This article proposes the development of a database composed of a set of images of cars and car accidents and their respective xml files where the values are in coordinates and, above all, to which class that image belongs, this in order to contribute to the development of neural network systems that have the ability to detect this type of class, whether in images, recorded videos or video in real time.
El objetivo de este estudio es proponer una base de datos (set de imágenes) de autos y de accidentes de tránsito para el uso en redes neuronales. El método que se propone tiene las siguientes características: En primer lugar, las imágenes tomadas son analizadas por seres humanos y clasificadas de acuerdo a su experiencia y en segundo, el input a los sistemas se prevé con imágenes sin procesamiento previo para verificar el correcto análisis de estas.
El resto del documento está conformado de la siguiente manera: en el apartado III. Se presenta el cómo fueron recopiladas las imágenes, en el IV. Se describe como fue el etiquetado de las imágenes, en el V. Se muestra la implementación de la base de datos en una red neuronal, en el punto VI. Se muestra las pruebas de la red neuronal entrenada con la base de datos y los problemas en torno a la detección, en el punto VII. Se muestran pruebas del funcionamiento de la red en detección en video a tiempo real, en el punto VIII. Las conclusiones.
En el reporte de la de la Organización Mundial de la Salud (OMS) dirigido al mundo en
2015 el número de accidentes de tránsito se ha estabilizado pese al crecimiento mundial de
la población y del uso de vehículos de motor, en el período que comprende del año 2010 a
2013 se estima que la población creció un 4% y la adquisición de vehículos en un 16%, con
1.25 millones de personas fallecidas desde el 2007 hasta la fecha nos indica que los
accidentes de tránsito no están creciendo al mismo nivel. El nivel más bajo en la tasa de
mortalidad lo tiene Europa con 9.3 accidentes de tránsito por cada 100 mil habitantes en
segundo lugar se tiene al área de las Américas con 15.9 accidentes por cada 100 mil
habitantes sin embargo pese a estas cifras el área de Latinoamérica sufre de una taza mucho
más alta sólo comparada con el continente africano que tiene una tasa de mortalidad de 26.6
accidentes por cada 100 mil habitantes.[
Si bien artículos como [
En el campo del machine learning existen proyectos dirigidos a la detección de emergencias
en accidentes de tránsito, teniendo capacidad de: predecir los accidentes[
Por otra parte, en la creación de redes neuronales se ha dejado de lado la importancia del
avance en las bases de datos especializadas para la detección de objetos y utilizando los
pesos que vienen incluidos en herramientas para la visión por computadora como es
ml5[
3.
En esta investigación aplicada tecnológica, la recolección de los datos a analizar (imágenes)
fue hecha desde una búsqueda en internet, divididas en una serie de categorías descritas por
la secretaria de salud de México[
Tabla 1: cantidad de imágenes en set para entrenar red neuronal Plataforma Categoría Cantidad Imágenes de
1000 250 250 250 250 El esquema general que conforma la creación de la base de datos (set de imágenes) para la detección de accidentes de tránsito con automóviles involucrados, está basada en dos series de pasos, una serie de creación y una serie de pruebas (ensayo – error), enumeradas de la siguiente manera:
Búsqueda aleatoria de imágenes que contengan vehículos en buen estado.
Búsqueda aleatoria de imágenes que contengan vehículos involucrados en accidentes.
Clasificación de las imágenes recopiladas en dos clases (auto y accidente).
Prueba de base de datos en entrenamiento de red neuronal Prueba de predicción en imágenes de accidentes y sin accidente aparente con red neuronal entrenada en el punto 1.
Prueba de predicción en video de accidentes o nulidad de ellos en tiempo real con red neuronal entrenada en el punto 1.
La las imágenes seleccionadas para formar parte de la base de datos deberán preferentemente cumplir las siguientes reglas: Las imágenes no deben ser procesadas con antelación.
Las imágenes no deben de pasar la resolución de 800 x 1333 La Tabla 2 Contiene las estadísticas de la base de Datos (set de imágenes) propuesta por este artículo. Cant idad
Tabla 2. Estadísticas de base de datos
Media de Resolución Moda de Desviaci Imágene Imágene Imágene
resolución máxima resolución ón s s s
estándar resoluci resoluci resoluci
ón ón ón
mínima media máxima
Estos parámetros son siguiendo las indicaciones de Keras Retinanet[
Figura 1: Modelo de creación de Base de Datos 4.
Este proyecto presenta la clasificación y etiquetado de un set de imágenes para entrenamiento de redes neuronales, en las cuales se encuentran autos involucrados en un siniestro, estos clasificados como la clase (accidente), y de igual manera se etiquetaron una serie de imágenes de autos sin error aparente como la clase (auto). Se tiene en cuenta que toda la clasificación y etiquetado de las imágenes se hizo desde la experiencia humana, en donde los accidentes fueron clasificados en base a aparentes golpes externos en los vehículos y/o situaciones en donde el accidente es aparentemente inequívoco, como lo es una volcadura, de esta manera pasando a la base de datos los mismos errores que podría tener un ser humano.
El etiquetado de las imagen fue realizado con el programa LabelImg[
Figura 2: Etiquetado de imágenes con LabelImg[
La búsqueda de las imágenes que conforman la base de datos fue realizada para cumplir
con la mayoría de las marcas que se producen actualmente en México[
5.
En la etapa de entrenamiento de la red se utilizaron una series de librerías de código abierto,
especialmente tensorflow[
Figura 3: Resultados de predicción de autos y accidente según época de entrenamiento. 6.
En las pruebas de predicción realizadas a una cantidad de 100 imágenes divididas en 5 categorías, la red neuronal entrenada con el set de imágenes aquí propuesto en contraste con la experiencia humana se encontró, los resultados se muestran en la Tabla 3 y 4.
Tabla 3. Relación de aciertos en detección entre red neuronal y ser humano Categoría Predicción de la red neuronal Experiencia entrenada con set de humana imágenes Auto Auto y Siniestro Siniestro Múltiple Siniestro 20 11 18 5 Ni Auto, Siniestro
Ni 20 20 20 20 20 20
Tabla 4. Promedio de detección y promedio de predicción
Promedio de detección en Seguridad porcentaje Predicción porcentaje de la en
El promedio de detención hace alusión a la cantidad de imágenes que pudo detectar la red, en cambio la siguiente columna describe de esas detecciones con cuanta seguridad es predicho un siniestro o un auto.
En la Figura 4 se muestran diferentes situaciones de autos colisionados, en la Figura 4a [16] se muestra la capacidad de detección de un auto y su porcentaje de seguridad, en la Figura 4b [17] se muestra una situación en donde se encuentra un auto en aparente buen estado y un siniestro en donde se observa que solo se detecta al auto, en la Figura 4c [18] se presenta un siniestro, en donde la red neuronal es capaz de detectarlo, en las Figuras 4d [19] y 4e [20] se muestran un conjunto de autos en colisión y se observa que es donde la red demuestra más fallas, al solo detectar un auto en el siniestro o simplemente no detectar nada.
Figura 4: Diferentes situaciones de autos colisionados 7.
Esta fase se dedicó a utilizar la red neuronal antes mencionada para la detección de
accidentes en video, la información fue recopilada desde una cámara web en una maqueta
en laboratorio, escaneando una área en búsqueda de accidentes, para este software se
hicieron pruebas con varias herramientas para la detección de objetos en principio se usó la
librería YOLO (You Only Look Once) un sistema diseñado para la detección de objetos en
tiempo real, gracias a la modificación de sus pesos con la base de datos creada, fue posible
la detección de accidentes de forma local. Para la siguiente etapa de pruebas se desarrolló
un sistema de detección de accidentes de tránsito con el lenguaje JavaScript [21] y
Tensorflow.js [22] el cual nos permite entre varias cosas el ahorro de recursos
computacionales, esta plataforma web utiliza una serie de herramientas que nos facilitan el
uso de las redes neuronales y sobretodo el uso de la visión por computadora para el análisis
de video. La principal herramienta es ml5 [
8.
Esta base de datos está diseñada para atender las necesidades en redes neuronales dirigidas hacia la detección o análisis de accidentes automovilísticos, con set de 2000 imágenes se pudieron realizar pruebas para verificar su eficacia, en un primer experimento se encontró que con un entrenamiento a 50 iteraciones se cumple en lo general con el motivo de desarrollo. Sin embargo por ser una base de datos con un set de imágenes reducido, en la pruebas realizadas se encontraron muchos falsos positivos, sobre todo en la detección de detalles que no son visibles desde una vista cenital, cuando los autos se encuentran muy cerca unos con otros o se encuentran en posiciones que la red no detecta, como es el caso de una volcadura. Aún así es un excelente punto de partida para los investigadores que estén interesados en el análisis de imágenes relacionadas a la detección de accidentes de tráfico.
8.1. Trabajo futuro Es importante incluir más marcas de vehículos, ya que se incluyeron solo las disponibles en México. Además, es importante agregar más procesos de segmentación de las imágenes para generar muestras más pequeñas que requieran menos poder de cómputo y ser procesadas en tiempo real. [16] «Mazda 3 Turbo 2021: precios y versiones en México – Autos y Moda México». https://www.autosymoda.mx/mazda-3-turbo-2021-mexico-precios/ (accedido may 25, 2021). [17] «Delito de fuga en accidente de tráfico», Tu abogado defensor, nov. 08, 2019. https://www.tuabogadodefensor.com/delito-fuga-accidente-trafico/ (accedido may 17, 2021). [18] ContraReplica, «Choque de taxi y patrulla en Centro Histórico deja al menos siete heridos», ContraRéplica. https://www.contrareplica.mx/nota-Choque-de-taxi-ypatrulla-en-Centro-Historico-deja-al-menos-siete-heridos201921037 (accedido may 25, 2021). [19] «Busca FGJCDMX Reformas al Código Penal Para Endurecer Sanciones por Homicidio por Tránsito Vehicular», Nuevo México Plural, ene. 29, 2021. https://www.nuevomexicoplural.com/busca-fgjcdmx-reformas-al-codigo-penal-paraendurecer-sanciones-por-homicidio-por-transito-vehicular/ (accedido may 17, 2021). [20] «México: el celular es el mayor asesino de mexicanos al volante desde el 2015», La Verdad Noticias. https://laverdadnoticias.com/mexico/Mexico-el-celular-es-elmayor-asesino-de-mexicanos-al-volante-desde-el-2015-20191228-0071.html (accedido may 17, 2021). [21] «JavaScript.com». https://www.javascript.com/ (accedido may 21, 2021). [22] «TensorFlow.js». https://js.tensorflow.org (accedido may 21, 2021).