Determinación experimental del pipeline óptimo de transformación y clasificación de imágenes sobre el dataset PKLot

Abstract

En este trabajo se estableció como objetivo principal encontrar el mejor modelo predictivo procesando el dataset PKLot mediante técnicas de machine learning, para determinar automáticamente y en tiempo real las plazas de parqueo disponibles en un parqueadero institucional. Se siguió una metodología experimental en donde se seleccionó los datos relacionados de acuerdo con el entorno en el que se trabaja, estos datos son manipulados para lograr obtener la solución. En principio, escoger una muestra fue esencial para obtener resultados válidos en cada experimentación realizada. Estos resultados dependieron de las técnicas elegidas, asegurando que el experimento se realizó correctamente y que los resultados obtenidos son un reflejo de lo que es el mundo real, ayudando a la sociedad a mejorar su vida de la mejor manera posible. Para determinar definitivamente con qué algoritmos se trabajó, se utilizó el dataset más pequeño, debido a que los algoritmos deberían ser capaces de clasificar los dataset en el menor tiempo posible, mostrando como resultado que 16 algoritmos fueron efectivos. Por último, al combinar los 3 mejores filtros no fue mejor que al utilizar un solo filtro, como se observó no se halló una mejora significativa con relación al utilizar un solo filtro. Se tomó la decisión de mantener el filtro gris, una vez que se finalizó la experimentación se obtuvo el mejor dataset, el mejor algoritmo y el mejor filtro, como el mismo dataset PKLot con filtro Gris se creó el modelo, y por último se integró en el proyecto DAPLP. En conclusión, se obtuvo el mejor modelo predictivo con un 99.41% de clasificación, capaz de procesar cualquier cantidad de datos, determinando automáticamente en tiempo real las plazas de parqueo disponibles en una institución.