Auditoría visual vehicular mediante Deep Learning: un pipeline modular de Computer Vision aplicado al parque automotor y la infraestructura vial en Argentina

Esta tesis desarrolla un pipeline modular de Computer Vision para la extracción de información estructurada a partir de video vehicular capturado en condiciones no controladas, aplicado al contexto específico del tránsito y la infraestructura vial argentina. El trabajo demuestra que arquitecturas basadas en YOLO y Transfer Learning pueden desplegarse con hardware accesible y producir resultados de valor operativo real para múltiples tipos de actores públicos y privados. Se presentan cuatro casos de aplicación desarrollados como pruebas de concepto sobre contrapartes reales, todos instancias del mismo pipeline modular adaptado a distintos dominios. El primero es la detección y clasificación de vehículos en video de tránsito con aplicación directa a organismos de control vial y operadores de estacionamientos. El segundo es la identificación de marca, modelo y color del parque automotor argentino, núcleo del sistema de auditoría ante vehículos clonados: para esto se construyó un dataset original de 44.530 imágenes de 12.901 vehículos únicos distribuidos en 30 modelos de alta siniestralidad, obtenido mediante web scraping de una plataforma web de publicación de autos usados y nuevos, recurso que no existía previamente para el contexto local. Sobre ese dataset, el clasificador de marca-modelo alcanzó un Top-1 Accuracy de 99,07% y Top-5 de 99,92% y el clasificador de color alcanzó 89,5% de Accuracy global. El tercer caso es la detección e inventario automático de señales viales, desarrollada para un estudio de ingeniería civil reutilizando íntegramente el mismo pipeline, con un detector que alcanzó un mAP50 de 99,0%. El cuarto es la detección en dominio ojo de pez, orientada a sistemas embarcados en vehículos, que adapta el mismo pipeline al desafío de invarianza traslacional que surge por la distorsión radial de estas lentes, alcanzando un mAP50 de 52,6% en entrenamiento nativo sin preprocesamiento geométrico. El aporte central de la tesis trasciende los cuatro casos de aplicación: demuestra que la misma arquitectura modular, sin rediseño estructural, puede adaptarse a dominios radicalmente distintos cambiando únicamente los datos de entrenamiento. Como aporte adicional, la construcción del dataset de vehículos de una plataforma web de publicación de vehículos establece una metodología replicable para cualquier categoría de objeto en mercados emergentes donde no existen datos públicos disponibles.

Grantor dc:publisher

Universidad Torcuato Di Tella

Year dc:date.issued

2026

Author dc:creator

• Granato, Nicolás

Advisor dc:contributor.advisor

• Pousa, Federico

• Inteligencia artificial
• Análisis de datos
• Innovación tecnológica
• Sistemas Expertos; Artificial intelligence; Data analysis; Technological innovation; Expert systems

Statement dc:rights

• info:eu-repo/semantics/openAccess

Language dc:language

spa

Repository record dc:identifier.uri

https://repositorio.utdt.edu/handle/20.500.13098/14418

OAI identifier oai:identifier

oai:repositorio.utdt.edu:20.500.13098/14418