Modelo de un sistema de alerta basado en visión artificial para la prevención de aglomeraciones en el transporte público

Lucia Cárdenas; Andrea Pipino; María Teresa Donadio; Paulo Picota

doi:10.48204/j.vian.v8n2.a6571

Enviado diciembre 16, 2024

Publicado 2024-12-16

Artículos

Vol. 8 Núm. 2 (2024): Visión Antataura

Modelo de un sistema de alerta basado en visión artificial para la prevención de aglomeraciones en el transporte público

Lucia Cárdenas⁺⁻
Andrea Pipino⁺⁻
María Teresa Donadio⁺⁻
Paulo Picota⁺⁻

DOI https://doi.org/10.48204/j.vian.v8n2.a6571

PDF

Citas

DOI: 10.48204/j.vian.v8n2.a6571

Publicado: 2024-12-16

Cómo citar

Cárdenas, L., Pipino, A., Donadio, M. T., & Picota, P. (2024). Modelo de un sistema de alerta basado en visión artificial para la prevención de aglomeraciones en el transporte público . Visión Antataura, 8(2), 93–107. https://doi.org/10.48204/j.vian.v8n2.a6571

Derechos de autor 2024 Visión Antataura

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.

Resumen

La inteligencia artificial se ha convertido en una parte integral de muchas aplicaciones y servicios que utilizamos a diario. Este artículo presenta el diseño de un modelo que utiliza tecnologías de visión artificial para detectar e identificar la concentración de personas y generar alertas según los valores, proporcionados por un algoritmo de clasificación específico para aglomeraciones. El proyecto está enfocado en la atención al público panameño. Teniendo en cuenta que, actualmente, las empresas de transporte no cuentan con herramientas que permitan el manejo de datos para obtener información sobre las condiciones de los pasajeros lo largo de las diferentes rutas. El objetivo principal es desarrollar un modelo que pueda detectar aglomeraciones en tiempo real y lograr proporcionarles información a los operadores de transporte sobre la cantidad de usuarios en los buses, y como resultado mejorar el proceso de toma de decisiones. Se utilizan librerías aplicadas a la visión artificial, con el fin de proponer una solución eficiente y rápida que, además permite una mejora continua, facilitando la gestión y la prevención de las aglomeraciones. Como resultado, el sistema propuesto detectó las aglomeraciones en un 84.04 %, demostrando la posibilidad de la optimización del flujo de pasajeros.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Afonso, E., Thulliez, P., Pontier, D. y Gilot-Fromont, E. (2007). Toxoplasmosis in prey species and consequences for prevalence in feral cats: Not all prey species are equal. Parasitology, 134(14), 1963–1971. https://doi.org/10.1017/S0031182007003320
Abbas, A., Jayaprakash, P. O., Anitha, M., & Jaini, X. V. (2017). Crowd detection and management using cascade classifier on ARMv8 and OpenCVPython. 2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS), 1–6. https://doi.org/10.1109/ICIIECS.2017. 8275988
Barbierato, E., Gribaudo, M., Iacono, M., & Levis, A. H. (2020). Evaluating the Safety of Crowds in Enclosed Spaces by Markovian Agents. Electronic Notes in Theoretical Computer Science, 353, 61–75. https://doi.org/10.1016/j.entcs.2020.09.019
Baumann, D., Sommer, M., Schrempp, Y., & Sax, E. (2022). Use of Deep Learning Methods for People Counting in Public Transport. 2022 International Conference on Connected Vehicle and Expo (ICCVE), 1–6. https://doi.org/10.1109/ICCVE52871.2022.9742924
Bhangale, U., Patil, S., Vishwanath, V., Thakker, P., Bansode, A., & Navandhar, D. (2020). Near Realtime Crowd Counting using Deep Learning Approach. Third International Conference on Computing and Network Communications (CoCoNet’19), 171, 770–779. https://doi.org/10.1016/j.procs.2020.04.084
Bilotta, E., Vaid, U., & Evans, G. W. (2018). Environmental Stress. En L. Steg & J. I. M. De Groot (Eds.), Environmental Psychology (pp. 36–44). John Wiley & Sons, Ltd. https://doi.org/10.1002/9781119241072.ch4
Chaudhary, D., Kumar, S., & Dhaka, V. (2021). Estimating crowd size for public place surveillance using deep learning. Deep learning and big data for intelligent systems, 175–197. https://doi.org/10.1007/978-3-030-65661-4_9
Correa, J. J. (2019). Identificación de factores de riesgo en eventos con aglomeración de personas en la ciudad de Bogotá. http://hdl.handle.net/ 10654/32326
Dichev, C., & Dicheva, D. (2017). Towards Data Science Literacy. International Conference on Computational Science, ICCS 2017, 1214 June 2017, Zurich, Switzerland, 108, 2151–2160. https://doi.org/10.1016/j.procs.2017.05.240
Galic, S., & Loncaric, S. (2000). Spatio-temporal image segmentation using optical flow and clustering algorithm. 63–68. https://doi.org/10.1109/ISPA.2000.914892
Gao, G., Gao, J., Liu, Q., Wang, Q., & Wang, Y. (2020). CNN-based Density Estimation and Crowd Counting: A Survey (arXiv:2003.12783). arXiv. http://arxiv.org/abs/2003.12783
Hidayat, A., Terabe, S., & Yaginuma, H. (2018). WiFi Scanner Technologies for Obtaining Travel Data about Circulator Bus Passengers: Case Study in Obuse, Nagano Prefecture, Japan. Transportation Research Record: Journal of the Transportation Research Board, 2672(45), 45–54. https://doi.org/10.1177/0361198118776153
Lin, S.-F., Chen, J.-Y., & Chao, H.-X. (2001). Estimation of number of people in crowded scenes using perspective transformation. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 31(6), 645–654. https://doi.org/10.1109 /3468.983420
Nogueira, V., Oliveira, H., Silva, A., Vieira, T., & Oliveira, K. (2019). RetailNet: A deep learning approach for people counting and hot spots detection in retail stores. 155–162. https://doi.org/10.1109/SIBGRAPI.2019.00029
Sahoo, K., Samal, A. K., Pramanik, J., & Pani, S. K. (2019). Exploratory Data Analysis using Python. International Journal of Innovative Technology and Exploring Engineering, 8(12), 4727–4735. https://doi.org/10.35940/ijitee.l3591.1081219
Surasak, T., Takahiro, I., Cheng, C., Wang, C., & Sheng, P. (2018). Histogram of oriented gradients for human detection in video. 2018 5th International Conference on Business and Industrial Research (ICBIR), 2018, 172–176. https://doi.org/ 10.1109/ICBIR.2018.8391187
Wang, R., Tan, F., Yang, K., Hao, Y., Li, F., & Yu, X. (2023). LCNNet: Light-weight convolutional neural networks for understanding the highly congested scenes. J. Intell. Fuzzy Syst., 45, 2. https://doi.org/10.3233/JIFS-224081