Compartilo:

La herramienta combina un software “inteligente” con las cámaras de monitoreo existentes en los municipios. Los accidentes viales son una de las principales causas de muerte en nuestro país y en el mundo.

El año pasado se registraron en Argentina más de 7.274 fallecimientos en calles y rutas, lo que arroja un estremecedor promedio de 15 muertes por día en accidentes de tránsito. Y otro dato alarmante: más del 40 por ciento de esos casos fatales corresponden a siniestros protagonizados por motociclistas. Números rojos que ponen de manifiesto la necesidad urgente de mejorar las políticas de Estado en materia de seguridad vial. En 2019, las víctimas fatales en accidentes de tránsito en nuestra Región asciende a 69, en lo que va del 2019. En todo el país, la estadística estará recién para marzo de 2020 pero creen que no distará de la cifra del 2018.

Frente a este escenario, investigadores de la Universidad Nacional de La Plata desarrollaron una herramienta informática que combina un software “inteligente” con las cámaras de monitoreo existentes en los municipios, para detectar motociclistas sin casco.

A partir de la tecnología denominada Machine Learning, es posible diferenciar a aquellos conductores de moto que no llevan protección.La información puede ser utilizada para advertir en tiempo real a los agentes de tránsito ubicados en las cercanías, pero además resulta un insumo de enorme valor estadístico para el diseño e implementación de políticas públicas en materia de seguridad vial.

El licenciado Juan Marra, director del Centro Superior para el Procesamiento de la Información (CeSPI) de la Universidad Nacional de La Plata explicó: “Machine Learning, es un conjunto de técnicas que permiten que la computadora “aprenda” a hacer cosas automáticamente en base a ejemplos que se le proveen, sin que un individuo le tenga que decir cómo hacerlo”.

La idea es utilizar las cámaras de video vigilancia, algo que en los municipios abunda, y aprovechar esa capacidad instalada utilizándola con otros propósitos.

El licenciado Alejandro Ferraresso, especialista de la UNLP en este tipo de desarrollos, detalló: “lo primero que se hace es entrenar un modelo para que logre identificar, de todo aquello que pasa por delante de la cámara, qué es un motociclista y que no. Luego se entrena un segundo modelo para que identifique quien tiene casco y quién no. Para entrenar a estos sistemas existen distintos tipos de tecnologías; en este caso que se trabaja con imágenes, utilizamos un tipo de modelo conocido como redes neuronales”.

“Se trata de redes especificas llamadas convolucionales, es un tipo de red neuronal artificial donde las neuronas corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria de un cerebro biológico”.

Y agregó: “después de armar estos dos modelos, se elabora una aplicación, que captura las imágenes de las cámaras de video y luego cada determinado periodo de tiempo ejecuta los modelos entrenados. El primer modelo recorta las imágenes que interesan, en este caso, separa las motos de los otros elementos que puedan aparecer. Después, el segundo modelo separa los motociclistas con cascos de los que no lo utilizan, ya sea el conductor o el acompañante”.

Sin necesidad de que una persona esté físicamente observando las cámaras en forma permanente, el sistema por si solo logra la identificación y procesa los datos. Gracias al entrenamiento, puede discernir con plena efectividad entre una moto -de cualquier tipo, modelo y color- de otro medio de transporte similar, como por ejemplo una bicicleta o un caballo. Del mismo modo puede diferenciar si una persona lleva casco o no, aun cuando el conductor tenga puesta alguna prenda similar en la cabeza, como un gorro, un pasamontaña o incluso un casco de ciclista.

Marra señaló que “utilizamos modelos que existen, que están a disposición en el mercado. Lo que hacemos es adaptar lo que esos modelos saben hacer a lo que nosotros necesitamos que hagan; de esta manera además bajamos el costo del desarrollo. Se trata de una transferencia de conocimiento: por ejemplo, se toma un modelo que está entrenado para detectar animales y se lo direcciona -se le enseña- a detectar motos”.

“La realidad es que la mayoría de los municipios poseen cámaras de seguridad en cantidad, por lo que no es necesario realizar una gran inversión económica para poner a funcionar este desarrollo. En el caso de los municipios con mayor cantidad de población, la información obtenida resulta fundamental para realizar un relevamiento estadístico preciso y en base a estos datos elaborar políticas de gobierno tendientes a mejorar y optimizar las estrategias de seguridad vial”.

Respecto a la posibilidad de comenzar a implementar este desarrollo, Marra adelantó que ya se iniciaron gestiones para realizar pruebas pilotos con las municipalidades de La Plata, Almirante Brown y Lomas de Zamora.