Demelsa González
MARKETING MANAGER
22 noviembre, 2022.
Comparte
El uso del aprendizaje profundo (deep learning) en la analítica de vídeo mejora la seguridad y la movilidad en las ciudades. Presentamos siete ejemplos.
Una ciudad es tan inteligente como la tecnología que utilice para mejorar su eficiencia y el uso que dé a los datos que genera. En el campo de la videoseguridad, las cámaras de videovigilancia distribuidas en las vías públicas recogen imágenes que los algoritmos de aprendizaje profundo pueden convertir en información valiosa, clasificándolas por tipología y comportamiento.
Esta clasificación, que se extrae en tiempo real y de forma automática, puede definirse en función de distintas reglas. El resultado es un conjunto de datos que permite generar alertas y planificar los recursos de una ciudad para mejorar la seguridad y la movilidad de sus ciudadanos.
En la práctica, el análisis de imágenes mediante la inteligencia artificial (IA), en concreto, a través de deep learning, puede usarse en las ciudades en los siguientes casos:
Índice de contenido
1. Proteger zonas de interés
Cualquier monumento o edificio puede convertirse en el objetivo de un criminal y es mucho más práctico prevenir robos o actos vandálicos que lidiar con las consecuencias.
Los sistemas tradicionales de detección de intrusos distinguen movimiento, tamaño y ubicación, pero no reconocen el tipo de objeto ni otros aspectos importantes.
La tecnología de aprendizaje profundo puede llegar a detectar, con un alto nivel de precisión, personas en actitud sospechosa, como personas deambulando durante un tiempo alrededor de un edificio. Esta actitud se conoce como «merodeo» y la inteligencia artificial es capaz de captarla y de generar una alarma que active un protocolo de inspección.
2. Evitar atascos
La gestión inadecuada de las congestiones en las ciudades puede provocar accidentes de tráfico o el aumento de la polución.
Mediante el conteo y la clasificación de vehículos, la analítica del tráfico rodado permite generar alertas en caso de que se supere un umbral definido. El análisis de las estadísticas también es importante. Conocer el tiempo de permanencia medio de los vehículos, así como los días y horas de mayor afectación, permite planificar la movilidad en una ciudad en base a decisiones bien informadas.
Entre otras medidas, permite mejorar el control de los semáforos y habilitar o cambiar el sentido de los carriles de circulación.
“DEEP LEARNING” paso a paso
Cómo evitar botellones con el aprendizaje profundo
- El Ayuntamiento instala el procesador de imágenes de Lanaccess en el videograbador conectado a la cámara que vigila un parque público. El procesador contiene el algoritmo informático llamado LAVA-DENSITY, una porción de código programado para detectar el nivel de ocupación en un espacio concreto.
- Gracias a la técnica de aprendizaje del algoritmo, este es capaz de examinar patrones, distinguir personas en movimiento y contabilizarlas. La técnica se llama «aprendizaje profundo» (deep learning) porque permite reconocer, sin supervisión humana y progresivamente, patrones de conducta extraídos de un número de imágenes ingente.
- Programado para enviar alarmas, el sistema avisará al centro de control si detecta un número alarmante de personas en un espacio delimitado virtualmente.
- El centro de control decidirá si mandar una patrulla para desalojar el parque.
3. Mejorar el tráfico en rotondas
Los vehículos tienen que interactuar continuamente en estos nodos de movilidad, a menudo congestionados.
La analítica avanzada detecta si la rotonda está siendo transitada por peatones, y puede extraer datos estadísticos sobre el tipo de vehículos que entra, el tiempo que tardan en cruzarla y las principales vías de salida.
Además, el algoritmo de aprendizaje profundo ayudará a encontrar la mejor estrategia para conseguir un patrón de tráfico fluido y seguro.
4. Multar infracciones graves
A medida que aumenta el tráfico, aumentan los infractores.
El algoritmo puede detectar faltas graves de vehículos que pongan en riesgo la seguridad vial, como aquellos que circulen en dirección contraria al sentido de la vía o realicen un giro indebido.
El sistema envía una alarma a la Jefatura de Tráfico acompañada de la imagen del vehículo cometiendo la infracción.
5. Controlar el tránsito de patinetes
La circulación indebida de los patinetes o que sus conductores no usen casco supone un gran riesgo para la seguridad y un problema creciente en las ciudades.
Mediante el aprendizaje profundo, la analítica puede clasificar los vehículos que circulan según su tipología, entre ellos, los patinetes.
En las zonas más transitadas, pueden designarse efectivos de tráfico que velen por que se respete la ordenanza sobre el uso de estos medios de transporte.
6. Alertar de persona o vehículo parado en paso a nivel
Un paso a nivel es un lugar donde una vía de tren cruza un camino o carretera sin que haya un túnel o un puente que los separe. A pesar de que estas zonas están protegidas por barreras, los pasos a nivel representan un riesgo en las ciudades, acrecentado por el comportamiento impredecible de conductores y peatones.
Un modelo de detección inteligente integra la tecnología de aprendizaje profundo con el sistema de videovigilancia para poder localizar objetos parados en pasos a nivel y envía alarmas al centro de control en tiempo real.
7. Evitar aglomeraciones
Contar objetos en movimiento en una secuencia de vídeo es una de las tareas más sencillas que puede desempeñar un algoritmo inteligente.
Una de las aplicaciones podría ser controlar la generación de manifestaciones o agrupaciones masivas no autorizadas, como los botellones. Si se supera el umbral de ocupación máxima definida, el sistema envía una alerta en tiempo real al centro de control que puede enviar efectivos al lugar del evento.
Las ciudades se vuelven cada vez más tecnológicas con el propósito de mejorar la calidad de vida de sus ocupantes. Nuestra analítica está programada para servir en este empeño, con algoritmos diseñados para aplicarse en todos los casos de uso mencionados en el artículo.
