CAF – Contador de personas pasajeras basado en visión artificial
CAF
Sector: Movilidad
Business Case
Se propone desarrollar un contador de personas pasajeras basado en visión artificial. Actualmente, se dispone de un sensor infrarrojos por puerta para el conteo de personas pasajeras. En general, cada funcionalidad necesita de sensórica independiente. Se desea buscar una solución integral que aúne diferentes funcionalidades en una única solución.
Objetivos
El objetivo del caso de uso es doble: por una parte, desarrollar un contador de personas pasajeras basado en visión que mejore el sistema actual de conteo basado en infrarrojos, y por otra parte, generar un único sistema inteligente escalable capaz de integrar diferentes funcionalidades.
Use case
Por una parte, se plantea definir el set-up de cámaras y de ordenadores a bordo de forma óptima y factible. Por otra parte, se propone desarrollar una solución (basada en microservicios) agnóstica a la arquitectura y fácilmente escalable. El despliegue se de realizar a bordo del tren.
Infraestructura
Edge On Premise Cloud
Tecnologías utilizadas
Aprendizaje profundo Reconocimiento/procesamiento de imágenes
Datos utilizados
Los datasets son privados. Contienen imágenes generadas por cámaras de ojo de pez con dato sensible (rostros de personas). Es necesario considerar la ley de protección de datos.
Recursos utilizados
A nivel organizativo ha sido necesario 1 jefe de proyecto, 1 técnico de HW (cámaras y computación) y 2 técnicos de SW (visión artificial y microservicios). Desarrollo técnico principalmente por Vicomtech, y validación técnica, requisitos y viabilidad por parte de CAF.
Dificultades y aprendizaje
La gran dificultad que hemos tenido ha sido cumplir con la ley de protección de datos. En problemas de visión el gran cuello de botella es el etiquetado. Trabajar con microservicios hace que la solución sea agnóstica de arquitectura y fácilmente escalable. Esta tecnología es válida siempre y cuando no necesitemos baja latencia. No es necesario generar las inferencias para cada frame.
KPIs (impacto en el negocio y métricas del modelo)
mAP (mean Average Precision): En este caso al tener una sola clase (persona) equivale al AP (Detección), Precisión (Detección), Recall (Detección), Counting accuracy (Tracking), Frame rate de inferencias (Percepción), Message processing Frequency (Kafka).
Financiación
El proyecto ha sido financiado por el programa de Red Guipuzcoana de Ciencia, Tecnología e Innovación.
Colaboradores
Vicomtech
