«Sistema de Clasificación de Vehículos de Carga mediante la Detección de Ejes», se denomina la presentación del Trabajo Final de Grado (TFG) que presentó la ahora ingeniera Magdalena Magalí Vázquez Torales, como última prueba para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La exitosa defensa del trabajo se realizó el martes 21 de Julio en la Institución.

En la actualidad el conteo vehicular es una de las propuestas de solución para la problemática de la congestión del tránsito utilizando varias tecnologías integradas entre sí para la toma de decisiones analizando una gran cantidad de datos tomados de la congestión vehicular presentada en las vías de circulación, lo cual está relacionado con la disminución de la velocidad de circulación de los vehículos y que afecta a la rigidez y la resistencia a fatiga de la capa asfáltica. El procesamiento de imágenes es una herramienta bastante utilizada para el control vehicular en carreteras y en puestos de peaje para una posterior clasificación de los vehículos. Varios algoritmos desarrollados para la detección y el conteo vehicular utilizan técnicas de visión artificial, como la sustracción de fondo, seguimiento de características, detección de bordes basados en la transformada rápida de Hough (FHT), descriptores de histogramas de gradientes (HOG), segmentación de imágenes y clasificadores HaarCascade, a fin de obtener de manera cuantificada la cantidad de vehículos que transitan en diferentes vías y caminos. El problema presente con los algoritmos basados en visión artificial es que presentan una baja precisión y una alta tasa de confusión con respecto a otros objetos presentes en las imágenes, como por ejemplo identificar a un tanque de gasolina de forma circular como a una rueda del vehículo. Los avances en visión artificial se han potenciado bastante al incorporar a su funcionamiento el aprendizaje profundo, y ambos se han ido perfeccionando a través de un algoritmo particular: la red neuronal convolucional, que se ha demostrado es una de las herramientas que presentan el mejor rendimiento a la hora de clasificar, localizar y detectar varios objetos presentes en imágenes.

En el Trabajo Final de Grado (TFG) se presentó un sistema capaz de detectar camiones y los ejes que poseen utilizando Redes Neuronales Convolucionales (RNC) para luego realizar una clasificación de los camiones en función a la cantidad de ejes detectados en cada uno. La propuesta final utilizada en el sistema contiene dos RNC de detección de objetos, una para detección de camiones y otra para detección de ejes. Ambas redes fueron seleccionadas bajo un Puntaje de Selección (PS) aplicado a cada modelo entrenado.