Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Utilize este identificador para referenciar este registo: https://rinacional.tecnm.mx/jspui/handle/TecNM/3017
Título: Sistema Embebido para Asistencia de Conducción Basado en Lógica Difusa Tipo-2
Autor: Rendon Castro, Angel Arturo%887805
metadata.dc.subject.other: Lógica Difusa Tipo-2, Visión por Computadora, Asistencia al Conductor y Sistemas Embebidos
Data: 2020-01-14
Editora: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Centro Nacional de Investigación y Desarrollo Tecnológico
Descrição: En este trabajo se presenta el diseño y desarrollo de un asistente de conducción basado en Lógica Difusa Tipo-2 y Visión por Computadora para la detección de nivel de riesgo. El trabajo se divide en tres apartados principales: Adquisición de información, inferencia e implementación. En Adquisición de información se abordan técnicas de Visión por Computadora que permiten una detección fiable en entornos no controlados (detección de puntos de referencia faciales y detección de objetos con margen-máximo). En inferencia se utiliza Lógica Difusa Tipo-2, esta permite trasladar la experiencia humana y el manejo de incertidumbre a un sistema de control, en este trabajo se usa un sistema Lógico Difuso de Intervalo Tipo-2 que realiza una inferencia de nivel de riesgo con la información obtenida del apartado anterior. Por último, se implementa la parte de adquisición e inferencia en la plataforma embebida Nvidia Jetson TX2, creando un prototipo que se equipo en un automóvil donde se realizaron pruebas en ambientes reales. El sistema de asistencia propuesto se evaluó con métricas de detección (Recall, Precisión y F1-Score). Se adaptaron las métricas a tres experimentos que evalúan la detección de vehículo frontal, detección de nivel de riesgo por inatención al camino y detección de nivel de riesgo con detección de vehículo frontal en conjunto con la de inatención. Para los experimentos se utilizaron videos obtenidos del sistema además de utilizar las bases de datosYawDD, UTA Real-Life Drowsiness y TME Motorway. Los resultados cuantitativos y cualitativos, muestran que el enfoque propuesto resulta eficiente para la detección de nivel de riesgo, teniendo un rendimiento mayor a 0.90 en las métricas de evaluación y una implementación en tiempo real con un promedio de 24.63 cuadros por segundo.
metadata.dc.type: info:eu-repo/semantics/masterThesis
Aparece nas colecções:Tesis de Maestría en Computación

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
MC_Angel_Arturo_Rendon_Castro_2020.pdfTesis53.2 MBAdobe PDFVer/Abrir
MC_Angel_Arturo_Rendon_Castro_2020.pdf
  Restricted Access
Cesión de derechos194.44 kBAdobe PDFVer/Abrir Request a copy


Este registo está protegido por copyright original.



Este registo está protegido por Licença Creative Commons Creative Commons