000			03091nam a2200289 i 4500
005			20250329165509.0
007			ta
008			180125s2022 000 0 eng d
040			_aCO-CtgCURN _bspa _ccoctgcurn _erda
082	0		_aTSI 2022 _bC317
100	1		_aCarrillo Escobar, Juan Carlos, _eauthor. _4aut
245	1	0	_aDetección de objetos con visión por computador mediante YOLO para reconocimiento de vehículos a partir del número de la placa / _cJuan Carlos Carrillo Escobar; Luis Eduardo Rodríguez Castilla; Director Luis Fernando Murillo Fernández.
260			_aCartagena de Indias : _bCorporación Universitaria Rafael Núñez, _c2022.
260		1	_aCartagena de Indias : : _bCorporación Universitaria Rafael Nuñez,, _c2022.
300			_a98 páginas : _bil., tabs.
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTrabajo 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.
520			_a"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."
650		0	_aSistemas de Informacion y Software _vTesis y Disertaciones Academicas.
700	1		_aRodríguez Castilla, Luis Eduardo.
700	1		_aMurillo Fernández, Luis Fernando, _cdirector.
856	7		_uhttps://unicurn.sharepoint.com/:b:/s/biblioteca/EW9KkMe5sIRFujPpmKXoOxEBk7RqdF9vK-0WU-pf2Ouh1w?e=MgGVdy _zClick aqui para ver el recurso en texto completo
942			_2ddc _aMHC _bMHC _cTG _hTSI 2022 _iC317
999			_c5965 _d5965