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

UniversidaddeCádiz

Área de Biblioteca, Archivo y Publicaciones
Comunidades y colecciones
Ver ítem 
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Máster
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM
  • Ver ítem
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Máster
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Sistema de monitorización de tráfico en directo mediante detección de objetos basada en Deep Learning

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/36811

Ficheros
Trabajo de Fin da Máster (19.43Mb)
Estadísticas
Ver estadísticas
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Autor/es
García Borges, Félix EmilioAutoridad UCA
Fecha
2025-06-24
Director/Tutor
Muñoz Ortega, AndrésAutoridad UCA; Guerrero Contreras, Gabriel JoséAutoridad UCA
Departamento/s
Ingeniería Informática
Resumen
En un contexto donde la movilidad urbana eficiente y la seguridad vial son desafíos crecientes para las ciudades, se vuelve imprescindible desarrollar soluciones tecnológicas que permitan una gestión inteligente del tráfico. Aprovechando las tecnologías emergentes, en este trabajo se propondrá un sistema de monitoreo de tráfico en tiempo real que utiliza técnicas de Deep Learning para detectar y seguir vehículos de manera automática a partir de fuentes de vídeo en vivo. La plataforma captura flujos de vídeo, preprocesa las imágenes para enfocar áreas de interés y utiliza un modelo de inteligencia artificial entrenado para identificar y rastrear vehículos, generando conteos y estadísticas de circulación que permiten predecir flujos futuros. Estos datos se presentan a través de una API web moderna y se almacenan periódicamente en una base de datos, lo que facilita el análisis histórico y la integración con soluciones de gestión urbana y seguridad vial. Gracias a su arquitectura, el sistema puede adaptarse tanto a entornos de prueba como a implementaciones en ciudades de diferentes tamaños, proporcionando información clave para optimizar la movilidad y reducir la congestión.
Materias
Inteligencia Artificial; Aprendizaje Profundo; YOLO; LSTM; Monitoreo de Tráfico
Colecciones
  • Máster Universitario en Investigación en Ingeniería de Sistemas y de la Computación - TFM [8]
  • Trabajos fin de master Ing. Infor. [13]
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