César Pedraza Bonilla

Los accidentes de tránsito son una gran preocupación a nivel mundial, ya que tienen un impacto significativo en la seguridad, la salud y el bienestar de las personas, por lo que constituyen un importante campo de investigación sobre el uso de técnicas y algoritmos de última generación para analizarlos y predecirlos. El estudio de los accidentes de tráfico se ha realizado a partir de la información publicada por las entidades de tráfico, pero gracias a la ubicuidad y disponibilidad de las redes sociales es posible disponer de información detallada y en tiempo real de los accidentes de tráfico, lo que permite realizar estudios detallados que incluyen eventos de accidentalidad vial no registrados. El objetivo de esta tesis es proponer un modelo predictivo para estimar la probabilidad de accidentes de tránsito en un área determinada mediante la integración de información proveniente de entidades oficiales y redes sociales relacionadas con accidentes viales y eventos de infraestructura vial. El modelo diseñado fue un modelo de aprendizaje profundo, compuesto por unidades recurrentes cerradas y redes neuronales convolucionales. Los resultados obtenidos se compararon con resultados publicados por otros investigadores y muestran resultados prometedores, lo que indica que, en el contexto del problema, el modelo de aprendizaje profundo propuesto supera a otros modelos de aprendizaje profundo disponibles en la literatura. La información proporcionada por el modelo puede ser valiosa para que las agencias de control de tráfico planifiquen actividades de prevención de accidentes de tráfico.

Debido a la escala tecnológica, la susceptibilidad de los sistemas modernos a los efectos de la radiación ha aumentado constantemente. En consecuencia, se ha vuelto esencial proteger los sistemas contra tales fallos. Si bien estos fallos, denominados \textit{soft errors}, pueden ser transitorios en lugar de permanentes, pueden alterar el comportamiento del sistema y provocar mal funcionamiento o fallas en los sistemas electrónicos. Los investigadores han propuesto técnicas de tolerancia a fallos que abarcan varios enfoques para abordar este problema. Estas técnicas van desde la modificación de materiales de chips y procesos de fabricación hasta soluciones alternativas a nivel de diseño. Estas alternativas a nivel de diseño incluyen enfoques de mitigación basados en hardware, software o una combinación de ambos, comúnmente conocidos como métodos híbridos. Sin embargo, muchas de estas técnicas se basan en la redundancia, lo que impone una importante sobrecarga computacional. Para abordar este desafío, las técnicas de Computación Aproximada (CA) han llamado la atención como una alternativa para reducir los sobrecostos asociados con la mitigación de fallos transitorios. Estas propuestas han demostrado que la CA puede mejorar la eficiencia al equilibrar la cobertura de fallas, los sobrecostos y la precisión de los resultados. Sin embargo, la mayoría de estas propuestas se centran principalmente en el nivel de circuito, lo que requiere modificaciones físicas en el sistema o requisitos de implementación específicos adaptados a soluciones particulares.

En esta tesis, presentamos FTxAC, una estrategia novedosa para diseñar sistemas embebidos tolerantes a fallos inducidos por radiación que tiene como objetivo reducir los sobrecostos. Esta estrategia implica el uso de técnicas de computación aproximada junto con estrategias de mitigación de fallos inducidas por radiación. FTxAC muestra flexibilidad para incorporar varias técnicas de CA y estrategias de mitigación de fallos. El método propuesto ha sido validado exhaustivamente, considerando la confiabilidad, la precisión de los resultados y los sobrecostos. Se realizaron experimentos de inyección de fallos en cuatro estudios de caso que abarcan diversas técnicas de CA y estrategias de tolerancia a fallos. Los resultados de estas pruebas confirman la efectividad de la estrategia de diseño presentada. Las mejoras logradas en la etapa de aproximación compensan los sobrecostos incurridos en el proceso de endurecimiento.

Ante la problemática crítica de la evasión del pago de pasajes en el sistema TransMilenio, que alcanza tasas cercanas al 15% y carece de mecanismos de medición automatizados estandarizados, este trabajo desarrolla un método computacional basado en Inteligencia Artificial y Visión por Computador para la detección automática de ingresos ilegales por las puertas de los vagones. Mediante la construcción de un conjunto de datos propio con 1.800 clips de video y una metodología que integra técnicas de segmentación, detección de objetos, seguimiento de trayectorias y análisis de las mismas, se exploraron sistemáticamente diversas configuraciones hasta determinar una arquitectura óptima; los resultados demostraron que el método propuesto cuantifica eficazmente los eventos de evasión con estabilidad tanto en clips cortos como en videos continuos, validándose como una herramienta tecnológica efectiva para apoyar las estrategias de control y mitigación de este fenómeno en sistemas de transporte masivo tipo BRT.

La evasión del pago del pasaje al ingresar por los torniquetes del Sistema de Transporte Público TransMilenio de Bogotá representa una problemática que afecta tanto la sostenibilidad financiera del sistema como la percepción de calidad del servicio por parte de los usuarios. La diversidad de modalidades de evasión y las condiciones propias de las estaciones, como la alta afluencia de personas, las oclusiones y la variabilidad en la iluminación, limitan la efectividad de los métodos tradicionales de control y supervisión.

El objetivo de este trabajo es desarrollar un método para la detección automática de evasores de pago al ingresar al sistema TransMilenio mediante el uso de técnicas de Machine Learning aplicadas a la analítica de video. Se identifican y analizan algoritmos de detección de personas, estimación de pose humana y segmentación de instancias, entre los que se incluyen YOLOv11, Grounding DINO combinado con SAM, ViTPose, ViTPose++ y Mask RCNN. A partir de este análisis, se diseña un método computacional orientado a la detección de una modalidad de evasión por torniquete. Finalmente, el método es evaluado mediante validación cruzada sobre un conjunto de datos histórico compuesto por videos del sistema TransMilenio.

El cultivo de la palma aceitera en Colombia es de gran importancia en industrias como la alimenticia, química, cosmética y producción de biocombustibles. Existen condiciones fitosanitarias que ponen en riesgo las plantaciones y que pueden disminuir drásticamente su producción. El fenotipado de los cultivos proporciona información para la detección temprana de individuos con anomalías relacionadas con su salud. En este estudio se implementa un proceso fotogramétrico de obtención de datos de imágenes aéreas en cultivos de palma mediante plataformas aéreas no tripuladas y sensores multiespectrales. Luego se implementa y evalúa un método de detección individual de palmas utilizando algoritmos de extracción de características (HOG), clasificación (SVM) y agrupación de detecciones.

Posteriormente se implementa el algoritmo desarrollado para la detección de individuos sobre una imagen aérea multiespectral y se realiza su caracterización espectral individual, basado en el cálculo de índices de vegetación. Se obtiene un catálogo geolocalizado de palmas individuales junto con un conjunto de metadatos útiles para orientar al productor acerca de los individuos del cultivo con mayor interés de estudio según el estado fitosanitario relacionado con los índices de vegetación utilizados.

Bogotá se encuentra entre las veinte ciudades con peor tráfico del mundo de acuerdo con el Ranking del Índice de Tráfico. Además, carece de un sistema de transporte público robusto; el sistema TransMilenio, en particular, presenta deficiencias operativas y económicas que agravan los problemas de movilidad en la ciudad. La más destacada de estas deficiencias es la evasión de pago, un fenómeno que hasta ahora ha sido difícil de cuantificar y, por consiguiente, de mitigar. Por esta razón, el objetivo de este trabajo es detectar y cuantificar a los evasores en los torniquetes del sistema TransMilenio. Para lograrlo, se exploraron diversas técnicas de procesamiento de imágenes y video, así como aprendizaje automático e inteligencia artificial. Este trabajo enfrenta varios retos, entre los que destacan el marcado desequilibrio en el conjunto de datos (3 de cada 100 personas son evasores), la sutileza en algunos eventos de evasión y los complejos entornos de las estaciones. El modelo con mejores resultados es capaz de identificar el 95% de los evasores, gracias a la aplicación de conceptos de vanguardia en aprendizaje no supervisado y auto-supervisado.

Este trabajo de grado explora la aplicación de técnicas de visión artificial basadas en aprendizaje profundo para supervisar automáticamente el proceso de inspección vehicular en los centros de diagnóstico automotor (CDA) en Colombia, específicamente durante la prueba de frenos. El objetivo principal es desarrollar un método que permita identificar el eje y el vehículo al que pertenece durante la inspección, con el fin de prevenir la suplantación de ejes o vehículos.

La metodología empleada consta de tres fases: preparación, implementación y documentación. En la fase de preparación se recolectaron videos de inspecciones y se construyeron conjuntos de datos etiquetados manualmente para el entrenamiento y evaluación de los modelos. Durante la fase de implementación, se entrenaron y compararon tres modelos de detección de objetos (DETR-ResNet50, DETR-ResNet101 y YOLOv9) para la detección de ejes, seleccionando el modelo YOLOv9 por su mejor rendimiento. Además, se utilizó un algoritmo de reconocimiento de placas para identificar los vehículos y una red siamesa para los casos en que la placa no era visible.

En la fase de documentación, se detalló el desarrollo del proyecto, el experimento realizado y los resultados obtenidos. El experimento consistió en evaluar el método propuesto utilizando imágenes de una semana de operación de un CDA. Los resultados demostraron la efectividad del modelo YOLOv9 para la detección de ejes y del algoritmo de identificación de vehículos, con un alto porcentaje de aciertos y pocos falsos positivos.

En conclusión, este trabajo demuestra la viabilidad de aplicar técnicas de visión artificial basadas en aprendizaje profundo para supervisar automáticamente los procesos de inspección vehicular en los CDA, contribuyendo así a mejorar la calidad del servicio y la seguridad vial. Se sugieren trabajos futuros enfocados en expandir los conjuntos de datos, explorar nuevas arquitecturas de redes neuronales y realizar pruebas de campo a mayor escala.

La congestión del tráfico en Bogotá se agrava cada vez más, y no es simplemente una percepción de los residentes, ya que la ciudad ha mantenido una posición destacada en los rankings de congestión a nivel mundial. Esto otorga la urgencia de abordar y contribuir de alguna manera a este desafío significativo. Este estudio se enfoca en diversos aspectos, desde la obtención y análisis de datos de velocidad promedio y precipitaciones en un segmento vial de Bogotá, hasta el desarrollo de un modelo computacional destinado a predecir la velocidad promedio. Este enfoque tiene como objetivo ofrecer una perspectiva inicial y valiosa hacia la solución de la problemática del tráfico en la ciudad. En el marco de este estudio, se planteó el diseño de un modelo LSTM utilizando datos reales de alta calidad provenientes de un segmento vial en Bogotá. Esta aproximación no solo condujo a resultados sobresalientes en la predicción de la velocidad promedio, sino que también proporcionó diversas ventajas en comparación con otras investigaciones.

Este proyecto de investigación busca realizar un enlace inalámbrico de un radar GPR-UWB con un dispositivo de procesamiento, con el fin de facilitar su utilización en campo, este dispositivo se utilizará en el desminado humanitario. La comunicación inalámbrica se logra mediante el diseño de un embebido el cual comunica el GPR-UWB con un portátil que procesa los datos en Matlab. Luego se realizan mediciones de la interferencia del enlace en los A-scan generados por el radar de penetración de suelos y se analiza la viabilidad de los radio enlaces cerca de los radares de penetración de suelos. Esta investigación fue financiado por el proyecto de MEDICI del grupo de investigación EMC-UN y dentro de las instalaciones de la universidad Nacional.

La presente tesis de maestría presenta la implementación en entorno simulado de una estrategia de reducción de información y localización de objetivos, basada en el procesamiento de señales acústicas submarinas usando los métodos de Matrix Pencil (MPM) y time reversal (TR). Se realiza el análisis de relación entre la reducción de datos y la confiabilidad en la reconstrucción de señal provista por MPM para señales provenientes de barcos reales, teniendo en cuenta parámetros de tiempo de procesamiento y correlación de señal. La reducción de datos se realiza con el fin de usar de manera óptima el ancho de banda de un canal inalámbrico que facilite la comunicación entre varios sensores y un nodo central, en el que posteriormente, se realiza el proceso de localización.

Una vez determinadas las características específicas de las señales y luego de la aplicación de MPM, se busca usar la información proveniente de cada sensor para calcular la localización de los objetivos usando TR.

De igual manera se evalúa la efectividad del método considerando variaciones en las características de la reconstrucción provista por MPM y teniendo en cuenta factores de ruido aleatorio presente en el proceso de propagación de señal a través del medio.

La accidentalidad vial es un tema que siempre se desea minimizar, pero no se han aplicado técnicas tecnológicas para encontrar y entender el comportamiento vial según las distintas variables que intervienen. Por esta necesidad se genera un motivo de poder aportar a esta comprensión de la accidentalidad vial para así mismo apoyar en la mitigación y de este modo lograr salvar vidas. En este trabajo se encontrará desde las arquitectura y técnicas de extracción de los datos viales en la ciudad de Bogotá, hasta el análisis estadístico para poder comprender el comportamiento de este. Para poder llegar al análisis estadístico inicialmente se realizó una arquitectura autosostenible de recolección de datos viales en la ciudad de Bogotá a través de redes sociales. Al tener ya recolectada la información se procedió a su representación en una herramienta geográfica para su comprensión visual. Se procede a un análisis inicial de estos datos. Luego se aplican técnicas estadísticas geográficas para su análisis estadístico.

La estimación de maleza es una de las tareas más importantes durante el proceso de control de maleza, pues de esta depende la estimación de costos que deberán emplearse para proteger el cultivo, por tanto este trabajo presenta el desarrollo de un método que utiliza imágenes multiespectrales capturadas por un vehículo aéreo no tripulado y redes neuronales convolucionales para realizar la estimación porcentual de maleza en cultivos de lechuga. El método presentado tiene una exactitud del 89% y un valor-F de 94% para la detección del cultivo, con un tiempo de ejecución promedio de 0.4 segundos sin GPU y una correlación de 0.57 en la evaluación de cobertura de maleza en relación con un Ph.D en malherbología. Estos resultados indican que la tarea de estimación de maleza usando CNNs es más precisa y rápida que la realizada por expertos, pero sin alejarse del conocimiento tácito el cual es importante en la estimación de costos y recursos para el control de la maleza.

En este trabajo se presenta un sistema de lectura RFID para la detección y determinación de la dirección de movimiento de etiquetas de identificación por radiofrecuencia (RFID) instaladas en vehículos. Este sistema se centra en la adaptación de tecnología de radares secundarios, específicamente, la aplicación de técnicas monopulso utilizados en SSR (Radar Secundario de Vigilancia), a la antena de lectura. La antena monopulso se integra en los lectores RFID pasivos que funcionan en la banda ISM de 915 MHz (Industrial, Scientific and Medical) para aplicaciones de Sistemas Inteligentes de Transporte (ITS).

El sistema proporciona la dirección de movimiento de un objeto que cuenta con una

etiqueta RFID instalada, así como la lectura del código único de la etiqueta, por medio de una única antena monopulso e interrogador RFID y un sistema de detección de fase que filtra las señales recibidas por la antena e identifica el cambio de polaridad en el voltaje de la señal lo que permite determinar el sentido de movimiento de la etiqueta.

El sistema se propone para aplicaciones de Sistemas Inteligentes de Transporte (ITS), de

igual manera puede ser de utilidad en procesos de control de inventarios, logística,

sistemas de seguridad y control de acceso.

La detección de accidentes de tránsito es una estrategia importante para que los gobiernos implementen políticas que reduzcan este fenómeno. Usualmente usan técnicas como procesamiento de imágenes, dispositivos RFID, y otras. La detección en redes sociales ha surgido como una alternativa de bajo costo. Sin embargo las redes sociales presentan varios retos y desafíos como uso de lenguaje informal y falta de ortografía. Este trabajo propone un método para extraer y analizar los datos de accidentes de tránsito desde Twitter. Cuatro fases componen el método. La primera fase establece los mecanismos para obtener datos. El

segundo consiste en representar vectorialmente los mensajes y clasificarlos como accidentes

de tránsito o no. La tercera usa técnicas de reconocimiento de entidades nombradas para la detección de ubicaciones. En la cuarta estas ubicaciones pasan por un geocoder que devuelve sus coordenadas geográficas. Aplicamos este método para la ciudad de Bogotá y comparamos los datos de Twitter con la fuente oficial de tránsito, las comparaciones muestran una influencia en Twitter sobre la zona comercial e industrial de la ciudad. Los resultados revelan la efectividad de los accidentes reportados en Twitter como información adicional y su uso debe considerarse como fuentes complementarias a los métodos de detección existentes.

This work presents a framework for vehicle counting from videos, using deep neural networks as detectors. The framework has 4 stages: preprocessing, detection and classification, tracking, and post-processing. For the detection stage, several deep object detector are compared and 3 new ones are proposed based on Tiny YOLOv3.

For the tracking, a new tracker based on IOU is compared against the classic ones: Boosting, KCF, TLD, Mediaflow, MOSSE and CSRT. The comparison is based on 8 multi-object tracking metrics over the Bog19 dataset.

The Bog19 dataset is a collection of annotated videos from the city of Bogota. The annotations include bicycles, buses, cars, motorbikes and trucks. Finally, the system is evaluated for the task of vehicle counting on this dataset.

For the counting task, the combinations of the proposed detectors with the Medianflow and MOSSE trackers obtain the best results. The founded detectors have the same performance as those of the state of the art but with a higher speed.

The study of the factors involved in traffic accidents and mobility is a topic of great interest.

Since they affect the daily lives of the inhabitants of each large city. Public events, such as

concerts and sporting events, can have a major impact, due to the existence of an

increased risk of accidents in public agglomerations. This study seeks to analytically identify

the relationship between public events and traffic accidents, using data extracted from web

pages about public events held in the city of Bogota between September 2018 and July

2019. With regard to the case of traffic accidents, information was obtained from the Waze

application.

To understand the relationship between public events and accidents, a space-time analysis

for public events and traffic accidents using a variety of geostatistical techniques, a

geographic information system (GIS) and a spatial database was proposed. Among the

results obtained is the variety of the occurrence of accidents in terms of the presence or

absence of public events. The different analyses take into account the time frame of the

occurrence of the events, as well as the distance between the accident and the place of

occurrence of the Public event. Some spatial clustering techniques such as the Moran index

were used to obtain results, nearest neighbour index for the analysis of identification of

concentration or dispersion patterns and statistical methods characterising accident

behaviour.

El desarrollo del proyecto de investigación se realizó de la siguiente forma: Revisión del estado del arte con respecto a las arquitecturas actuales de los Sistemas Inteligentes de Transporte que están o se han implementado para determinar la posible solución con respecto a la medición de la velocidad media de tráfico de la ciudad. Se realiza una revisión bibliográfica con respecto a la medición de velocidad vehicular en las ciudades para posteriormente plantear una arquitectura que cumpla con los requisistos para medir velocidad media vehicular de forma satisfactoria. Después de plantear la arquitectura general del proyecto, se procede a desarrollar el prototipo tanto en hardware y software. Después del desarrollo del prototipo se realiza la validación del sistema propuesto, se caracteriza distancias, velocidades de detección y errores en la medición para corroborar que el sistema propuesto cumple con los requisitos mínimos para una aplicación SIT. Finalmente se realiza una prueba en campo donde se valida la operación total del sistema. Allí se diagnostica el comportamiento de velocidad media vehicular en un punto específico de la ciudad de Bogotá.

In this document, an in-depth analysis is carried out that will allow us to know the importance of livestock identification, giving rise to a term that is currently well known, such as the internet of things, applied to the control of livestock mobility focused on rural areas of Colombia, through the identification by RFID in low frequency. With the result obtained from this research, a model applicable to the meat sector is established, building a business opportunity, thus expanding the markets to international trade, promoting not only the country's economic development in the agricultural sector, but also applying technology to the same sector.

Vehicular flow is an important measurement to design mobility strategies in cities such as traffic light configuration, civil engineering works, and others. This variable can be determined through different manual and automatic strategies. However, some street intersections, such as traffic circles are difficult to determine their origin-destination matrix. In the case of manual strategies, it is difficult to count every single car in a mid to large-size traffic circle. On the other hand, automatic strategies can be difficult to develop because it is necessary to detect, track and count vehicles that change its position inside an intersection. This chapter presents a vehicle counting method to determine origin-destination matrix for traffic circle intersections, using two main algorithms, ”Viola-Jones”for the detection and . O n-line Boosting”for the tracking. The method is validated with an implementation applied to a top view video of a traffic circle. The video is also processed manually and finally the comparison between both results is presented.

El muestreo convencional de la cobertura ha sido una de las metodologías más usadas para cuantificar poblaciones de malezas, Sin embargo, presenta una limitación que es la subjetividad o los sesgos entre los evaluadores. Para esto se propone la creación de un software que por medio de procesamiento de imágenes multiespectrales permita calcular coberturas de maleza en áreas determinadas por el usuario. Este sistema está basado en algoritmos de clustering y máquinas de soporte vectorial que calculan el área de pıxeles detectados como componentes de maleza para obtener un porcentaje de cobertura dentro de una región de interés. Finalmente, a partir de estos datos se construyen modelos que permitan ser instalados en un sistema embebido como el Raspberry Pi que se desempeñarían como unidades centrales de un sistema autónomo con la posibilidad de realizar tareas de manera autónoma como por ejemplo la aplicación de herbicidas. Este trabajo se validó a través de expertos en malherbología que estimaron malezas visualmente y se compararon con los resultados del software, los resultados de las estimaciones humano software entregaron desviaciones estándar de hasta el 24 % entre evaluadores y software lo que da a entender que existe una diferencia muy elevada entre personas y puede impedir una evaluación precisa dentro de un muestreo de malezas sin la ayuda de herramientas tecnológicas, este tipo de información fue analizada con pruebas estadísticas. Por otro lado, se construyeron modelos de clasificación de cultivos y maleza por medio que máquinas de soporte vectorial que entregaron resultados satisfactorios con precisión superior al 90 %. Por último, se realizaron pruebas del software en un experimento agronómico real en donde se calculan coberturas de maleza dentro de un cultivo de arveja para evaluar eficacia de herbicidas, la evaluación se realizó 3 veces cada 12 días para poder obtener la cobertura de maleza alrededor del cultivo bajo los efectos de herbicidas diferentes.

Este documento presenta el proceso de diseño de un algoritmo de análisis de tráfico a través de procesamiento digital de imágenes, enfocado a la detección, seguimiento y clasificación de vehículos en vías urbanas, para realizar la medición de volumen de tráfico. Se realizó un estado del arte, a partir del cual se seleccionó un conjunto de algoritmos a probar para cada una de las secciones descritas. A partir de éstas pruebas se seleccionó un clasificador en cascada con características HAAR para la detección de carros y motocicletas de forma independiente, un filtro de Kalman para el seguimiento, y clasificación por color para taxis y una red neuronal convolucional (CNN) para clasificar los demás vehículos en bus, microbus, minivan, sedan, SUV y camión. La detección y conteo de carros de forma general y motocicletas presentó una precisión de alrededor del 95% en un condiciones climáticas promedio, y disminuyó alrededor del 75% con sol excesivo o al acercarse la noche. La detección de taxis entregó precisiones cercanas al 90% con la luz del día, disminuyendo al 66% al acercarse la noche. La clasificación detallada realizada por la CNN presentó precisiones promedio entre el 70% y el 80%, cambiando de igual manera por las condiciones de clima y luz. El costo computacional del algoritmo es lo suficientemente bajo como para ser implementado en un sistema embebido de bajo costo, permitiendo realizar procesamiento de forma local.

Este documento presenta el diseño y validación de un framework para Internet de las Cosas (IoT por sus siglas en ingles) basado en tecnología de identificación por radiofrecuencia (RFID por sus siglas en inglés). El diseño parte de una revisión del estado del arte sobre tecnologías utilizadas en aplicaciones IoT. A continuación y aplicando la metodología en V [1], típica en proyectos de investigación, se describe cada etapa del diseño compuesto por módulos de hardware y software. Finalmente, el framework desarrollado es validado aplicándolo en la monitorización de temperatura en alimentos.