Creación de inventario de luminarias de carretera mediante la implementación de algoritmos de detección, clasificación, seguimiento y geolocalización

Abstract

La automatización de procesos ha tenido un gran impacto en múltiples industrias, reduciendo costos y tiempo que diversas tareas costaban. La empresa Apsa Ltda actualmente realiza sus inventarios de carretera mediante un proceso semi-automático, para optimizar los tiempos de procesamiento Apsa Ltda busca automatizar este proceso, con estos antecedentes surge el tema de memoria creación de un inventario de luminarias de carretera mediante la implementación de algoritmos de detección, seguimiento y geolocalización. Esta memoria es una etapa del proceso de automatización final que busca conseguir Apsa Ltda. Para una realización exitosa de la memoria, se desarrolló una metodología que permite resolver el problema simplificado de manera completa, desde el pre procesado de datos, evaluación y entrenamiento de modelos, junto con un post-procesamiento que consiste en obtener la información importante de los modelos utilizados y exportarlo a un DataFrame, el cual en formato Excel representará el inventario de la ruta analizada. Los modelos utilizados fueron los siguientes, para el problema de detección de objetos se utilizó el algoritmo YOLOv7, para el seguimiento de objetos, se utilizó StrongSORT, para la geolocalización de objetos se utilizó la librería GeoPandas y GeoPy, finalmente para la exportación de inventario en formato Excel se utilizó la librería pandas. Los resultados muestran que YOLOv7 pose un mean average precision(mAP) con umbral de 0.5 por sobre el 95 %, los errores en la mayoría de los casos son compensados por el algoritmo StrongSORT, pero este algoritmo de vez en cuando también comete errores y asigna identificadores equivocados. Para evaluar el tiempo de cómputo del código general que junta todos los algoritmos se utilizó una CPU Ryzen 7 1700X para evaluar el código sin aceleración mediante GPU y una GPU NVIDIA Tesla T4 para comparar la ganancia de tiempo al utilizar la aceleración de GPU que habilita PyTorch CUDA para las detecciones de YOLOv7. Cuando se utiliza aceleración mediante GPU el tiempo de computo es aproximadamente 1/5 del tiempo de computo comparado con solo utilizar la CPU para ejecutar el código. Finalmente se logró entregar el inventario del proceso de automatización simplificado que Apsa Ltda buscaba, el proyecto tiene un amplio rango de mejora mediante la obtención de más data, ampliación de elementos a detectar, profundización en los algoritmos de geolocalización y la creación de una aplicación para facilitar el uso e interacción con el usuario.