Español
Inglés
Sistema Informático con Inteligencia Artificial para la Seguridad de los Vehículos de la Uleam Extensión El Carmen Computer System with Artificial Intelligence for Vehicle Security at the El carmen Extension University (ULEAM)
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente artículo documenta el desarrollo y la implementación de un sistema informático con inteligencia artificial para la seguridad vehicular en la Universidad Laica Eloy Alfaro de Manabí (ULEAM), Extensión El Carmen. Ante la problemática de un control de acceso ineficiente y la percepción de inseguridad por parte de la comunidad, el objetivo principal fue diseñar e implementar una solución tecnológica que automatice la identificación vehicular y mejore la gestión del campus. Para ello, se empleó una metodología de investigación cuantitativo-descriptiva, utilizando el modelo de desarrollo en cascada para garantizar la calidad y la secuencialidad del proyecto. El núcleo del sistema es un modelo de reconocimiento automático de matrículas (ANPR) basado en una arquitectura YOLOv8, que fue entrenado y optimizado con un conjunto de datos local de matrículas ecuatorianas para lograr un rendimiento óptimo. Los resultados técnicos obtenidos en un sitio de pruebas controlado demostraron la eficacia del sistema, con una precisión de detección del 88.2% y una precisión de reconocimiento del 95.1%. Estos valores superan el rendimiento de sistemas similares en la literatura. Por otro lado, una encuesta a 150 miembros de la comunidad universitaria confirmó la necesidad de la solución, mostrando que el 73.3% percibe la seguridad actual como "Regular" o "Insegura". Asimismo, un 96.6% de los encuestados manifestó que un sistema de IA mejoraría la seguridad. El análisis de eficiencia también arrojó resultados significativos, indicando que el tiempo de procesamiento de acceso vehicular se reduce de un promedio de 15 segundos a solo 3 segundos con el nuevo sistema
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Asaju, C. B., Owolawi, P. A., Du, C., & Van Wyk, E. (2025). Enhancing Security with Automated Boom Gate Access Through License Plate Recognition Utilising YOLOv8 Model. En R. Stahlbock & H. R. Arabnia (Eds.), Data Science (pp. 181-197). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-85856-7_15
Chen, H., Shi, X., Liu, M., & Chen, C. (2024). A Chinese License Plate Recognition System based on OpenCV for complex environments. Procedia Computer Science, 243, 1265-1272. https://doi.org/10.1016/j.procs.2024.09.149
Chung, M.-A., Lin, Y.-J., & Lin, C.-W. (2024). YOLO-SLD: An Attention Mechanism-Improved YOLO for License Plate Detection. IEEE Access, 12, 89035-89045. https://doi.org/10.1109/ACCESS.2024.3419587
Derrouz, H., Alami, H., & Rabie, R. (2025). MLPR: YOLOv3 for Real-Time License Plate Recognition in Moroccan Video Streams. IEEE Access, 13, 21956-21965. https://doi.org/10.1109/ACCESS.2025.3532538
Elattar, T. A., Ahmed, Y. A., Salem, M. A.-M., & Afifi, S. M. (2025). Egyptian motorcycle and vehicle license plate recognition. Neural Computing and Applications, 37(20), 15255-15276. https://doi.org/10.1007/s00521-025-11302-6
Khan, M. G., Salma, Saeed, M., Zulfiqar, A., Ghadi, Y. Y., & Adnan, M. (2022). A Novel Deep Learning Based ANPR Pipeline for Vehicle Access Control. IEEE Access, 10, 64172-64184. https://doi.org/10.1109/ACCESS.2022.3183101
Kul, S., Kumcu, S., & Sayar, A. (2024). Docker Container-Based Framework of Apache Kafka Node Ecosystem: Vehicle Tracking System by License Plate Recognition on Surveillance Camera Feeds. International Journal of Intelligent Transportation Systems Research, 22(2), 290-297. https://doi.org/10.1007/s13177-024-00392-6
Li, M., Wang, Z.-Q., Zhao, Y.-H., & Li, Q. (2025). License Plate Recognition for Smart Construction Sites Based on GMH-YOLO. IEEE Access, 13, 89760-89774. https://doi.org/10.1109/ACCESS.2025.3569101
Luo, S., & Liu, J. (2022). Research on Car License Plate Recognition Based on Improved YOLOv5m and LPRNet. IEEE Access, 10, 93692-93700. https://doi.org/10.1109/ACCESS.2022.3203388
Moussaoui, H., Akkad, N. E., Benslimane, M., El-Shafai, W., Baihan, A., Hewage, C., & Rathore, R. S. (2024). Enhancing automated vehicle identification by integrating YOLO v8 and OCR techniques for high-precision license plate detection and recognition. Scientific Reports, 14(1), 14389. https://doi.org/10.1038/s41598-024-65272-1
Mustafa, T., & Karabatak, M. (2024). Real Time Car Model and Plate Detection System by Using Deep Learning Architectures. IEEE Access, 12, 107616-107630. https://doi.org/10.1109/ACCESS.2024.3430857
Pradhan, G., Prusty, M. R., Negi, V. S., & Chinara, S. (2025). Advanced IoT-integrated parking systems with automated license plate recognition and payment management. Scientific Reports, 15(1), 2388. https://doi.org/10.1038/s41598-025-86441-w
Seo, T.-M., & Kang, D.-J. (2022). A Robust Layout-Independent License Plate Detection and Recognition Model Based on Attention Method. IEEE Access, 10, 57427-57436. https://doi.org/10.1109/ACCESS.2022.3178192
Shafi, I., Hussain, I., Ahmad, J., Kim, P. W., Choi, G. S., Ashraf, I., & Din, S. (2022). License plate identification and recognition in a non-standard environment using neural pattern matching. Complex & Intelligent Systems, 8(5), 3627-3639. https://doi.org/10.1007/s40747-021-00419-5
Shashirangana, J., Padmasiri, H., Meedeniya, D., & Perera, C. (2021). Automated License Plate Recognition: A Survey on Methods and Techniques. IEEE Access, 9, 11203-11225. https://doi.org/10.1109/ACCESS.2020.3047929
Shi, H., & Zhao, D. (2023). License Plate Recognition System Based on Improved YOLOv5 and GRU. IEEE Access, 11, 10429-10439. https://doi.org/10.1109/ACCESS.2023.3240439
Sonnara, F., Chihaoui, H., & Filali, F. (2025). Efficient real-time license plate recognition using deep learning on edge devices. Journal of Real-Time Image Processing, 22(4), 159. https://doi.org/10.1007/s11554-025-01738-3
Usama, M., Anwar, H., & Anwar, S. (2025). Vehicle and license plate recognition with novel dataset for toll collection. Pattern Analysis and Applications, 28(2), 57. https://doi.org/10.1007/s10044-025-01443-8
Vizcarra, C., Alhamed, S., Algosaibi, A., Alnaeem, M., Aldalbahi, A., Aljaafari, N., Sawalmeh, A., Nazzal, M., Khreishah, A., Alhumam, A., & Anan, M. (2024). Deep learning adversarial attacks and defenses on license plate recognition system. Cluster Computing, 27(8), 11627-11644. https://doi.org/10.1007/s10586-024-04513-4
Wang, Z., Zheng, L., & Li, G. (2025). Design of Enhanced License Plate Information Recognition Algorithm Based on Environment Perception. IEEE Access, 13, 38609-38627. https://doi.org/10.1109/ACCESS.2025.3544634
Zhang, S., Jiang, Q., Li, H., Cao, B., & Fan, J. (2024). PURP: A Scalable System for Predicting Short-Term Urban Traffic Flow Based on License Plate Recognition Data. Big Data Mining and Analytics, 7(1), 171-187. https://doi.org/10.26599/BDMA.2023.9020017
Zhong, S., & Liu, X. (2025). A Safety Detection Method for Electric Bike Riding Incorporating License Plate Region Recognition. IEEE Access, 13, 124556-124568. https://doi.org/10.1109/ACCESS.2025.3588506