Propuesta metodológica para la identificación de señales de tránsito horizontales en ciclorrutas, caso práctico parque El Tunal, Bogotá.

García Galindo, Leidy Dajhanna; Jaime Támara , Oscar Fabián

Propuesta metodológica para la identificación de señales de tránsito horizontales en ciclorrutas, caso práctico parque El Tunal, Bogotá.

dc.contributor.advisor	Boada Rodríguez, Alberto
dc.contributor.advisor	Vera Parra, Danilo Alberto
dc.contributor.author	García Galindo, Leidy Dajhanna
dc.contributor.author	Jaime Támara , Oscar Fabián
dc.date.accessioned	2025-09-02T16:12:57Z
dc.date.available	2025-09-02T16:12:57Z
dc.date.created	2025-06-12
dc.description	La presente monografía desarrolla una propuesta metodológica basada en inteligencia artificial para la identificación automatizada de señales de tránsito horizontales en ciclorrutas urbanas, utilizando como caso de estudio el Parque El Tunal, en Bogotá. La metodología propuesta incluye la captura de datos en formato de video geolocalizado, el preprocesamiento de los fotogramas (frames), el entrenamiento de un modelo de detección con la arquitectura YOLOv5n (versión nano), y su posterior evaluación mediante herramientas geoespaciales. El flujo de trabajo integra componentes técnicos de visión por computador y análisis espacial, haciendo uso de la funcionalidad Full Motion Video de ArcGIS Pro para validar el desempeño del modelo en el territorio. Los resultados muestran que el modelo logra identificar correctamente varias señales horizontales, aunque también revela áreas con señalización ausente o deteriorada, lo que evidencia la utilidad de la herramienta para procesos de diagnóstico urbano. Se identifican oportunidades de mejora en la calidad y cantidad del conjunto de datos utilizado para el entrenamiento, así como en la diversificación de los entornos evaluados, a fin de robustecer la capacidad de generalización del modelo. Como conclusión principal, se establece que la metodología propuesta es viable, replicable y aporta un enfoque innovador para el monitoreo de señalización vial, combinando inteligencia artificial y análisis geoespacial aplicado a la gestión de infraestructura ciclista.
dc.description.abstract	This monograph develops an artificial intelligence-based methodological proposal for the automated identification of horizontal traffic signs on urban cycle paths, using El Tunal Park in Bogotá as a case study. The proposed methodology includes data capture in geolocated video format, frame preprocessing, training of a detection model using the YOLOv5n architecture (nano version), and its subsequent evaluation using geospatial tools. The workflow integrates technical components of computer vision and spatial analysis, making use of the Full Motion Video feature of ArcGIS Pro to validate the model's performance in the terrain. The results show that the model correctly identifies several horizontal signs, although it also reveals areas with missing or deteriorated signage, demonstrating the tool's usefulness for urban diagnostic processes. Opportunities for improvement are identified in the quality and quantity of the dataset used for training, as well as in the diversification of the evaluated environments, in order to strengthen the model's generalization capacity. The main conclusion is that the proposed methodology is viable, replicable, and provides an innovative approach to road sign monitoring, combining artificial intelligence and geospatial analysis applied to bicycle infrastructure management.
dc.format.mimetype	pdf
dc.identifier.uri	http://hdl.handle.net/11349/98774
dc.publisher	Universidad Distrital Francisco José de Caldas
dc.relation.references	Amazon Web Services. (s.f.). ¿Qué es una red neuronal? https://aws.amazon.com/es/what-is/neural-network/
dc.relation.references	Arellano, J. (2023). Sistema de reconocimiento de señales mexicanas de tránsito preventivas mediante aprendizaje de máquinas. [Tesis de pregrado, Universidad Autónoma de Querétaro]. https://ri-ng.uaq.mx/handle/123456789/907
dc.relation.references	Babić, D., Babić, D., Fiolic, M., y Ferko, M. (2022). Road Markings and Signs in Road Safety. Encyclopedia, 2(4), 1738-1752. https://doi.org/10.3390/encyclopedia2040119
dc.relation.references	Benjdira, B., Koubaa, A., Azar, A., Khan, Z., Ammar, A., y Boulila, W. (2022). TAU: A framework for video-based traffic analytics leveraging artificial intelligence and unmanned aerial systems. Revista Engineering Applications of Artificial Intelligence Direct. https://www.sciencedirect.com/science/article/abs/pii/S0952197622002408
dc.relation.references	Bobillo, G. (2024). Desarrollo de un modelo de IA para la detección y el reconocimiento de señales de tráfico en imágenes. [Tesis de pregrado, Universidad de Valladolid]. https://uvadoc.uva.es/handle/10324/69188
dc.relation.references	Cacao, M. (2024). Sistema de detección de señales de tránsito mediante visión por computador. [Tesis de pregrado, Universidad Estatal Península de Santa Elena]. https://repositorio.upse.edu.ec/handle/46000/10823
dc.relation.references	Chalmers, C., Fergus, P., Montanez, C., Longmore, S., y Wich, S. A. (2021). Video analysis for the detection of animals using convolutional neural networks and consumer-grade drones. Revista Unmanned Vehicle Systems, 9(2), 112-127. https://doi.org/10.1139/juvs-2020-0018
dc.relation.references	Duan, R., Deng, H., Tian, M., Deng, Y., & Lin, J. (2022). SODA: A large-scale open site object detection dataset for deep learning in construction. Revista Automation in Construction, 142, 104499. https://doi.org/10.1016/j.autcon.2022.104499
dc.relation.references	González, R. (2024). Analizando el Impacto de Modelos Preentrenados con Deep Learning en Tareas de Visión Artificial [Tesis de pregrado, Universidad Politécnica de Madrid]. https://oa.upm.es/82677/1/TFG_RUBEN_GONZALEZ_VELASCO.pdf
dc.relation.references	Holdsworth, J., & Scapicchio, M. (2024). ¿Qué es el deep learning? IBM. https://www.ibm.com/es-es/think/topics/deep-learning
dc.relation.references	Hong, S., Han, Y., Kim, S., Lee, A., & Kim, G. (2019). Application of Deep-Learning Methods to Bird Detection Using Unmanned Aerial Vehicle Imagery. Sensors, 19(7), 1651. https://doi.org/10.3390/s19071651
dc.relation.references	Kim, P., & Youn, J. (2024). Performance Evaluation of an Object Detection Model Using Drone Imagery in Urban Areas for Semi-Automatic Artificial Intelligence Dataset Construction. Revista Sensors, 24(19), 6347. https://doi.org/10.3390/s24196347
dc.relation.references	Lin, K., Zhao, H., Lv, J., Li, C., Liu, X., Chen, R., y Zhao, R. (2020). Face Detection and Segmentation Based on Improved Mask R-CNN. Revista Discrete Dynamics In Nature And Society, 2020, 1-11. https://doi.org/10.1155/2020/9242917
dc.relation.references	Pacheco, D. (2017). Drones en espacios urbanos: Estudio de caso en parques, jardines y patrimonio arquitectónico de Cuenca. Estoa. Revista de la Facultad de Arquitectura y Urbanismo , 6 (11), 159-168. https://doi.org/10.18537/est.v006.n011.a12
dc.relation.references	Padilla, R., Passos, W., Dias, T., Netto, S., & Da Silva, E. (2021). A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit. Revista Electronics, 10(3), 279. https://doi.org/10.3390/electronics10030279
dc.relation.references	Parra, E. (2022). Caracterización y Análisis de los Modelos de Reconocimiento de Imágenes Mediante Redes Neuronales Convolucionales [Tesis de pregrado, Universidad Distrital Francisco José de Caldas]. https://repository.udistrital.edu.co/server/api/core/bitstreams/0842471b-33ba-4c99-9a6f-58bcf07beacc/content
dc.relation.references	Personería de Bogotá. (2023). Falencias en el inventario, caracterización y estado del espacio público peatonal en la capital, advierte la Personería de Bogotá. https://www.personeriabogota.gov.co/sala-de-prensa/notas-de-prensa/item/1161-falencias-en-el-inventario-caracterizacion-y-estado-del-espacio-publico-peatonal-en-la-capital-advierte-la-personeria-de-bogota
dc.relation.references	RAC 100 de 2024. [Unidad Administrativa Especial de Aeronáutica Civil] Operación De Sistemas De Aeronaves No Tripuladas UAS. Diciembre de 2024.
dc.relation.references	Ragab, M., Abdulkadir, J., Muneer, A., Alqushaibi, A., Sumiea, E., y Qureshi, (2024). A Comprehensive Systematic Review of YOLO for Medical Object Detection (2018 to 2023). Revista IEEE Access, 12, 57815-57836. https://doi.org/10.1109/access.2024.3386826
dc.relation.references	Redmon, J., & Farhadi, A. (2018, 8 abril). YOLOV3: an incremental improvement. arXiv.org. https://arxiv.org/abs/1804.02767
dc.relation.references	Saito, T., & Rehmsmeier, M. (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. Revista PLoS ONE, 10(3), e0118432. https://doi.org/10.1371/journal.pone.0118432
dc.relation.references	Secretaría Distrital de Movilidad. (2023). La ciudad se consolida como un referente mundial en el uso y promoción de la bicicleta. https://www.movilidadbogota.gov.co/web/noticia/la_ciudad_se_consolida_como_un_referente_mundial_en_el_uso_y_promocion_de_la_bicicleta
dc.relation.references	Trigka, M., y Dritsas, E. (2025). A Comprehensive Survey of Deep Learning Approaches in Image Processing. Revista Sensors, 25(2), 531. https://doi.org/10.3390/s25020531
dc.relation.references	Ultralytics. (2025). YOLO11 NEW. https://docs.ultralytics.com/es/models/yolo11/
dc.relation.references	Ultralytics. (2025b). Home. https://docs.ultralytics.com/es/
dc.relation.references	Vijayakumar, A., y Vairavasundaram, S. (2024). YOLO-based Object Detection Models: A Review and its Applications. Revista Multimedia Tools And Applications, 83(35), 83535-83574. https://doi.org/10.1007/s11042-024-18872-y
dc.relation.references	Yu, D., Yang, J., Zhang, Y., y Yu, S. (2020). Additive DenseNet: Dense connections based on simple addition operations. Revista Intelligent & Fuzzy Systems, 40(3), 5015-5025. https://doi.org/10.3233/jifs-201758
dc.relation.references	Zheng, Z., Wang, P., Liu, W., Li, J., Ye, R., y Ren, D. (2019). Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression. arXiv.org. https://arxiv.org/abs/1911.08287
dc.rights.acceso	Abierto (Texto Completo)
dc.rights.accessrights	OpenAccess
dc.subject	Ciclorruta
dc.subject	Inteligencia artificial
dc.subject	YOLO
dc.subject	Señales de tránsito horizontal
dc.subject	Fotogramas
dc.subject	Videos geolocalizados.
dc.subject.keyword	Bike route
dc.subject.keyword	Artificial Intelligence
dc.subject.keyword	YOLO
dc.subject.keyword	Horizontal traffic signs
dc.subject.keyword	Photograms
dc.subject.keyword	Geolocated Videos
dc.subject.lemb	Especialización en Sistemas de Información Geográfica -- Tesis y disertaciones académicas
dc.subject.lemb	Señales de tráfico
dc.subject.lemb	Vías ciclistas
dc.subject.lemb	Inteligencia artificial
dc.subject.lemb	Análisis espacial
dc.title	Propuesta metodológica para la identificación de señales de tránsito horizontales en ciclorrutas, caso práctico parque El Tunal, Bogotá.
dc.title.alternative	Identificación de señales de tránsito
dc.title.titleenglish	Methodological proposal for the identification of horizontal traffic signs on cycle paths, case study El Tunal Park, Bogotá.
dc.type	bachelorThesis
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.degree	Monografía

Archivos

Bloque original

Mostrando 1 - 3 de 3

Nombre:: GarciaGalindoLeidyDajhanna2025.pdf
Tamaño:: 1.41 MB
Formato:: Adobe Portable Document Format

Descargar

Nombre:: GarciaGalindoLeidyDajhanna2025Anexos.zip
Tamaño:: 482.28 KB
Formato:

Descargar

Nombre:: Licencia de uso y publicación.pdf
Tamaño:: 170.09 KB
Formato:: Adobe Portable Document Format

Descargar

Bloque de licencias

Mostrando 1 - 1 de 1

Nombre:: license.txt
Tamaño:: 7 KB
Formato:: Item-specific license agreed upon to submission
Descripción:

Descargar

Colecciones

Especialización en Sistemas de Información Geográfica