• 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 Grado
  • Grado en Ingeniería Informática - TFG
  • Ver ítem
  •   RODIN Principal
  • Trabajos Académicos
  • Trabajos Fin de Grado
  • Grado en Ingeniería Informática - TFG
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Detección automática de comportamiento de conducción mediante inteligencia artificial y análisis espaciotemporal de vídeo

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/40051

Ficheros
Plantilla_TFG_GII_UCA___María_Galvín_Terrero (9).pdf (25.75Mb)
Estadísticas
Ver estadísticas
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Autor/es
Galvín Terrero, María
Fecha
2026-06-19
Director/Tutor
Balderas Díaz, SaraAutoridad UCA; Guerrero Contreras, Gabriel JoséAutoridad UCA
Resumen
Este Trabajo de Fin de Grado presenta el desarrollo de un sistema basado en Inteligencia Artificial para la detección automática de comportamientos de conducción potencialmente peligrosos a partir de secuencias de vídeo. El objetivo es contribuir a la mejora de la seguridad vial mediante la identificación temprana de maniobras de riesgo como 'brake check', 'cut off', 'hard braking' y 'zigzag'. Para ello, se construyó un conjunto de datos compuesto por vídeos de situaciones reales de conducción y se diseñó un proceso de preprocesamiento basado en YOLOv11 y ByteTrack para la detección y seguimiento de vehículos. Posteriormente, se entrenó un modelo híbrido CNN-LSTM utilizando MobileNetV2 como extractor de características. El estudio experimental se estructuró en tres fases: entrenamiento del modelo base, aplicación de técnicas de 'data augmentation' y ajuste fino ('fine-tuning'). Además, se evaluó el impacto del desequilibrio entre clases mediante una segunda configuración que agrupó las clases minoritarias en una única categoría denominada 'OTHERS'. Los resultados muestran que la combinación de la estrategia 'OTHERS' con el aumento de datos mediante rotación de 10 grados (rot10) obtuvo el mejor rendimiento, alcanzando un Macro F1 de 0,66 y un Weighted F1 de 0,89. Estos resultados evidencian que la agrupación de clases minoritarias y la aplicación de técnicas adecuadas de aumento de datos mejoran la capacidad de generalización del modelo y su eficacia para la detección automática de comportamientos de conducción peligrosos.
Materias
YOLO; ByteTrack; Detección; Seguimiento; vehículos; Comportamiento agresivo; Inteligencia Artificial; Aprendizaje profundo; Visión por computador; CNN-LSTM; MobileNetV2; Seguridad vial; Análisis de vídeo
Colecciones
  • Grado en Ingeniería Informática - TFG [65]
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