Imagen de OpenLibrary

Detección de objetos con visión por computador mediante YOLO para reconocimiento de vehículos a partir del número de la placa / Juan Carlos Carrillo Escobar; Luis Eduardo Rodríguez Castilla; Director Luis Fernando Murillo Fernández.

Por: Colaborador(es): Tipo de material: TextoDetalles de publicación: Cartagena de Indias : Corporación Universitaria Rafael Núñez, 2022.; Cartagena de Indias : : Corporación Universitaria Rafael Nuñez,, 2022.Descripción: 98 páginas : il., tabsTipo de contenido:
  • text
Tipo de medio:
  • unmediated
Tipo de soporte:
  • volume
Tema(s): Clasificación CDD:
  • TSI 2022 C317
Recursos en línea: Nota de disertación: Trabajo de Grado. (Tecnologo en Sistemas de Informacion y Software). Corporación Universitaria Rafael Nuñez . Facultad de Ingeniería de Sistemas . Programa de Tecnología en Sistemas de Informacion y Software, 2022. Resumen: "El presente trabajo de grado abarca una amplia información de tecnología innovadora respecto a la visión artificial que están comprendidas bajo el enfoque de Machine Learning mediante el desarrollo de un software llamado "YOLO" que funciona sobre el reconocimiento de objetos y en especial placas vehiculares. En este proyecto se ejecutan técnicas básicas de procesamiento y segmentación de imágenes, como la binarización y la detección de contornos, ya que son pieza fundamental para extraer los numero y letras de las matrículas. Adicionalmente, para el enfoque de Machine Learning se entrenan nueve modelos de clasificación, en los cuales se combinan tres descriptores de características, entre ellos están el Histograma de Gradientes, Local Binary Patterns y características HAARla detección es un problema de regresión simple que toma una imagen de entrada y aprende las probabilidades de la clase y las coordenadas del cuadro delimitador. YOLO divide cada imagen en una cuadrícula de S x S y cada cuadrícula predice N cuadros delimitadores y confianza. La confianza refleja la precisión del cuadro delimitador y si el cuadro delimitador realmente contiene un objeto (independientemente de la clase). YOLO también predice el puntaje de clasificación para cada casilla para cada clase en entrenamiento. Puede combinar ambas clases para calcular la probabilidad de que cada clase está presente en un cuadro de predicción."
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título. Ingresar para agregar etiquetas.
Valoración
    Valoración media: 0.0 (0 votos)
Existencias
Imagen de cubierta Tipo de ítem Biblioteca actual Biblioteca de origen Colección Ubicación en estantería Signatura topográfica Materiales especificados Info Vol URL Copia número Estado Notas Fecha de vencimiento Código de barras Reserva de ítems Prioridad de la cola de reserva de ejemplar Reservas para cursos
Trabajos de grado Miguel Henríquez Castañeda Trabajo de grado Trabajos de grado TSI 2022 C317 (Navegar estantería(Abre debajo)) Disponible 021582

Trabajo de Grado. (Tecnologo en Sistemas de Informacion y Software). Corporación Universitaria Rafael Nuñez . Facultad de Ingeniería de Sistemas . Programa de Tecnología en Sistemas de Informacion y Software, 2022.

"El presente trabajo de grado abarca una amplia información de tecnología innovadora respecto a la visión artificial que están comprendidas bajo el enfoque de Machine Learning mediante el desarrollo de un software llamado "YOLO" que funciona sobre el reconocimiento de objetos y en especial placas vehiculares. En este proyecto se ejecutan técnicas básicas de procesamiento y segmentación de imágenes, como la binarización y la detección de contornos, ya que son pieza fundamental para extraer los numero y letras de las matrículas. Adicionalmente, para el enfoque de Machine Learning se entrenan nueve modelos de clasificación, en los cuales se combinan tres descriptores de características, entre ellos están el Histograma de Gradientes, Local Binary Patterns y características HAARla detección es un problema de regresión simple que toma una imagen de entrada y aprende las probabilidades de la clase y las coordenadas del cuadro delimitador. YOLO divide cada imagen en una cuadrícula de S x S y cada cuadrícula predice N cuadros delimitadores y confianza. La confianza refleja la precisión del cuadro delimitador y si el cuadro delimitador realmente contiene un objeto (independientemente de la clase). YOLO también predice el puntaje de clasificación para cada casilla para cada clase en entrenamiento. Puede combinar ambas clases para calcular la probabilidad de que cada clase está presente en un cuadro de predicción."

No hay comentarios en este titulo.

para colocar un comentario.