Sistema Detector de Señaléticas Viales
Plataforma: Ubuntu y PostgreSQL Tipo: Proyecto Cerrado Fecha: 2022 Enlace: No disponible
Resumen
Este proyecto tuvo como objetivo automatizar la detección y clasificación de señaléticas viales utilizando videos georreferenciados capturados en terreno.
La solución fue diseñada para reducir significativamente el tiempo requerido para revisar material audiovisual y generar reportes sobre el estado y ubicación de señales de tránsito.
El sistema combinaba procesamiento de video, visión computacional, georreferenciación y una plataforma web capaz de presentar los resultados de forma visual y estructurada.
Además de participar en el desarrollo técnico, asumí el rol de líder técnico dentro del equipo, siendo responsable del diseño de la API, entrenamiento de modelos, puesta en producción de la solución y coordinación técnica frente al cliente.
Referencias Visuales
Imagen representativa del proyecto
La siguiente imagen resume el objetivo principal de la solución: detectar automáticamente señaléticas viales y asociarlas a una ubicación geográfica específica.
Contexto
Las inspecciones viales suelen requerir la revisión manual de grandes volúmenes de imágenes y videos capturados desde vehículos en movimiento.
Cuando estas revisiones se realizan manualmente, el proceso puede ser lento, costoso y difícil de escalar.
El proyecto buscaba transformar videos georreferenciados en información estructurada capaz de responder preguntas como:
- ¿Qué señal fue detectada?
- ¿Dónde se encuentra?
- ¿Existe evidencia visual de la detección?
- ¿Cuál es su clasificación?
Problema
El cliente necesitaba automatizar la identificación de señaléticas viales utilizando registros audiovisuales capturados en terreno.
La solución debía ser capaz de:
- Procesar videos completos.
- Detectar señales de tránsito.
- Clasificar automáticamente cada señal.
- Asociar las detecciones a una ubicación geográfica.
- Presentar los resultados mediante una plataforma web.
- Permitir la incorporación progresiva de nuevas categorías.
Uno de los principales desafíos era que no existía un conjunto completo de ejemplos para todas las señaléticas posibles, por lo que la solución debía construirse de forma incremental.
Arquitectura General
Solución
La plataforma permitía cargar uno o varios videos georreferenciados para ser procesados de forma automática.
Una vez recibido un video, el sistema realizaba las siguientes etapas:
- Extracción de fotogramas.
- Obtención de información geográfica.
- Detección de señales de tránsito.
- Clasificación de la señal detectada.
- Estimación de ubicación geográfica.
- Generación de evidencia visual.
- Almacenamiento y visualización de resultados.
La solución fue diseñada inicialmente para reconocer las 20 categorías más frecuentes presentes en los datos disponibles.
Desde el inicio se contempló una estrategia de mejora continua mediante incorporación de nuevos ejemplos y reentrenamiento progresivo de los modelos.
Estimación Geográfica de Señaléticas
Uno de los desafíos más interesantes del proyecto fue determinar la ubicación aproximada de cada señal detectada.
La información geográfica disponible correspondía a la posición del vehículo al momento de capturar el fotograma, pero no a la ubicación exacta de la señal.
Para resolver este problema desarrollé una estrategia que consideraba:
- Posición geográfica del vehículo.
- Dirección de desplazamiento.
- Orientación de la cámara.
- Posición relativa de la señal dentro de la imagen.
A partir de estos elementos se calculaba una ubicación aproximada para la señal detectada.
Aunque existen enfoques más sofisticados basados en Sistemas de Información Geográfica (GIS), la precisión obtenida resultó suficientemente exacta para los requerimientos operacionales del cliente.
Modelo Conceptual
Mi Participación
Participé como líder técnico dentro del equipo de desarrollo.
Mis responsabilidades incluyeron:
- Diseño y construcción de la API.
- Diseño de la arquitectura de procesamiento.
- Entrenamiento y refinamiento de modelos.
- Integración de la plataforma completa.
- Puesta en producción.
- Coordinación técnica con el equipo.
- Participación en reuniones y presentaciones frente al cliente.
- Resolución de desafíos asociados a georreferenciación y procesamiento de video.
Este proyecto combinó desarrollo backend, visión computacional, arquitectura de sistemas y liderazgo técnico.
Flujo Operacional
Desafíos Técnicos
El proyecto presentó múltiples desafíos técnicos:
Procesamiento de Video
Fue necesario diseñar un pipeline capaz de procesar grandes cantidades de fotogramas de forma eficiente.
Georreferenciación
La ubicación de la señal debía inferirse a partir de la posición y orientación del vehículo.
Integración de Sistemas
La solución involucraba:
- Plataforma web.
- API.
- Procesamiento de video.
- Modelos de visión computacional.
- Base de datos.
- Sistema de visualización.
Disponibilidad de Datos
La cantidad de ejemplos disponibles condicionaba el número de categorías que podían ser detectadas con un nivel adecuado de precisión.
Esto obligó a adoptar una estrategia progresiva de crecimiento del dataset y mejora continua de los modelos.
Tecnologías Utilizadas
- Python
- PostgreSQL
- Ubuntu
- API REST
- Visión Computacional
- Procesamiento de Video
- Georreferenciación
- Machine Learning
- SCRUM
- Kanban
Resultados
La solución permitió:
- Automatizar la revisión de videos georreferenciados.
- Detectar y clasificar señaléticas viales.
- Asociar detecciones a ubicaciones geográficas.
- Generar evidencia visual de cada hallazgo.
- Integrar los resultados dentro de una plataforma web.
- Establecer una base técnica para incorporar nuevas categorías mediante reentrenamiento.
Lo que Aprendí
Este proyecto reforzó una lección importante sobre proyectos de inteligencia artificial: la calidad y cobertura de los resultados depende directamente de la calidad y cobertura de los datos disponibles.
La solución fue diseñada para evolucionar progresivamente mediante la incorporación de nuevos ejemplos y reentrenamiento continuo.
La experiencia me permitió comprender la importancia de alinear expectativas de negocio con la realidad de los datos disponibles, especialmente en escenarios donde no existe un conjunto completo y previamente etiquetado de todas las categorías posibles.
También fue una experiencia relevante en liderazgo técnico, coordinación de equipos y comunicación directa con clientes.
Viéndolo en Retrospectiva
Mirando el proyecto años después, considero que fue una de mis primeras experiencias liderando técnicamente una solución completa de visión computacional en un entorno profesional.
Más allá de los modelos de detección, el verdadero desafío consistió en construir una plataforma integral capaz de procesar videos reales, integrar información geográfica, almacenar resultados y presentar información útil para los usuarios finales.
La experiencia también reforzó una idea que posteriormente volvería a encontrar en otros proyectos de inteligencia artificial: los modelos pueden seguir mejorando indefinidamente, pero el éxito de una solución depende en gran medida de la disponibilidad de datos representativos y de una estrategia sostenible para ampliar su cobertura en el tiempo.
Información Adicional
Por razones de confidencialidad no se incluyen detalles específicos sobre clientes ni información contractual asociada al proyecto.
Las imágenes utilizadas corresponden a material anonimizado y se presentan únicamente con fines ilustrativos.