Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 409
Sistema Inteligente de Control de Acceso Vehicular Mediante
Reconocimiento Automático de Placas para el Tecnm Campus
Tuxtepec
Intelligent Vehicle Access Control System through Automatic License Plate
Recognition for TecNM Tuxtepec Campus
María Luisa Acosta Sanjuán
maria.as@tuxtepec.tecnm.mx
https://orcid.org/0000-0003-0450-2836
Tecnológico Nacional de México - Instituto Tecnológico de Tuxtepec
Tuxtepec, Oaxaca – México
Julio Aguilar Carmona
julio.ac@tuxtepec.tecnm.mx
https://orcid.org/0009-0005-1967-9783
Tecnológico Nacional de México - Instituto Tecnológico de Tuxtepec
Tuxtepec, Oaxaca – México
Tomás Torres Ramírez
tomas.tr@tuxtepec.tecnm.mx
https://orcid.org/0009-0003-1486-2787
Tecnológico Nacional de México - Instituto Tecnológico de Tuxtepec
Tuxtepec, Oaxaca – México
María de los Ángeles Martínez Morales
maria.mm@tuxtepec.tecnm.mx
https://orcid.org/0009-0006-1544-9769
Tecnológico Nacional de México - Instituto Tecnológico de Tuxtepec
Tuxtepec, Oaxaca – México
María de Lourdes Hernández Martínez
maria.hm@tuxtepec.tecnm.mx
https://orcid.org/0009-0005-4834-1626
Tecnológico Nacional de México - Instituto Tecnológico de Tuxtepec
Tuxtepec, Oaxaca – México
Artículo recibido: 22/11/2025
Aceptado para publicación: 25/12/2025
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 410
RESUMEN
En este artículo se propone un sistema de control de acceso vehicular para le Instituto
Tecnológico de Tuxtepec (TecNM-Tuxtepec), basado en tecnologías modernas de
reconocimiento automático de placas (ALPR/ANPR). Se describe la arquitectura del sistema,
componentes de hardware y software, técnicas de detección y reconocimiento de placas
basadas en redes neuronales (por ejemplo, YOLOv8, modelos de convolución separable), así
como mecanismos de integración con bases de datos del Instituto. Además, se discuten retos
particulares del contexto local (como lo suelen ser: condiciones de iluminación, diversidad de
formatos de placas mexicanas, integridad de la infraestructura). Los resultados esperados
apuntan a una tasa de reconocimiento mayor al 98% con tiempo de respuesta en el orden de
milisegundos, y se propone un plan piloto de implementación.
Palabras clave: control de acceso vehicular, reconocimiento automático de placas
(ALPR), YOLOv8, campus tuxtepec, TecNM
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 411
ABSTRACT
This article proposes a vehicle access control system for the Instituto Tecnológico de
Tuxtepec (TecNM–Tuxtepec), based on modern automatic license plate recognition
(ALPR/ANPR) technologies. The system architecture, hardware and software components,
and plate detection and recognition techniques using neural networks (e.g., YOLOv8,
separable convolution models) are described, along with integration mechanisms with the
Institute’s database systems. Additionally, specific challenges of the local context are
discussed, including lighting conditions, variability of Mexican license plate formats, and
infrastructure integrity. The expected results point toward an accuracy rate above 98%, with
response times on the order of milliseconds, and a pilot phase implementation is proposed.
Keywords: vehicle access control, automatic license plate recognition (ALPR),
YOLOv8, tuxtepec campus, TecNM
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 412
INTRODUCCIÓN
En las últimas 2 décadas, el reconocimiento automático de placas vehiculares (ALPR por sus
siglas en inglés), se ha convertido en una herramienta esencial para el control de acceso a
estacionamientos, campus universitarios, peajes y sistemas de vigilancia urbana en general
(Klingler, 2024), En el ámbito de instituciones educativas, la adopción de un ALPR permite
una gestión más eficiente, reduce tiempos de espera, automatiza el registro de entras y
salidas, así como también mejora la seguridad (por ejemplo, en el campus Tuxtepec, del
TecNM).
No obstante, su desempeño óptimo depende de factores como variaciones e iluminación,
ángulos de captura, condiciones climáticas, diversidad tipográfica o de formato de placas, y
los recursos de hardware disponibles. En ese sentido, recientemente se han desarrollado
técnicas basadas en Deep Learning más robustas y eficientes (por ejemplo, redes de
convolución separables y nuevos modelos como YOLOv8), que permiten reconocimiento de
placas en tiempo real con alta precisión (Wang, Shih, Shen, & Tai, 2022), así como
comparativas entre versiones de YOLO en entornos cloud (Asaju, Owolawi, Tu, & Van Wyk,
2025).
El propósito de este artículo es adaptar el estudio de reconocimiento de placas al contexto
específico del TecNM campus Tuxtepec, proponiendo una arquitectura de sistema que integre
sensores, procesamiento en el borde y en la nube, y políticas institucionales para uso de datos.
De esta forma, se busca generar un documento utilizable para publicación en revista de
ingeniería y como base técnica para un proyecto institucional.
DESARROLLO
Marco teórico y antecedentes
Estructura general de un sistema ALPR
Un sistema ALPR típico comprende las siguientes etapas:
1. Captura y preprocesamiento de imagen: adquisición con cámara (a menudo con
iluminación infrarroja para respaldar operatividad nocturna), corrección geométrica,
filtrado de ruido y ajuste de contraste.
2. Detección o localización de la placa: mediante técnicas de visión por computadora o
modelos de detección de objetos (por ejemplo, YOLO)
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 413
3. Segmentación o reconocimiento de caracteres: separación de los caracteres de la
placa y reconocimiento óptico de caracteres (OCR)
4. Posprocesamiento y verificación: validación de formato, corrección de errores,
conexión con bases de datos para determinar autorización de acceso (Klingler, 2024).
En la literatura reciente, algunas mejoras han sido propuestas, tales como:
• Uso de arquitectura end-to-end que omiten la segmentación explícita (por ejemplo,
modelos integrados) para reducir errores de segmentación.
• Modelos ligeros basados en convoluciones separables, que reducen la carga
computacional sin sacrificar precisión (Wang, Shih, Shen, & Tai, 2022).
• Aplicación de técnicas de mejora de imagen (augmentación, eliminación de neblina,
etc.), para robustez frente a condiciones adversas (Plavac, Amirshahi, Pedersen, &
Triantaphillidou, 2024)
• Sistemas híbridos “Edge-cloud” donde la parte crítica del reconocimiento se ajusta
localmente y luego se valida o complementa en la nube (Asaju et al., 2025)
• Prototipos de sistemas móviles de patrullaje con reconocimiento de placas en tiempo
real (por ejemplo, “in the wild”) con GPU de bajo consumo -versión urbana)-
(Singhal & Singhal, 2025).
Además, el rendimiento de los sistemas puede evaluarse empleando estándares de calidad de
software, como ISO/IEC 25010. Que contempla características como funcionalidad,
eficiencia, fiabilidad y seguridad (Juliano, 2025)
Caso de uso en campus universitarios
La implementación de ALPR en entornos universitarios ha sido documentada en diversos
casos. Por ejemplo:
• En la universidad de Arizona, cámaras ALPR capturan múltiples instantes de un
vehículo dentro del campus, y los datos son integrados al sistema de seguridad central
(GENETEC, 2021)
• En otros campus, se ha usado ALPR en combinación con plataformas de gestión de
estacionamientos con permisos virtuales, control de acceso y políticas de privacidad -
Baycom sobre campus- (BYCOM, 2020)
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 414
• La universidad de Illinois instaló lectores automáticos de placas con restricciones de
acceso delimitadas por políticas claras de uso de datos -restringiendo monitoreo fuera
de funciones de seguridad- (Public Safety, 2023)
Estos antecedentes permiten vislumbrar que la inserción de ALPR en el contexto del TecNM
requiere no solo el diseño técnico, sino políticas éticas y legales para manejo de datos
vehiculares y privacidad.
Propuesta de arquitectura para el TecNM Tuxtepec
Considerando el contexto
Para el campus Tuxtepec se deben tener en cuenta las siguientes condiciones particulares
• Condiciones lumínicas variables: la zona puede tener intensas horas de sol diurno y
periodos de poca luz nocturna o iluminación subóptima.
• Variabilidad de formatos de placas mexicanas: México cuenta con diversos
formatos según Estado, mismas tipografía y colores variados.
• Limitaciones presupuestarias e infraestructura de red: no puede suponerse
hardware excesivamente costoso ni conectividad continua ultrarrápida en todos los
accesos.
• Escalabilidad y mantenimiento: debe ser escalable para nuevos accesos, y
mantenible por el personal técnico del Instituto
• Integración institucional: el sistema ALPR debe integrarse al sistema de seguridad
vigente del campus y al registro vehicular de la institución.
Arquitectura propuesta
Se sugiere una arquitectura híbrida Edge-cloud compuesta por los siguientes módulos
• Cámaras con iluminación controlada: (posiblemente IR) ubicadas en puntos
estratégicos de acceso vehicular, principalmente en caseta de vigilancia.
• Unidad de procesamiento local (Edge): una pequeña computadora GPU o
acelerador (por ejemplo, Jetson, Coral, GPU embebida) que ejecuta el modelo de
detección y reconocimiento de placas en tiempo real.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 415
• Servidor en la nube o servidor institucional central: recibe resultados, hace
verificación con base de datos institucional, estadísticas, monitoreo, interfaz web para
seguridad
• Base de datos vehicular institucional: contiene los números de placa autorizados,
información de vehículos (modelo, responsable, vigencia), y bitácora de accesos y
salidas.
• Módulo de control de barrera/actuador: en función del resultado de
reconocimiento, activa barrera automática o envía señal de rechazo al guardia.
• Panel administrativo/interface: para personal autorizado: consultas de acceso,
reportes, administración de autorizaciones, etc.
• Políticas de privacidad y auditoría: módulo que controla quién puede acceder a los
datos, registros de accesos a las bases de datos, retención y borrado automático de
registros.
Figura 1. Arquitectura general del sistema de reconocimiento de placas implementado
mediante captura Edge
Fuente: Elaboración propia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 416
Flujo de operación
1. El vehículo se aproxima al acceso; la cámara captura imagen (OCR)
2. En el Edge se procesa: se detecta la palca (por ejemplo, con YOLOv8) y se reconoce
la cadena alfanumérica (modelo entrenado para placas mexicanas).
3. El resultado (placa, confianza, tiemestamp, imagen crop) se envía al servidor
4. El servidor valida contra base de datos institucional: autorizado/no autorizado/requerir
intervención humana.
5. Si es autorizado, se envía una señal para abrir barrera; si no, se rechaza y se notifica al
guardia
6. Se almacena la transición en bitácora, junto con evidencia (imagen) para auditoría.
Figura 2. Ejemplo real en etapa de pruebas del flujo de operación (Fuente: elaboración
propia)
Fuente: Elaboración propia.
Para reducir la latencia, solo los datos esenciales (texto de placa + verificación) se envían a la
nube, mientras que las imágenes se mantienen localmente comprimidas.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 417
Técnicas de detección y reconocimiento sugeridas
Detección de placas YOLOv8
Recientemente, se ha explorado el uso del modelo YOLOv8 adaptado al reconocimiento de
placas (ANPR). En un estudio de 2025, el enfoque modular incluyó:
Una detección en profundidad de un marco ANPR que aprovecha metodologías avanzadas de
procesamiento de imágenes y modelos de aprendizaje automático de última generación como
YOLOv8 para la detección de objetos, con un enfoque multietapa comprende: captura,
preprocesamiento, localización de placa, segmentación de caracteres y OCR (Joshi, Jejure,
Jadhav, Jankar, & Mote, 2025)
Este tipo de modelo permite una detección rápida y robusta de la región de la placa con alta
precisión.
Figura 3. YOLOv8 Detección y reconocimiento de placas
Fuente: Elaboración propia.
Reconocimiento de caracteres con redes ligeras o end-to-end
• Wang et al. (2022), propusieron un modelo end-to-end de alta precisión basado en
redes convolucionales separables (depthwise seaprable concolutions) que logra
reconocimiento con bajo costo computacional (>99% de precisión, > 70 fps).
Captura
Preprocesa-miento
Segmentación
de caracteres
OCR
Localización de placa
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 418
• Otra tendencia es evitar la segmentación explícita de caracteres, usando enfoques que
general directamente la cadena de texto a partir de la placa
• En comparativas, el modelo LPRNet (una arquitectura ligera) ha demostrado buen
desempeño frente a Tesseract y otras técnicas tradicionales en datasets reales y
sintéticos (Del Castillo & Velarde, 2022).
• Adicionalmente, la mejora de imagen para condiciones adversas (neblina, lluvia, baja
iluminación) mediante técnicas de augmentación e imagen adaptativa ha demostrado
incrementos importantes en precisión (Plavac et al., 2024).
Arquitectura híbrida con procesamiento local
El uso de la solución híbrida edge-cloud es una práctica emergente, que permite:
• Realizar el procesamiento crítico al nivel local (menor latencia)
• Usar la nube para tareas de verificación complementaria, almacenamiento y
monitoreo centralizado.
• Escalabilidad y elasticidad en recursos de cómputo
• Flexibilidad para actualización de modelos en la nube y despliegue remoto (Asaju et
al., 2025).
Evaluación del sistema y métricas
Para evaluar el desempeño del sistema propuesto en el contexto del TecNM, se recomienda
emplear:
• Tasa de reconocimiento acertado (% de placas correctamente extraídas).
• Latencia end-to-end (tiempo desde captura hasta decisión de acceso)
• Tasa de falsos positivos / falsos negativos.
• Uso de recursos (CPU / GPU /memoria) en el edge
• Fiabilidad con condiciones adversas (noche, lluvia, obstrucción parcial, etc.)
• Evaluación de la calidad de software con estándar ISO/IEC 25010 (funcionalidad,
eficiencia, fiabilidad, seguridad, etc.), (Juliano et al., 2025).
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 419
• Realización de pruebas piloto en puntos reales del campus durante un periodo (por
ejemplo, 1 mes) para capturar diversidad de escenarios.
DESAFIOS Y RECOMENDACIONES
Algunos retos y estrategias en la implementación:
1. Variabilidad de formatos de placa: entrenar el modelo con muestras de placas
mexicanas de Oaxaca y estados vecinos, principalmente Veracruz.
2. Iluminación extrema o reflectividad: usar iluminación IR auxiliar, polarizados en la
cámara, y técnicas de mejora en tiempo real.
3. Obstrucción parcial / suciedad: aplicar técnicas de preprocesamiento,
multiperspectiva (más de una cámara) o combinar con sensores RFID si lo permite el
Instituto.
4. Privacidad y normativa de datos: establecer políticas claras de quién puede acceder
a los registros, retención limitada y auditoría; adoptar mecanismos de
pseudonimización de datos sensibles (CSUSB, 2023)
5. Mantenimiento y escalabilidad: diseñar el sistema de módulos intercambiables,
registro de fallas, mecanismo de actualización remota del modelo.
6. Capacitación del personal técnico: formar a personal del Instituto en operación y
mantenimiento del sistema.
Caso piloto propuesto para el TecNM campus Tuxtepec
Se sugiere un piloto en la entrada vehicular principal del campus con las siguientes etapas:
1. Instalación de cámara + unidad Edge + barrera automática en entrada vehicular.
2. Recolección inicial de datos de imágenes reales (durante al menos 2 semanas) para
ampliar el conjunto de entrenamiento.
3. Entrenamiento del modelo con esas imágenes y despliegue local inicial en modo
pasivo (solo lectura y registro, sin apertura automática).
4. Evaluación de desempeño (reconocimiento, latencia, errores) durante un mes.
5. Ajustes al modelo y calibraciones físicas
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 420
6. Activación del modo automática (control de barrera /plumilla)
7. Monitoreo continuo y auditoria de operación.
Además, documentar (muy importante), estadísticamente los resultados y redactar un reporte
interno.
CONCLUSIONES
En este artículo se ha presentado una propuesta técnica científica para la implementación de
un sistema de control de acceso vehicular basado en reconocimiento automático de placas
(ALPR) para le TecNM campus Tuxtepec, combinando técnicas de detección modernas
(YOLOv8, redes ligeras, arquitecturas híbridas) con criterios institucionales de privacidad y
escalabilidad.
Se propone realizar un piloto controlado para validar su desempeño sen condiciones reales
del campus, con métricas de precisión, latencia y confiabilidad. En particular, la combinación
de procesamiento en el borde y verificación en servidor central, constituye una arquitectura
viable para mitigar limitaciones locales de conectividad.
Una vez aprobado e implementado, este sistema puede servir como base institucional para
extender control de acceso vehicular a otros accesos del campus, permisos electrónicos y
mejorar la seguridad general del plantel.
REFERENCIAS
Asaju, C. B., Owolawi, P. A., Tu, C., & Van Wyk, E. (16 de 01 de 2025). Cloud-Based
License Plate Recognition: A Comparative Approach Using You Only Look Once
Versions 5, 7, 8, and 9 Object Detection. Obtenido de mdpi.com:
https://www.mdpi.com/2078-2489/16/1/57
BYCOM. (14 de 07 de 2020). The Case for ALPR on Campus. Obtenido de.baycominc.com:
https://www.baycominc.com/the-case-for-alpr-on-campus/
CSUSB. (2023). License Plate Recognition (LPR) - Policies | Parking and Transportation
Services. Obtenido de csusb.edu: https://www.csusb.edu/parking/parking-
permits/virtual-parking-permits-and-license-plate-recognition-lpr-info/policies
Del Castillo, V. M., & Velarde, G. (27 de 03 de 2022). Benchmarking Algorithms for
Automatic License Plate Recognition. doi: https://arxiv.org/abs/2203.14298
GENETEC. (28 de 05 de 2021). Driving up vaccination POD efficiency with traffic data .
Obtenido de University of Arizona:
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 421
https://www.genetec.com/binaries/content/assets/genetec/case-
studies/casestudy_en_university-of-arizona.pdf?utm_source=chatgpt.com
Joshi, S., Jejure, P., Jadhav, C., Jankar, V., & Mote, A. V. (March-April de 2025). Automatic
Number Plate Recognition Using YOLOv8 Model. International Journal of Scientific
Research in Science and Technology, 12(2), 1088-1097.
Juliano, J. J. (23 de 04 de 2025). Automated Vehicle Access Control System Utilizing
Computer Vision-Based License Plate Recognition. International Journal of
Multidisciplinary Applied Business and Education Research, 6(4), 1947-1977. doi:
http://dx.doi.org/10.11594/ijmaber.06.04.27
Klingler, N. (06 de 10 de 2024). Automatic Number Plate Recognition (ANPR) Guide.
Obtenido de viso.a: https://viso.ai/computer-vision/automatic-number-plate-
recognition-anpr/
Plavac, N., Amirshahi, S., Pedersen, M., & Triantaphillidou, S. (2024). Performance of
Automatic License Plate Recognition Systems on Distorted Images. Journal of
Imaging Science and Technology, 68, 1-16. doi:
https://doi.org/10.2352/J.ImagingSci.Technol.2024.68.6.060401
Public Safety. (23 de 02 de 2023). How license plate readers are helping University Police
solve crimes. Obtenido de /police.illinois.edu: https://police.illinois.edu/how-license-
plate-readers-are-helping-university-police-solve-crimes/
Singhal, A., & Singhal, N. (03 de 2025). Patrol Vision: Automated License Plate Recognition
in the wild. IEEE, 548-555.
Wang, S.-R., Shih, H.-Y., Shen, Z.-Y., & Tai, W.-K. (21 de 02 de 2022). End-to-End High
Accuracy License Plate Recognition Based on Depthwise Separable Convolution
Networks. Obtenido de arxiv.org: https://arxiv.org/pdf/2202.10277
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v4.i2.107
Cómo citar este artículo (APA 7ª edición):
Acosta Sanjuán, M. L. ., Aguilar Carmona, J. ., Torres Ramírez, T. ., Martínez Morales, M.
de los Ángeles ., & Hernández Martínez, M. de L. . (2025). Sistema Inteligente de Control de
Acceso Vehicular Mediante Reconocimiento Automático de Placas para el Tecnm Campus
Tuxtepec. Prisma ODS: Revista Multidisciplinaria Sobre Desarrollo Sostenible, 4(2), 409-
421. https://doi.org/10.65011/prismaods.v4.i2.107
