5 publicaciones etiquetados con "computer-vision"

📌 Key Takeaways (Puntos Clave)

• Problema: El OCR de fotograma único genera lecturas erróneas transitorias debido a reflejos y vibraciones.
• Solución: Validación de sintaxis regex (^\d{2,3}[가-힣]\d{4}$) combinada con un motor de votación por mayoría temporal en una ventana deslizante de 7 fotogramas.
• Resultado: Evolución a través de 11 iteraciones técnicas (v01 a v11) desde ruido inicial (ACCIIXOY...) hasta la confirmación determinista de 64가1511.

📌 Key Takeaways (Puntos Clave)

• Problema: Las matrículas recortadas suelen medir menos de 40x20 píxeles; la interpolación bicúbica estándar desenfoca los trazos impidiendo el OCR.
• Solución: Red residual profunda EDSR_x4 (EDSR_x4.pb) combinada con apilamiento de 3 a 5 fotogramas consecutivos.
• Resultado: Densidad de píxeles cuadruplicada y precisión de EasyOCR mejorada del 32% a más del 91%.

📌 Key Takeaways (Puntos Clave)

• Problema: Detectar matrículas diminutas (30x15 píxeles) en todo el fotograma de 640x480 provoca falsos positivos con carteles viales y reduce el rendimiento a menos de 10 FPS.
• Solución: Diseñamos una arquitectura en dos etapas (YOLOv3 para vehículos -> YOLOv5 solo en el ROI del vehículo) combinada con el rastreador CSRT cada 15 fotogramas.
• Resultado: Eliminación del 98% de falsos positivos y reducción del 80% en carga de GPU, manteniendo más de 50 FPS.

📌 Key Takeaways (Puntos Clave)

• Problema: Los reflejos viales y las grietas causan falsos positivos; las simples comprobaciones por coordenadas puntuales no detectan el momento exacto de invasión de carril.
• Solución: Máscara ROI trapezoidal, filtrado por pendiente (|slope| > 0.5) y cola temporal de media móvil de 7 fotogramas. Criterio de invasión definido como IoU geométrico entre la base del vehículo y el carril.
• Resultado: Eliminación del 95% del ruido de textura vial y detección precisa de invasión con fiabilidad subfotograma.

📌 Key Takeaways (Puntos Clave)

• Problema: Las grabaciones de baja resolución de cámaras de tablero sufren vibraciones, contraluces y desenfoque de movimiento, lo que hace que el reconocimiento de matrículas y el monitoreo de invasión de carril fallen con frecuencia.
• Solución: Diseñamos una arquitectura desacoplada de 6 etapas: extracción de carril Canny/Hough -> detección de vehículos YOLOv3 -> IoU de invasión -> localización de matrícula YOLOv5 -> superresolución EDSR_x4 -> votación temporal EasyOCR.
• Resultado: Construimos un pipeline en Python de alto rendimiento que mantiene más de 30 FPS identificando con precisión matrículas infractoras bajo condiciones ópticas severas.