Lane conditions analysis for micromobilit applications
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/357604
Tipus de documentTreball Final de Grau
Data2021-07-07
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
Due to the increase in population in large urban areas, mobility in large cities has become increasingly problematic and difficult. With the desire to find solutions to this situation, the use of micro-mobility vehicles has become popular. In this sense the solution presented proposes to make use of Deep Learning and Computer Vision techniques in order to identify, automatically, possible defects where micro-mobility vehicles circulate, in order to alert authorities and other users and improve user safety. Three solutions were devised to determine which one best suited the needs of the project. The first two to test the two models separately and the third one with the intention of combining them, with ensemble learning techniques, to try to improve the results obtained. Debido al incremento de la población en los núcleos urbanos, la movilidad en las grandes ciudades se ha vuelto cada vez más problemática y difícil. Con el afán de encontrar soluciones a esta situación, se ha popularizado el uso de vehículos de micro-movilidad. En este sentido la solución que se presenta propone hacer uso de técnicas de Deep Learning y Computer Vision para identificar posibles defectos en las carreteras de forma automática y mejorar la seguridad de los usuarios. Se proponen tres soluciones para determinar cuál es el modelo que se adapta mejor a las necesidades del proyecto. Los dos primeros para probar los modelos por separado y el tercero con la intención de juntarlos, con técnicas de ensemble learning, para intentar mejorar los resultados obtenidos. Degut a l'increment de la població en els grans nuclis urbans, la mobilitat a les grans ciutats s'ha tornat cada cop més problemàtica i difícil. Amb l'afany de trobar solucions a aquesta situació, s'ha popularitzat l'ús de vehicles de micro-mobilitat. En aquest sentit la solució que es presenta proposa fer ús de tècniques de Deep Learning i Computer Vision per identificar possibles defectes a les carreteres de forma automàtica i millorar la seguretat dels usuaris. Es proposen tres solucions per determinar quin és el model que s'adapta millor a les necessitats del projecte. Els dos primers per provar dos models per separat i el tercer amb la intenció d'ajuntar-los, amb tècniques d'ensemble learning, per intentar millorar els resultats obtinguts.
MatèriesAccidents -- Prevention, Machine learning, Computer programming, Neural networks (Computer science), Image processing, Accidents -- Prevenció, Aprenentatge automàtic, Programació (Ordinadors), Xarxes neuronals (Informàtica), Imatges -- Processament
TitulacióGRAU EN ENGINYERIA DE TECNOLOGIES I SERVEIS DE TELECOMUNICACIÓ (Pla 2015)
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
Final Report Miquel Torrecilla.pdf | 1,889Mb | Visualitza/Obre |