Sistema automático de acceso vehicular para intersecciones mineras mediante YOLOv10 y el algoritmo de seguimiento BYTETrack

Abstract

La gestión de tráfico en intersecciones mineras requiere innovación para optimizar la seguridad y eficiencia operacional. Actualmente, el tránsito vehicular es gestionado manualmente mediante cámaras y tranqueras. Esta investigación presenta un sistema automático de gestión vehicular usando algoritmos de detección y seguimiento de objetos, considerando la prioridad de paso y la distancia vehicular. Para la propuesta, se creó una base de datos de ocho clases de vehículos, permitiendo entrenar y evaluar siete detectores de objetos y tres seguidores de objetos. Los prototipos físicos incluyeron la torre de monitoreo y los módulos de control de vías, integrados mediante una red que combina radioenlace, LoRa, WiFi, Ethernet y MQTT. Para las pruebas, el programa de control se implementó en una computadora con GPU GTX 1650 Ti. Mediante el detector YOLOv10 y el seguidor BYTETrack se alcanzó un HOTA de 68.4 % y una velocidad media de ejecución de 9.7 ciclos por segundo para cuatro flujos de video. También se alcanzaron puntajes F1 de 81.7 %, 17.1 %, 74.7 % y 56.8 % para las clases automóvil, camión, bus y custer respectivamente. Asimismo, se consiguió una latencia de ida y vuelta máxima de 1.5 segundos en la comunicación con los módulos de control y que estos aperturen la vía correspondiente en el 100 % de los 7 casos presentados.Traffic management at mining intersections requires innovation to optimize safety and operational efficiency. Currently, vehicle traffic is managed manually using cameras and gates. This research presents an automated vehicle management system using object detection and tracking algorithms, accounting for crossing priority and vehicle distance. For this proposal, a database of eight vehicle classes was created to train and evaluate seven object detectors and three object trackers. The physical prototypes included a monitoring tower and lane control modules, integrated through a network combining radio link, LoRa, WiFi, Ethernet, and MQTT. For testing, the control program was implemented on a computer equipped with a GTX 1650 Ti GPU. Using the YOLOv10 detector and the BYTETrack tracker, the system achieved a Higher Order Tracking Accuracy (HOTA) of 68.4 % and an average execution speed of 9.7 cycles per second across four video streams. Furthermore, F1 scores of 81.7 %, 17.1 %, 74.7 %, and 56.8 % were achieved for the car, truck, bus, and custer classes, respectively. Additionally, a maximum round-trip latency of 1.5 seconds was recorded in communication with the control modules, which successfully opened the corresponding lanes in 100 % of the 7 test cases presented.