Ccoto Huallpa, Elias

Cargando...
Miniatura
Nombre preferido
Ccoto Huallpa, Elias
Nombre oficial
Ccoto Huallpa, Elias
Nombre alternativo
Huallpa, Elias Ccoto
Afiliación principal
Universidad Peruana Unión
ORCID
ID de autor de Scopus

Ajustes

Mostrando 1 - 2 de 2
  • Publicacion
    Algunas métricas están bloqueadas por su 
    configuración de consentimiento
    Item type:Publicación,
    Determination of the best license plate detection algorithm in controlled and uncontrolled environments
    (Associacao Iberica de Sistemas e Tecnologias de Informacao, 2023-05-31)
    Escuela Profesional de Ingeniería de Sistemas, Universidad Peruana Unión
    ;
    Ccoto Huallpa, Elias  
    ;
    Sullon Macalupu, Abel Angel  
    ;
    Escuela Profesional de Ingeniería de Sistemas, Universidad Peruana Unión
    ;
    Otazu Luque, Jorge Eddy  
    La seguridad es una prioridad en la gestión y parte de esto es el control y monitoreo para detectar situaciones que agredan el bien público o privado. En este sentido el reconocimiento de matrículas de auto se suma a estos sistemas de monitoreo y control. Este trabajo de investigación aplicó una serie de algoritmos de inteligencia artificial para automatizar dicha detección. En este sentido se utilizó funciones de procesamiento de imágenes con el framework OpenCV considerando que las fuentes de información pudieron tener distitnos escenarios, siendo que el ambiente de detección es abierto y expuesto a las condiciones meteorológicas de la zona. Las tomas de fotos se realizaron en un ambiente ubicado al sur peruano, cuyas condiciones fueron de lluvia, día soleado, día que cayó el granizo. La base de datos de las imágenes entonces se dividió en dos categorías; ambientes controlados donde se consideró una misma distancia, un solo ángulo, pero no necesariamente un mismo clima; y los ambientes no controlados con diferentes ángulos, diferentes distancias y climas. Al procesamiento de imágenes también se utilizó la transformación morfológica, suavizado gaussiano y umbral gaussiano. Con las imágenes segmentadas y extraídos los dígitos de la matrícula; se comparó 3 algoritmos K-NN, SVM y Tesseract. en cada algoritmo se utilizó sus hiperparámetros para el respectivo reconocimiento de caracteres en las imágenes, se obtuvo los siguientes resultados con imágenes tomadas con distintos ángulos y en distintas luminosidades (ambiente no controlado) donde el mejor Overall accuracy con 86 % y el segundo grupo fueron imágenes tomadas con un ángulo similar y distancias similares (ambiente controlado), obtuvo un Overall accuracy de 95.5 %.
    Citas (OpenAlex): 1metric-badges.view 5
  • Publicacion
    Algunas métricas están bloqueadas por su 
    configuración de consentimiento
    Item type:Publicación,
    Automatic recognition and license plate detection model based on OpenCV and Machine Learning
    (Institute of Electrical and Electronics Engineers Inc., 2022-10-19)
    Ccoto Huallpa, Elias  
    ;
    Sullon Macalupu, Abel Angel  
    ;
    Otazu Luque, Jorge Eddy  
    ;
    Sanchez Garces, Jorge Alejandro  
    Automatic number plate recognition (ALPR) is an important task with many applications in intelligent transportation and surveillance systems. This research takes into consideration the functions of image processing for the detection and recognition of number plates; which can come from noisy sources, low illumination, different angles and distances taken from the images (uncontrolled environments); most of the existing automated number plate recognition systems only work in a controlled environment where images are captured from a right angle with good illumination and clarity [25]. According to [11] in uncontrolled environments the probability of recognising the characters on the plates decreases and this has been observed in the research. To achieve image processing, morphological transformation, Gaussian smoothing and Gaussian thresholding were used, then 3 different algorithms K-NN, SVM and Tesseract were used for character recognition, each algorithm with their respective hyperparameters for optimisation. The images were separated into two groups, the first with 80 images taken from different angles and distance (uncontrolled environment) where the best Overall accuracy was obtained with 86 % and the second group were images taken at a right angle and similar distance (controlled environment), this group obtained an Overall accuracy of 95.5 %.
    Citas (OpenAlex): 3metric-badges.view 3