• español
    • English
  • Login
  • español 
    • español
    • English

UniversidaddeCádiz

Área de Biblioteca, Archivo y Publicaciones
Comunidades y colecciones
Ver ítem 
  •   RODIN Principal
  • Producción Científica
  • Artículos Científicos
  • Ver ítem
  •   RODIN Principal
  • Producción Científica
  • Artículos Científicos
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

A multi-DL fuzzy approach to image recognition for a real-time traffic alert system

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/34139

DOI: 10.3233/AIS-230433

URL: https://content.iospress.com/articles/journal-of-ambient-intelligence-and-smart-environments/ais230433

ISSN: 1876-1364

Ficheros
JAISE2024.pdf (2.610Mb)
Estadísticas
Ver estadísticas
Métricas y Citas
 
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Autor/es
Muñoz Ortega, AndrésAutoridad UCA; Martínez España, Raquel; Guerrero Contreras, Gabriel JoséAutoridad UCA; Balderas Díaz, SaraAutoridad UCA; Arcas Túnez, Francisco; Bueno Crespo, Andrés
Fecha
2024-06-20
Departamento/s
Ingeniería Informática
Fuente
Muñoz, A., Martínez-España, R., Guerrero-Contreras, G., Balderas-Díaz, S., Arcas-Túnez, F., & Bueno-Crespo, A. (2024). A multi-DL fuzzy approach to image recognition for a real-time traffic alert system. Journal of Ambient Intelligence and Smart Environments, (Preprint), 1-17.
Resumen
This paper presents a novel Multi-DL Fuzzy Approach aimed at performing image recognition in the development of a real-time traffic alert system, addressing the problem of traffic congestion and related incidents. Traditional monitoring by road operators predominantly relies on fixed location cameras, yielding limited and sometimes ambiguous information. This study proposes leveraging Twitter (now known as 'X') as a more comprehensive data source alongside employing fuzzy techniques with Deep Learning (DL) neural networks such as CNN, VGG16, and Xception to analyze and classify traffic images. The innovative integration of these technologies augments the precision in categorizing varying traffic conditions, namely fluid and dense traffic, accidents and fires. Thus, this proposal mitigates the ambiguities prevalent in traffic image interpretation, and reduces the dependency on static data sources. The proposed models showed improved results by combining information from the DL models, elevating accuracy from 84% in crisp classification to 90% utilizing fuzzy information.
Materias
Traffic monitoring; Deep Learning; Fuzzy classification; Alert system; Image recognition; Real-time system
Colecciones
  • Artículos Científicos [12077]
  • Articulos Científicos Ing. Inf. [314]
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Esta obra está bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Listar

Todo RODINComunidades y ColeccionesPor fecha de publicaciónAutoresTítulosMateriasEsta colecciónPor fecha de publicaciónAutoresTítulosMaterias

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

Información adicional

Acerca de...Deposita en RODINPolíticasNormativasDerechos de autorEnlaces de interésEstadísticasNovedadesPreguntas frecuentes

RODIN está accesible a través de

OpenAIREOAIsterRecolectaHispanaEuropeanaBaseDARTOATDGoogle Académico

Enlaces de interés

Sherpa/RomeoDulcineaROAROpenDOARCreative CommonsORCID

RODIN está gestionado por el Área de Biblioteca, Archivo y Publicaciones de la Universidad de Cádiz

ContactoSugerenciasAtención al Usuario