Iulen Iturrizaga López; IdomMikel Zendoia Zuloaga; Idom Ane Miren Capetillo Arranz; Diputación Foral de Gipuzkoa

1. IntroducciónEl transporte de vehículos de transporte de

Mercancías Peligrosas por el interior de lostúneles es un tema sobre el cual tanto laDirectiva Europea 2004/54/CE sobre requisitosmínimos de seguridad en túneles de la redtranseuropea de carreteras, como el AcuerdoEuropeo sobre el transporte internacional decargas peligrosas por vía terrestre (ADR),muestran una especial sensibilización.

En concreto, la normativa de seguridad entúneles indica que sólo se permitirá el paso deeste tipo de transportes si un Análisis deRiesgos lo avala mientras que el ADR exigeclasificar los túneles en distintas clases enfunción del tipo de mercancías que puedentransportarse en su interior, desviando el restode transportes por vías alternativas, en funciónde los resultados de un análisis de riesgos.

En este sentido, en el año 2013 la DiputaciónForal de Gipuzkoa, con la asistencia técnica deIdom, llevó a cabo una prueba piloto paradeterminar la fiabilidad real de diversossistemas de detección, clasificación eidentificación automática de transportes deMMPP a la entrada del túnel de Argisao enZumarraga (Gipuzkoa), así como el rendimiento

del sistema en la detección, clasificación eidentificación de otros vehículos.

El presente artículo muestra los resultadosobtenidos así como algunas de las conclusionesobtenidas y lecciones aprendidas de la pruebapiloto realizada.

2. Instalación y condiciones dela pruebaEn primer lugar, el presente apartado explica

los sistemas que se utilizaron para las pruebasasí como las condicione en que sedesarrollaron.

2.1. Lugar seleccoinado para larealización de la prueba

La ubicación seleccionada para la ubicaciónde la prueba piloto es el pórtico existente a laentrada del túnel de Argisao en el municipio deZumarraga, en sentido Bergara. La velocidadmáxima de los vehículos en este tramo es de120 km/h.

2.2. Sistemas incluidos en la pruebaEn la prueba se han comparado entre sí los

siguientes 4 sistemas:

Seguridad

febrero 2014

54

Sistema automático paradetección, clasificación eidentificación devehículos de transportede Mercancías Peligrosaspor carretera

idom_102-105.qxd 14/03/14 13:25 Página 1

Sistema 1: Sistema de reconocimientopor visión artificial con autotrigger:

1 cámara con procesamiento de imagen parala detección de los vehículos (el sistema norealiza clasificación de vehículos ligeros ypesados).

1 cámara con procesamiento de imagen parareconocimiento de matrículas y vehículos deMMPP.

1 iluminador infrarrojo activado por eltrigger.

1 servidor de procesamiento propio.

Sistema 2: Sistema de reconocimientopor visión artificial con trigger mediantecortina láser:

1 cortina láser para detección y generacióndel trigger.

1 cámara con procesamiento de imagen paraclasificación, reconocimiento de matrículas yvehículos de MMPP.

1 iluminador infrarrojo activado por el trig-ger.

Sistema 3: Sistema de reconocimientopor visión artificial con trigger mediantehaz láser:

1 sensor láser de distancia para detección,clasificación y generación del trigger.

1 cámara para reconocimiento de matrículasy vehículos de MMPP

1 iluminador infrarrojo activado por eltrigger.

1 servidor de procesamiento propio.

Sistema 4: Sistema de reconocimientopor visión artificial con trigger mediantecortina láser:

1 cortina láser para detección y generacióndel trigger.

1 cámara con procesamiento de imagen paraclasificación y reconocimiento de matrículas

1 cámara con procesamiento de imagen paravehículos de MMPP.

1 iluminador infrarrojo activado por eltrigger.

2.3. Condiciones de la pruebaCon el fin de obtener el mayor número

posible de tránsitos de vehículos quetransportasen MMPP, en diversas condicionesmeteorológicas, se tomaron datos durante 4días, en diversas franjas horarias:

4 horas en horario nocturno. 4 horas en un día lluvioso/Nieve durante el

amanecer. 4 horas en un día lluvioso/Nieve durante el

anochecer. 4 horas en un día despejado durante el

amanecer. 4 horas en un día despejado durante el

anochecer.

De esta forma, se auditaron 3.668 tránsitosde vehículos que no transportaban mercancíaspeligrosas y 61 que sí lo hacían durante lasfranjas horarios indicadas entre el 1/03/2013 yel 15/03/2013.

Seguridad

febrero 2014

55

Figura 1: Ubicación de la prueba piloto

Figura 2: Instalación realizada

idom_102-105.qxd 14/03/14 13:25 Página 2

3. Resultados obtenidos

3.1. Identificación de mercancíaspeligrosas

Los resultados obtenidos se recogen en lasiguiente tabla (MAT se refiere a matrículasnormales y MAT MMPP a las placas naranja):

De los datos recogidos se obtienen lassiguientes conclusiones:

El sistema 1 sólo es capaz de reconocer el74% de los tránsitos, no obstante de loobservado, en caso de obtener la informa-ción, comete muy pocos errores (en lamuestra 0%).

El sistema 2 sólo recoge un 62% de los trán-sitos correctamente, no detecta un 34% yreconoce erróneamente el 4% restante.

El sistema 3 reconoce el 93% de los tránsi-tos. No obstante formatea mal las clases depeligro agregándoles siempre un “5” al final.Este dato se ve reflejado en el bajísimo nivelde acierto reflejado. El instalador del sistemaindica que se debe a un fallo en la agregaciónsuperior de los datos en el servidor añadidoy no del propio producto.Si excluyésemos este error en el formato, elsistema 3 sería capaz de detectarcorrectamente un 90% de los tránsitos, nodetectaría un 6% de éstos y detectaría demanera incorrecta un 3%.

El sistema 4 no sería capaz de reconocercorrectamente más allá del 16% de losvehículos.

El principal problema para todos los sistemases el no reconocimiento (Sistema 3: 6,56%,Sistema 1: 26,23%, Sistema 2: 34,43% y Sistema4 50,83%). No obstante, por norma general, encaso de que se detecte el tránsito, los sistemasgeneran poco error.

En la siguiente gráfica se muestra unacomparativa de los resultados obtenidos:

Una vez indicado esto, es necesarioconsiderar que los resultados arriba expuestossólo tienen en cuenta aquellos transportes deMMPP identificados en su placa naranja con suscódigos de peligro (o código Kemler) y ONU.No obstante, existen algunos transportes quellevan una placa naranja sin numeración yninguno de los sistemas instalados es capaz dereconocer la placa naranja si ésta no llevacódigos. En la siguiente fotografía se observaalgún caso:

Por regla general, los vehículos han de estaridentificados en su parte delantera y posterior(con numeración). No obstante existen algunoscasos que se corresponden generalmente avehículos transportando varias materias,cisternas etiquetadas y otras que constituyen

Seguridad

febrero 2014

56

Figura 3: Comparativa de sistemas deidentificación de mercancías peligrosas

Figura 4: Ejemplos de placas naranja sinnumeración

idom_102-105.qxd 14/03/14 13:25 Página 3

una excepción a esta norma general. Este tipode tránsitos, según estadísticas recogidas envarias carreteras de Gipuzkoa en 2012, ascendíaal 25% de los tránsitos totales.

En la siguiente gráfica se muestra cómoquedarían los resultados si se aplicase eseporcentaje sobre los resultados obtenidos:

3.2. Identificación y clasificación deotros vehículos

Además de los datos asociados a lostransportes de MMPP, también se ha analizado elcomportamiento de los sistemas para detectar,clasificar e identificar vehículos que notransportan MMPP a partir de los 3.668 tránsitosrecogidos durante las franjas horarias analizadas.

3.2.1. Identificación de placas dematrículas

En la siguiente figura se muestran losresultados obtenidos en relación a la capacidadde los sistemas para reconocer correctamentelas matrículas de los vehículos.

Se considera que el sistema que mejorresultados ha ofrecido es el sistema 1, que

ha obtenido un porcentaje de acierto globaldel 91%.

Tal y como se puede observar, la principalfuente de error de estos sistemas es laincorrecta identificación de los vehículospesados. Para el sistema 1, las principales fuentesde error en la identificación de vehículospesados han sido las siguientes:

No reconocido: Matrícula en correcto estado: 6,69%. Matrícula parcialmente oculta: 6,69% Matrícula completamente oculta o inexisten-

te: 1,67%. Matrícula en mal estado: 1,11%.

Fallo del OCR: Mal reconocido algún caracter: 6,41%. Algún caracter de más o de menos: 5,01% El sistema devuelve correctamente la matrí-

cula del remolque, no del vehículo: 2,51%. Matrícula en mal estado: 1,39%. Lectura de otra parte del vehículo (teléfonos,

información comercial, etc…): 0,84%. Identificación del vehículo transportado en

una grúa y no la grúa en sí: 0,28%.

Fallo de formato: El sistema devuelve varios tránsitos, al menos

uno correcto: 4,74% El sistema devuelve correctamente la matrí-

cula más el remolque: 3,06%.

Con respecto a los vehículos ligeros elnivel de acierto es mucho mayor, siendo engeneral las principales fuentes de error lapresencia algún caracter añadido o sustraído(1,78%), algún caracter erróneo (1,48%) y elno reconocimiento estando la matrícula bien(1,36%). El resto de errores suman menosdel 1%.

3.2.2. Clasificación de vehículosEn la siguiente gráfica se muestran los

resultados obtenidos por los distintos sistemasde clasificación (ligeros/pesados) utilizados:cortina láser, reconocimiento software delsistema 2 y el láser del sistema 3.

El sistema de 1 no se ha incluido dado que, adía de hoy no permite una asociación tránsito atránsito de la clase del vehículo con lainformación de matrículas recogidas (sólopermite datos medios).

Seguridad

febrero 2014

57

Figura 5: Comparativa de sistemas deidentificación de MMPP con error de no

reconocimiento de placas neutras

Figura 6: Comparativa de sistemas deIdentificación de Matrículas

idom_102-105.qxd 14/03/14 13:25 Página 4

Así mismo, el sistema de 4 tampoco secompara puesto que, por sí mismo, no aportainformación acerca de la clase, dependiendo dela cortina láser completamente.

La cortina láser es muy precisa en ladefinición de la clase de vehículo. Así mismo, elláser del sistema 3 también ha obtenidoresultados satisfactorios.

En el caso del sistema 2, la clasificación nollega al 90% y es especialmente errónea en losvehículos pesados (27%).

La principal fuente de errores atribuidos a lacortina láser son los siguientes:

No reconocimiento: 1,88%. La mayoría deestos errores se deben a que el vehículo noreconocido, antes de traspasar la vertical delpórtico, circulaba por otro carril y estabarealizando una maniobra de cambio de carrilen el momento en que el vehículo traspasadicha vertical.

Error en la clasificación: 0,22%.

4. Lecciones aprendidasDe los resultados obtenidos se han

detectado algunos puntos de mejora quepodrían hacer que los resultados obtenidosmejorasen: Instalación frontal. Ubicación del pórtico. Mejora de la iluminación. Mejora de la sincronización trigger – cámara. Mejora del post-procesado de la información. Optimización de la calibración e instalación.

Con respecto a las propuestas de mejora, seobserva claramente que el sistema 4 rinde por

debajo del resto de sistemas, por lo tanto no serealizan propuestas de mejora sobre dichosistema puesto que se consideracompletamente inviable para aplicaciones enautovía.

4.1. Instalación frontalSe ha observado que gran parte de los fallos

de los sistemas se deben al deficientereconocimiento de los vehículos pesados. Estetipo de vehículos presentan el problema de quemuchos tienen las matrículas parcial ototalmente ocultas en su parte trasera, enestado de conservación deficiente de formaque dificultan el trabajo del motor OCR.

También se ha observado que, las matrículasdelanteras de dichos vehículos generalmenteestán en mejor estado de conservación y sobretodo, no están ocultas por la carga quetransportan.

Con los resultados obtenidos por lossistemas, se podrían obtener unas mejorasentorno a lo siguiente:

Sistema 1: entorno al 10% de mejora en vehí-culos pesados y 1,40% en general.

Sistema 2: entorno a un 12% en vehículospesados y 2% en general.

Sistema 3: 13,5% en vehículos pesados y1,75% en general.

4.2. Ubicación del pórticoOtro punto que conviene comentar es que

el pórtico disponible se encuentra en unasección de calzada donde existe un carril deincorporación. Este carril genera varios tipos decruces que se deberían evitar para la instalacióna largo plazo de sistema de este tipo:

Cambios de carril desde el carril de acelera-ción al carril lento donde se ha realizado laprueba.

Cambios de carril desde el carril lento alrápido para dejar sitio a vehículos proceden-tes del carril de aceleración.

Este tipo de tránsitos, tal y como se haobservado en las estadísticas, genera máserrores de reconocimiento. Si se eligiese unaubicación sin presencia de enlaces el número devehículos cambiando de carril disminuiría

Seguridad

febrero 2014

58

Figura 7: Comparativa de sistemas declasificación de vehículos

idom_102-105.qxd 14/03/14 13:25 Página 5

(idealmente sólo vehículos que se dispongan aadelantar) y por lo tanto se mejoraría elrendimiento general entorno a un 2%.

4.3. Mejora de la iluminaciónExisten varios casos, especialmente notables

en el caso de los sistemas 1 y 3, en los que haexistido una sobre-iluminación de la escena. Enla siguiente fotografía se muestra un ejemplo.

Este hecho dificulta la labor del motor OCRlo cual genera fallos en la lectura de loscaracteres de la matrícula (bien reconociendomal un carácter concreto, añadiendo o quitandocaracteres).

Es posible que, en la instalación realizada, elhecho de haber instalado 3 sistemas deiluminación distintos pueda haber influido enestos errores.

Se estima que en torno a un 11% de los fallosdel motor OCR observados se deben a problemasde iluminación. En base a esto si se realizasenmejoras en este punto se podrían obtener lassiguientes mejoras en rendimientos generales:

Sistema 1: 0,45%. Sistema 2: 0,35%. Sistema 3: 0,75%.

4.4. Mejora de la sincronizaciónTrigger-cámara

Otro de los puntos en los que se handetectado un amplio margen de mejora es enla sincronización del trigger con la obtenciónde la imagen.

Tal y como se ha explicado en la explicaciónde los sistemas instalados, los sistema 2, 3 y 4

requieren de un sistema de trigger externo(cortina láser para los dos primeros, y láser dedistancia para el último).

El número de errores de no reconocimientodebido a este punto ha ido en aumento a lolargo de la prueba piloto, especialmente en elsistema de 2.

Se estima que entorno al 10% de losvehículos no reconocidos por los sistemas contrigger externo se deben a que la obtención dela fotografía no se realiza correctamente y seobtiene una imagen sin vehículo o el vehículomuy alejado. Este punto es especialmenteimportante en horario nocturno al estarasociado el disparo del iluminador. En lasiguiente imagen se observa un ejemplo detrigger mal sincronizado:

Tal y como se puede observar, pese a que elsistema de identificación y clasificación obtieneinformación del tránsito, el sistema dereconocimiento no puede obtener ningún datodado que la imagen la obtiene cuando no hayningún vehículo.

Si se optimizase esta sincronización, conayuda de las herramientas de configuración delos sistemas, se podrían obtener las siguientesmejoras estimadas de rendimiento:

Sistema 2: mejora general del 0,87%

Sistema 3: mejora general del 1,35 %.

El sistema 1, al no tener un trigger externono podría optimizarse de este modo.

Seguridad

febrero 2014

59

Figura 8: Matrícula sobre iluminada

Figura 9: Imagen obtenida con trigger malsincronizado

idom_102-105.qxd 14/03/14 13:25 Página 6

4.5. Mejora del post-procesado de lainformación

Otro de los errores que se ha identificadoespecialmente en vehículos pesados es unincorrecto formateo de la informaciónrecogida.

Este tipo de errores son los siguientes: Varios tránsitos: con el mismo tránsito real

se identifican varios tránsitos distintos sien-do al menos uno correcto.

En el caso de vehículos pesados, es bastan-te habitual que se identifique un tránsitocon la matrícula del vehículo y otro para elremolque.

También se ha observado algún caso en quese producen más tránsitos debidos a la iden-tificación de la placa de matrícula y otrainformación como teléfonos o informacióncomercial del propio vehículo.

Obtención de datos del vehículo y remolque:se obtiene ambos datos y se separan con uncaracter de retorno de carro.

Obtención de la matrícula del remolque envez del vehículo.

Este último error tiene una resolución másdifícil, puesto que no se obtiene la informacióndel propio vehículo, no obstante, los otros dospuntos se podrían solventar mediante un post-procesado automático de la información. Lasmejoras estimadas podrían ser entorno a:

Sistema 1: 8,08% sobre los vehículos pesadosy 1,23% en general.

Sistema 2: 0,84% sobre los vehículos pesadosy 0,16% en general.

Sistema 3: 0,85% sobre los vehículos pesadosy 0,15% en general.

Mención aparte merece el problema delsistema 3 a la hora de reconocer las clases depeligro de las placas de MMPP comentadoanteriormente, fácilmente resoluble que lepermitiría pasar del 6% al 90%, es decir, un 84%de mejora.

4.6. Optimización de la calibración einstalación

Finalmente, se estima que con los datosrecogidos, y tras un proceso de análisis de lainformación los resultados se podrían obteneralgunas mejoras en el rendimiento por causasdiferentes a las comentadas anteriormente.

Por ejemplo, si se modificasen los ángulos dela instalación de los sistemas 1 y 3, se podríanmejorar los ratios de reconocimiento devehículos (especialmente pesados y ligeros tipotodoterreno o con remolque).

Así mismo, con respecto al sistema 1, se haobservado que parte de los problemas de faltade reconocimiento de algún caracter se debena que el vehículo aparece cortado y por lo tantono se observa dicho carácter. Se podría ajustarla posición de las cámaras para intentarminimizar este punto.

La mejora en base a estos parámetros esdifícil de cuantificar y se estima que podríaoscilar entre el 0 y el 1% a nivel general.

4.7. Detección de placas demercancías peligrosas vacías

Con respecto a esta carencia detectada enlos sistemas probados, la única solución que seestima viable sería utilizar productoscomerciales que incorporen esta funcionalidaddentro de sus características.

De consultas realizadas a otros fabricantes,sólo existiría un sistema que dispondría de unalgoritmo de identificación capaz de resolvereste punto.

5. ConclusiónLa presente prueba ha permitido comprobar

el funcionamiento de diversos sistemas dedetección, clasificación e identificación devehículos, prestando especial atención a los quetransportan MMPP, así como analizar surendimiento en condiciones reales y con un altonivel de exigencia tanto con respecto alemplazamiento como a las condicionesmeteorológicas de la prueba, de cara a evaluarlas posibles aplicaciones que permitiría laimplantación de este tipo de sistemas.

www.idom.com

Seguridad

febrero 2014

60

idom_102-105.qxd 14/03/14 13:25 Página 7