Modelo inteligente adaptativo fundamentado en redes neuronales convolucionales para mejorar la seguridad vial y prevenir accidentes de tránsito, en las avenidas, Arenales y Cusco, Ayacucho, 2025
No Thumbnail Available
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Nacional de San Cristóbal de Huamanga
Abstract
La presente investigación diseñó, entrenó y validó un modelo inteligente adaptativo de segmentación de instancias basado en redes neuronales convolucionales para la detección en tiempo real de doce categorías de elementos críticos de la vía pública en las avenidas Arenales y Cusco de Ayacucho, entorno urbano andino a 2,761 m sobre el nivel del mar caracterizado por reductores de velocidad artesanales que incumplen la Directiva N° 01-2011-MTC/14, señalización deteriorada, semáforos desprogramados, imprudencia peatonal y transporte informal no regulado que incluye al mototaxi como vehículo predominante. Se construyó un conjunto de datos híbrido de 25,602 imágenes con 127,525 instancias integrando 4,598 capturas originales del entorno ayacuchano con el mototaxi como clase local exclusiva y tres conjuntos de datos internacionales (BDD100K, BSTLD y RLMD), etiquetados mediante LabelMe asistido por SAM2 en doce categorías y divididos en proporciones 70/20/10. Se implementó YOLOv8L-seg con entrenamiento progresivo en tres fases de resolución creciente (640, 800 y 1,024 píxeles) mediante aprendizaje por transferencia desde COCO, alcanzando mAP50 Box de 0.810 y mAP50 Mask de 0.778, con una mejora acumulada de 30.7 puntos porcentuales respecto a la primera fase. La comparación multi-arquitectura con la familia YOLO26 (nano, small y large) identificó a YOLO26L-seg como el modelo de mayor desempeño, con mAP50 Box de 0.829 y mAP50 Mask de 0.788, superando a YOLOv8L-seg en nueve de las doce clases. Se desarrolló el software QHAWAY ADAS, que integra estimación de distancias por modelo geométrico de cámara monocular, cálculo del tiempo estimado de colisión, seguimiento de múltiples objetos y alertas de voz en español peruano, operando entre 19.2 y 25.4 fotogramas por segundo. Se concluye que las arquitecturas de aprendizaje profundo con entrenamiento progresivo constituyen una herramienta viable para la detección automatizada de elementos viales en el entorno urbano andino informal de Ayacucho.
Description
Keywords
Modelo inteligente, Redes neuronales, Seguridad vial, Prevención, Accidentes de tránsito
