Segmentación de Superficies Viales Mediante Visión IA

Resumen

La detección automatizada de superficies viales a partir de secuencias de video representa un desafío en la visión por computadora debido a interferencias del entorno. En este trabajo se desarrolló un sistema de segmentación de imágenes combinando técnicas de procesamiento digital y redes neuronales deep learning para la identificación de la región vial en aplicaciones automotrices. La metodología inició con la creación de un dataset de 646 imágenes extraídas a partir de video, las cuales fueron normalizadas a 128 x 128 píxeles. Posteriormente, se aplicó un algoritmo de segmentación por umbralización de color BGR para aislar la calzada y generar las máscaras objetivo. Con estos datos se entrenó un modelo convolucional de codificadordecodificador (Encoder-Decoder) a lo largo de 60 épocas. Como resultado, la red neuronal alcanzó una precisión (Accuracy) superior al 95% y una función de pérdida reducida en validación, aislando eficazmente la superficie del camino y descartando elementos externos como vegetación y vehículos. Este flujo de trabajo establece una base sólida para sistemas de percepción visual en asistencia a la conducción y navegación autónoma.

Este trabajo establece una base sólida para sistemas de percepción visual y navegación autónoma. Los resultados obtenidos demuestran que el procesamiento previo mediante la umbralización BGR optimiza significativamente la etapa de segmentación de imágenes, permitiendo la codificador-decodificador aprenda características viales de una manera eficiente a pesar de tamaño compacto de los fotogramas (128x128) pixeles. Asimismo, la estabilidad de la función de perdida a lo largo de las 60 épocas de entrenamiento confirma que la red neuronal no presenta sobreajuste, validando la precisión del modelo en la visión por computadora enfocada al área automotriz.

El hecho de que la función de perdida de convergiera sin oscilaciones durante las 60 épocas confirma estabilidad y una correcta inicialización de la red neuronal, este sistema no solo muestra un margen de error mínimo también proyecta una solución altamente viable para entornos con recursos limitados.

Esto abre una pauta a futuras implementaciones en sistemas de inteligencia artificial bajo el procesamiento de secuencias de video, que en tiempo real, mantenga los estándares internacionales de seguridad en vehículos de navegación autónoma. [3], [4].