Un marco híbrido basado en CNN-ViT para la detección automática de acciones de tráfico en ciudades inteligentes

Es crucial detectar automáticamente accidentes de tráfico y situaciones peligrosas de manera oportuna y precisa. De este modo, se garantizará la seguridad individual y se harán contribuciones significativas a la eficiencia económica y a la vida urbana sostenible. Millones de personas mueren en accidentes de tráfico cada año. Esta situación también impone una carga adicional a los sistemas de salud y llevará a muchas consecuencias indeseables. La detección temprana de eventos como la densidad de tráfico, accidentes y cierres de carreteras acelera los procesos de respuesta a emergencias, regula el flujo de tráfico y previene accidentes secundarios. Por lo tanto, los sistemas automáticos apoyados por inteligencia artificial se destacan como un componente clave de las ciudades inteligentes. Este estudio tiene como objetivo detectar automáticamente accidentes de tráfico y situaciones de tráfico. Para este propósito, se realizó la extracción de características con cinco modelos basados en Redes Neuronales Convolucionales (CNN) y cinco modelos basados en Transformadores de Visión (ViT). Luego, las características obtenidas de estos modelos fueron evaluadas en diferentes clasificadores. El modelo ViT y el modelo CNN, que produjeron los resultados más exitosos, sirvieron como base para el modelo propuesto. Las características obtenidas del mejor modelo ViT y del modelo CNN se combinaron para reunir diferentes características de la misma imagen. Luego, estas características fueron clasificadas en ocho categorías diferentes utilizando varios clasificadores. Se observó que el modelo propuesto produjo resultados más exitosos que los diez modelos cuyas resultados preliminares fueron obtenidos en el estudio. El valor de precisión del modelo propuesto fue del 96.88%. Este valor es prometedor para estudios futuros y juega un papel estratégico en términos de sostenibilidad y mejora de la calidad de vida en ciudades inteligentes.