı ulo 5 Conclusiones y T abajo Fu u o 5.1. Conclusiones A lo la go de es e abajo, se ha log ado desa olla un sis ema de econocimien o de ma ículas de ehículos e icien e y p eciso, u ilizando écnicas de ap endizaje p o undo y a qui ec u as de edes neu onales con olucionales. Es e sis ema ha sido aplicado exi osamen e en un caso simulado de ges ión de un apa camien o web, demos ando su u ilidad y aplicabilidad en en o nos p ác icos. Los obje i os plan eados al inicio del p oyec o se han cumplido sa is ac o iamen- e. Se ha log ado simula la ges ión de in o mación en un apa camien o, desde la página web donde el usua io adminis a los da os has a el sis ema de econocimien o de ma ículas de los ehículos que en an y salen del sis ema. Además, se han desa- ollado dis in as in e aces y uncionalidades que pe mi en una ges ión e icien e y segu a del apa camien o y sus usua ios. El plan de abajo se ha ejecu ado en el o den es ablecido, abo dando desde la elección y en enamien o de las edes neu onales has a la c eación de una aplicación web y la ans e encia de da os en e Ma lab y la aplicación. Se ha hecho uso de ecnologías y he amien as mode nas, ales como con enedo es pa a aloja la aplica- ción web y la base de da os, así como la implemen ación de mé odos de ap endizaje p o undo. Las con ibuciones pe sonales a lo la go del p oyec o aba can desde a eas de in- es igación y ges ión del p oyec o has a desa ollo y documen ación. Cada miemb o del equipo ha apo ado su conocimien o y habilidades en dis in as á eas, esul ando en un p oyec o sólido y bien undamen ado. En conclusión, es e abajo ha pe mi ido el desa ollo de un sis ema de econo- cimien o de ma ículas basado en ap endizaje p o undo que puede se in eg ado en sis emas de segu idad y con ol de acceso con al a p ecisión y e iciencia. La combina- ción de écnicas de ap endizaje p o undo y segmen ación demues a la impo ancia de la in es igación y el a ance en es e campo pa a aplicaciones p ác icas y bene i- ciosas pa a la sociedad. 43 5.2. T abajo u u o Capí ulo 5. Conclusiones y T abajo Fu u o 5.2. T abajo u u o De ca a a una mejo a y expansión de la aplicación hemos de ec ado una se ie de a eas de abajo pa a el u u o. Mejo as: P oba dis in as pa ame izaciones en los en enamien os de las edes, pa a explo a de mane a más p o unda una posible minimización de los e o es en la iden i icación de las placas de las ma ículas. Recopila más imágenes pa a los en enamien os con el obje i o de mejo a el en enamien o. Añadi más columnas a las ablas de la base de da os pa a pode ealiza más consul as, y así o ece . Posibilidad de añadi una caja de comen a ios pa a los usua ios, y que es os puedan a po a su opinión ace ca de la aplicación. U iliza imágenes pa a el en enamien o en las cuales apa ezcan o o ipo de ehículos ( u gone as, mo os, camiones) pa a que ambién se les econozca la ma ícula. Clasi ica más elemen os de las imágenes que se usan en el en enamien o. Pode p ocesa imágenes con a ios ehículos a la ez y po an o, a ias placas de ma ícula simul áneamen e. Aplica écnicas a anzadas de p ocesamien o del Lenguaje Na u al pa a elimi- na ambigüedades ales como que se iden i ique un dígi o nume al en la se ie de ca ac e es li e ales de la ma ícula o ice e sa. En es e sen ido cabe menciona modelos de edes ales como las Long-Sho -Tem-Memo y (LSTM). Nue as uncionalidades: Añadi una pasa ela de pago pa a los icke s de es acionamien o del pa king. Amplia la aplicación web pa a que ambién se puede usa desde disposi i os mó iles (sma phones, able s, e c.). C ea una aplicación mó il con Ma lab Mobile donde engamos la ed en e- nada con las in e aces pa a pode hace la o o desde el disposi i o y que nos mues e la ma ícula en él. 44 8.1. Ál a o Llo e Bodelón Capí ulo 8. Con ibuciones Pe sonales pos e io men e econoce los ca ac e es de es a y pode mos a los po pan a- lla. Diseño e implemen ación de la in e az co espondien e a la en ada de la imagen de un ehículo pa a p ocesa su salida o en ada del pa king. C eación del modelo de la base de da os que ecoge la aplicación del pa king. Añadi el módulo co espondien e pa a la ges ión de sesiones de los usua ios en la aplicación. 8.1.4. Ta eas de documen ación Elabo ación del índice de la memo ia en conjun o con el es o de los miemb os del equipo y el u o . In es igación sob e las dis in as he amien as pa a pode lle a a cabo de o ma colabo a i a y emo a la edacción de la memo ia. Enca gado de busca la documen ación sob e la eo ía de las edes AlexNe y GoogLeNe . Con ección del capí ulo 1.1 de la memo ia co espondien e a los an eceden es. Con ección del capí ulo 1.2 de la memo ia co espondien e a la pa e de obje- i os. Redacción de sus con ibuciones pe sonales en el capí ulo 1.4 de la memo ia. Elabo ación del pun o 2.2.2 de la memo ia co espondien e a la pa e de Nginx. Elabo ación del pun o 3.2.1 de la memo ia co espondien e a la pa e del diseño de la aplicación web. Elabo ación del pun o 3.1.2 de la memo ia co espondien e a la pa e del diseño de Ma lab. Elabo ación del pun o 4.1 de la memo ia co espondien e a la pa e de los esul ados ob enidos en el en enamien o de las edes. Elabo ación del pun o 5.1 de la memo ia co espondien e a la pa e de las conclusiones. Elabo ación del índice de igu as de la memo ia. 51 8.2. Juan Manuel Núñez Sánchez-El i a Capí ulo 8. Con ibuciones Pe sonales 8.2. Juan Manuel Núñez Sánchez-El i a 8.2.1. Ta eas de in es igación Ap endizaje sob e el uncionamien o de las edes neu onales con olucionales AlexNe y GoogLeNe . In es igación sob e las dis in as mane as y he amien as de aloja la base de da os pa a accede de o ma emo a. In es igación sob e las di e en es he amien as y mé odos pa a pode aloja nues a aplicación web de o ma emo a a la que pode accede a a és de un link. 8.2.2. Ta eas de ges ión del p oyec o Búsqueda y elección de aplicaciones pa a pode lle a a cabo el seguimien o de las a eas de los in eg an es del equipo. Es udio y elección sob e la me odología a u iliza pa a la ges ión del p oyec o en conjun o con el es o de los compañe os. Repa o de esponsabilidades con espec o a los dis in os oles p opios de la me odología Sc um adap ado a un equipo de es in eg an es. 8.2.3. Ta eas de desa ollo C eación de la es uc u a de la aplicación web. Elabo ación y o ganización del sis ema de ca pe as de la aplicación. Diseño e implemen ación de las is as co espondien es con la uncionalidad de inicio de sesión y egis o de los usua ios. Diseño e implemen ación de las is as co espondien es con la uncionalidad de inicio de sesión y egis o de los usua ios. Diseño de la es uc u a de la pa e co espondien e a negocio del código de la aplicación web. Implemen ación del código co espondien e a los se icios de los usua ios y los ehículos (lógica de negocio) en la aplicación web. Implemen ación del código co espondien e a las u as de los usua ios y los ehículos en la aplicación web. Implemen ación de las consul as a la base de da os co espondien e con la uncionalidad de inicio de sesión y egis o de los usua ios. 52 8.3. Se gio Tapia O ega Capí ulo 8. Con ibuciones Pe sonales Implemen ación de la lógica co espondien e con la uncionalidad de inicio de sesión y egis o de los usua ios. A egla y moni o ea las b echas de segu idad de la aplicación ela i as a la in o mación que los usua ios puedan e de los demás usua ios. Le an amien o del se icio que u ilizamos pa a aloja la base de da os, jun o con las co espondien es p uebas pa a e i ica su co ec o uncionamien o. Le an amien o del se icio en el que alojamos nues a aplicación web. 8.2.4. Ta eas de documen ación Elabo ación del índice de la memo ia en conjun o con el es o de los miemb os del equipo y el u o . Redacción de sus con ibuciones pe sonales en el capí ulo 1.4 de la memo ia. Elabo ación del pun o 2.1.2 de la memo ia co espondien e a OCR. Elabo ación del pun o 2.2.1 de la memo ia co espondien e a Docke . Redacción del pun o 3.3 de la memo ia co espondien e a CI/CD. Redacción del pun o 3.4 de la memo ia co espondien e a la ges ión del p o- yec o. Elabo ación del pun o 4.2 de la memo ia co espondien e a los esul ados ob- enidos en la iden i icación de la ma ícula. Elabo ación del pun o 4.3 de la memo ia co espondien e a los esul ados de la clasi icación. Re isión de la o alidad de e e encias en la memo ia e lejadas en la biblio- g a ía 8.3. Se gio Tapia O ega 8.3.1. Ta eas de in es igación Sepa ación de los dis in os elemen os de las o og a ías pa a su pos e io clasi- icación en di e en es ca pe as pa a pode u iliza las en los en enamien os de las edes. In es igación sob e la he amien a Ma lab App Designe o ien ada a la c ea- ción de in e aces pa a la aplicación. Recopilación de las o og a ías de los coches pa a el pos e io en enamien o de la ed. 53 8.3. Se gio Tapia O ega Capí ulo 8. Con ibuciones Pe sonales 8.3.2. Ta eas de ges ión del p oyec o O ganización del calenda io pa a pode lle a a cabo euniones con pe iodici- dad p ime amen e semanales y a medidas que se aya ace cando la echa de en ega hace las dia iamen e. C eación del sp in backlog y su cons an e ac ualización a lo la go del abajo en la he amien a Ji a. En colabo ación con el es o de los compañe os de abajo. 8.3.3. Ta eas de desa ollo Diseño de la es uc u a de la pa e co espondien e a in eg ación del código de la aplicación web. Implemen ación del código co espondien e al acceso a la base de da os (DAO) ela i o a los ehículos de la aplicación web. Implemen ación del código co espondien e al acceso a la base de da os (DAO) ela i o al his o ial de los ehículos de la aplicación web. Diseño e implemen ación de las is as ela i as a la uncionalidad de los coches. Diseño e implemen ación de las is as ela i as a los his o iales de los ehículos. Diseño de la es uc u a de la pa e co espondien e a p esen ación del código de la aplicación web. Diseño e implemen ación de la is a p incipal de la aplicación web. Cons an e seguimien o del es ado del se ido en el que se encuen a alojada nues a aplicación web. Es udio y elabo ación de un mé odo pa a pode lle a a cabo una pe ición POST desde Ma lab a nues a aplicación web. 8.3.4. Ta eas de documen ación Elabo ación del índice de la memo ia en conjun o con el es o de los miemb os del equipo y el u o . Redacción de sus con ibuciones pe sonales en el capí ulo 8 de la memo ia. T aducción del o al del capí ulo 6 de la memo ia. Redacción del pun o 2.1.1 de la memo ia co espondien e a los modelos de edes neu onales con olucionales. Elabo ación del capí ulo 3.1.1 de la memo ia co espondien e a la a qui ec u a de la aplicación web. 54 8.3. Se gio Tapia O ega Capí ulo 8. Con ibuciones Pe sonales Elabo ación del capí ulo 3.1.2 de la memo ia co espondien e a la pa e de la a qui ec u a de Ma lab. Elabo ación del pun o 3.1.3 de la memo ia co espondien e a la a qui ec u a de la base de da os. Elabo ación del pun o 5.2 de la memo ia co espondien e al abajo u u o. Re isión de los e o es de los capí ulos de la memo ia. 55 Bibliog a ía B lc alexne model. 2023a. Accedido Ma zo 2023. B lc googlene model. 2023b. Accedido Ma zo 2023. Chen, H.,Tsai, C.,Sch o h, G.,Chan, D.,G zeszczuk, R. yGi od, B. Robus ex de ec ion in na u al images wi h edge-enhanced maximally s able ex emal egions. En Image P ocessing (ICIP), 2011 18 h IEEE In e na ional Con e ence on. IEEE, 2011. Ha alick, R. yShapi o, L. Compu e and Robo Vision, Volume I . Addison- Wesley, 1992. Hu, M. Visual pa e n ecogni ion by momen in a ian s. IRE T ansac ions on In o ma ion Theo y, ol. 8(2), páginas 179–187, 1962. K izhe sky, A.,Su ske e , I. yHin on, G. Imagene classi ica ion wi h deep con olu ional neu al ne wo ks. Communica ions o he ACM , ol. 60(6), páginas 84–90, 2012. Li, Y. yLu, H. Scene ex de ec ion ia s oke wid h. En P oceedings o he 21s In e na ional Con e ence on Pa e n Recogni ion (ICPR2012), páginas 681–684. 2012. LSVRC, I. La ge scale isual ecogni ion challenge 2012 (ils c2012). 2012. Acce- dido Ma zo 2023. LSVRC, I. La ge scale isual ecogni ion challenge 2014 (ils c2014). 2014. Acce- dido Ma zo 2023. Ma as, J.,Chum, O.,U ban, M. yPajdla, T. Robus wide baseline s e eo om maximally s able ex emal egions. En P oc. B i ish Machine Vision Con e ence (BMVC). 2002. Ma lab. The ma hwo ks. 2023. Accedido Ma zo 2023. Neumann, L. yMa as, J. Real- ime scene ex localiza ion and ecogni ion. En P oc. 2012 IEEE Con e ence on Compu e Vision and Pa e n Recogni ion, páginas 3538–3545. 2012. 56 BIBLIOGRAFÍA BIBLIOGRAFÍA O su, N. A h eshold selec ion me hod om g ay-le el his og ams. IEEE T ansac- ions on Sys ems, Man, and Cybe ne ics, ol. 9(1), página 62–66, 1979. Paja es, G. yde la C uz, J. Visión po Compu ado : imágenes digi ales y aplicaciones. RA-MA, 2007. Russako sky, O.,Deng, J.,Su, H.,K ause, J.,Sa heesh, S.,Ma, S., Huang, Z.,Ka pa hy, A.,Khosla, A.,Be ns ein, M.,Be g, A. yFei-Fei, L. Imagene la ge scale isual ecogni ion challenge. In . J. Compu e Vision, ol. 115, página 211–252, 2015. Shashi angana, J.,Padmasi i, H.,Meedeniya, D. yPe e a, C. Au oma ed license pla e ecogni ion: A su ey on me hods and echniques. IEEE Access, ol. 9, páginas 11203–11225, 2021. Smi h, R. An o e iew o he esse ac oc engine. En Nin h In e na ional Con- e ence on Documen Analysis and Recogni ion (ICDAR 2007), página 629–33. 2007. Szegedy, C.,Liu, W.,Jia, Y.,Se mane , P.,Reed, S.,Anguelo , D.,E - han, D.,Vanhoucke, V. yRabino ich, A. Going deepe wi h con olu ions. Compu ing Resea ch Reposi o y, 2014. 57 Ap´ endice A Ins ucciones de ins alación a. eposi o io del p oyec o Reposi o io del código de la aplicación web: h ps://gi hub.com/TFG-Pa king-APP/ AplicacionWeb Reposi o io del código de Ma lab: h ps://gi hub.com/TFG-Pa king-APP/Pa king_ APP b. Manual de usua io a. Paso 1 Desca ga e ins ala el ejecu able de Ma lab del siguien e enlace: h ps:// d i e.google.com/ ile/d/1 -wjwYy5EIUOlVQgG-pK CQNho9DeJET/ iew?usp=sha ing b. Paso 2 Accede a la aplicación web a pa i de es e enlace: h p://ec2-18-202-237-72. eu-wes -1.compu e.amazonaws.com/ c. Paso 3 Regis ase en la aplicación web. d. Paso 4 Una ez se ha c eado un usua io en la aplicación, es e egis a a al menos un ehículo. Una ez hecho es o, el usua io end á acceso a el his o ial de dicho ehículo. 58 c. Con ac o Apéndice A. Ins ucciones de ins alación A pa i de aquí el usua io pod á da de al a an os ehículos di e en es como quie a y pod á hace uso del ejecu able de Ma lab (IMPORTANTE: las imágenes de los ehículos y de los usua ios no pueden supe a los 500 KB). e. Paso 5 Ab i el a chi o .exe. . Paso 6 Una ez enemos un usua io c eado y al menos un coche egis ado con ese usua io, podemos hace uso de las dis in as uncionalidades del ejecu able de Ma lab: En la pes aña “Saca Ma ícula”, in oduci la imagen de un coche pa a econoce la ma ícula (si al in oduci la imagen apa ece gi ada en el ecuad o cen al se á necesa io pone la ec a gi ándola con el bo ón de “Gi a imagen”. De es a mane a se pod á comp oba si la aplicación es capaz de econoce la ma ícula a pa i de la imagen an es de p oba lo en el simulado del pa king. En la pes aña “Simulado pa king”, in oduci una imagen pa a econoce la ma ícula (como en el caso an e io , en caso de que la imagen apa ezca gi ada en el ecuad o es necesa io pone la ec a pa a su co ec a lec u a), y en caso de que es e p oceso se ejecu e con éxi o se pod á indica con los bo ones si el ehículo en a o sale del pa king (Pa a que es a acción e mine con éxi o es necesa io que la ma ícula del coche iden i icada po la aplicación sea la ma ícula de algún ehículo exis en e en la aplicación web). Pa a sali del pa king se á necesa io que el usua io pague la es ancia en el pa king, sino el sis ema no deja á al ehículo abandona el pa king. c. Con ac o Si necesi a ayuda adicional o iene alguna duda, no dude en pone se en con ac o con noso os en iando un co eo elec ónico a juanman[email p o ec ed]. 59 Ap´ endice B Licencias de las imágenes a. Imagen logo sql: h ps://commons.wikimedia.o g/wiki/File:Sql_da a_base_wi h_logo.png b. Imagen logo se ido : h ps://pixabay.com/es/ ec o s/se ido -compu ado a-in e ne -24915/ c. Imagen logo usua io: h ps://c eazilla.com/es/nodes/48579-o denado -po a il-clipa 60