Detección de Flotas Logísticas mediante Clasificación Vehicular con CNN

Este proyecto desarrolla un sistema de visión artificial especializado en la clasificación de vehículos para la optimización de flotas logísticas, utilizando técnicas de Deep Learning y Procesamiento Digital de Imágenes sobre el dataset CIFAR-10.

---

Estado del Proyecto: Evidencia 3 — Completado

Objetivos Específicos (OE)

ID	Objetivo	Estado	Avance
OE1	Analizar y preprocesar el dataset	✅ COMPLETADO	100%
OE2	Aplicar técnicas de procesamiento de imágenes (Sobel, Canny, LoG)	✅ COMPLETADO	100%
OE3	Diseñar y entrenar el modelo CNN	✅ COMPLETADO	100%
OE4	Evaluar el rendimiento del modelo	✅ COMPLETADO	100%
OE5	Cuantificar el impacto logístico (KPI)	✅ COMPLETADO	100%
OE6	Informe final	✅ COMPLETADO	100%

---

Resultados Finales

Métrica	MLP Baseline (E2)	CNN (E3)	Mejora
Accuracy	~70%	94.4%	+24.4 pp
AUC-ROC	~0.72	0.987	+0.267
F1-Score (Pesado)	~0.70	0.94	+0.24
Precision (Pesado)	—	0.94	—
Recall (Pesado)	—	0.95	—
Parámetros	~1.450.000	~424.385	3.4× menos
KPI logístico (Δ real vs pred)	—	0.9 pp	—

---

Estructura del Repositorio

.
├── ev2_veh_classifier.ipynb       # Evidencia 2: MLP baseline
├── ev3_veh_classifier_cnn.ipynb   # Evidencia 3: CNN completa (notebook principal)
├── README.md
└── informes/
    ├── E2_ProcesamientoImagenes.pdf
    └── E3_ProcesamientoImagenes.docx

---

Uso

Requisitos

pip install tensorflow tensorflow-datasets opencv-python scikit-learn matplotlib numpy

Ejecutar en Google Colab

1. Abrir ev3_veh_classifier_cnn.ipynb en Colab
2. Seleccionar Entorno de ejecución → Cambiar tipo de entorno de ejecución → GPU (T4)
3. Ejecutar todas las celdas en orden (Entorno de ejecución → Ejecutar todo)

Inferencia sobre imagen nueva

import numpy as np
from tensorflow.keras.models import load_model

modelo = load_model('ev3_cnn_vehicular_final.keras')

# imagen: array numpy (32, 32, 3) con valores float [0.0, 1.0]
img_batch    = np.expand_dims(imagen, axis=0)          # (1, 32, 32, 3)
prob_pesado  = float(modelo.predict(img_batch)[0][0])  # P(Pesado)
clase        = 'Pesado' if prob_pesado >= 0.5 else 'Liviano'
print(f'{clase}  —  confianza: {max(prob_pesado, 1-prob_pesado)*100:.1f}%')

---

Notebooks por Evidencia

Notebook	Descripción	Accuracy
ev2_veh_classifier.ipynb	MLP baseline — valida el pipeline de datos	~70%
ev3_veh_classifier_cnn.ipynb	CNN definitiva — modelo de producción	94.4%

---

Equipo

Mario Arce · Ariel Denaro · Simón Vottero
ISPC — Procesamiento de Imágenes — TSCDIA 2026
Docente: Carlos Ignacio Charletti