The objective of this project is to design a lane type recognition system for personal mobility vehicles in the city, to increase the safety of users of this type of vehicle, generate possible data and statistics useful for future studies and study the feasibility and future of this type of technology in this field. The system is based on a Deep Learning model trained with previously captured data. The training of the model was implemented with a large number of training, validation and test images extracted from various videos recorded on the city during the first weeks of the project. The results of the first training sessions were correct, with some possible upgrades, which after being applied allowed to obtain a system with an excellent F1-Score and high precision for all the different classes to be identified. On the other hand, the performance and precision observed in the script that uses the trained model to detect the type of road in any video introduced, are really good, and obviating certain aspects that could be improved (like some detection errors) by training more times the model if we had more data, they are indicators of the usefulness and help that this type of technology can bring to personal mobility vehicles in cities.?
El objetivo de este proyecto es diseñar un sistema de reconocimiento de tipo de vía para vehículos de movilidad personal de ciudad, para incrementar la seguridad de los usuarios de este tipo de vehículos, generar posibles datos y estadísticas útiles para futuros estudios y estudiar la viabilidad y futuro de este tipo de tecnología en este campo. El sistema está basado en un modelo de Deep learning entrenado con datos previamente capturados. El entrenamiento del modelo se realizó utilizando una gran cantidad de imágenes de entrenamiento, validación y test extraídas de diversos videos grabados por la ciudad durante las primeras semanas de proyecto. Los resultados de los primeros entrenamientos fueron correctos, con algunas mejores posibles, que tras ser aplicadas permitieron obtener un sistema con un F1-Score excelente y alta precisión para todas las diferentes clases a identificar. Por otro lado, el rendimiento y precisión observados en el script que utiliza el modelo entrenado para detectar el tipo de vía en cualquier video introducido son muy buenos, y obviando ciertos aspectos que podrían mejorarse (algunos errores de detección) mediante reentrenados del modelo si contáramos con más datos, son indicadores de la utilidad y ayuda que este tipo de tecnologías puede aportar a los vehículos de movilidad personal en las ciudades.
L'objectiu d'aquest projecte és dissenyar un sistema de reconeixement de tipus de via per a vehicles de mobilitat personal de ciutat, per incrementar la seguretat dels usuaris d'aquest tipus de vehicles, generar possibles dades i estadístiques útils per a futurs estudis i estudiar la viabilitat i futur d'aquest tipus de tecnologia en aquest camp. El sistema està basat en un model de Deep learning entrenat amb dades prèviament capturades. L'entrenament del model es va realitzar amb una gran quantitat d'imatges d'entrenament, validació i test extretes de diversos vídeos gravats per la ciutat durant les primeres setmanes de projecte. Els resultats dels primers entrenaments van ser correctes, amb algunes millors possibles, que després de ser aplicades van permetre obtenir un sistema amb un F1-Score excel·lent i alta precisió per a totes les diferents classes a identificar. D'altra banda el rendiment i precisió observats en l'script que utilitza el model entrenat per detectar el tipus de via en qualsevol vídeo introduït són molt bons, i obviant certs aspectes que podrien millorar (com alguns errors de detecció) mitjançant re-entrenaments del model si comptéssim amb més dades, són indicadors de la utilitat i ajuda que aquest tipus de tecnologies pot aportar als vehicles de mobilitat personal a les ciutats.?
