CТРУКТУРА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ТРАНСПОРТНИХ ЗАСОБІВ НА ОСНОВІ КОМП'ЮТЕРНОГО ЗОРУ - Научное сообщество
Главная
UA RU EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

CТРУКТУРА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ТРАНСПОРТНИХ ЗАСОБІВ НА ОСНОВІ КОМП'ЮТЕРНОГО ЗОРУ

12.12.2024 10:17

[1. Информационные системы и технологии]

Автор: Карнидал Михайло Сергійович, студент, Західноукраїнський національний університет, м. Тернопіль


На даний час стрімко розвивається концепція «розумного міста» де зазвичай присутні інтелектуальні системи управління транспортом для оптимізації дорожнього руху. Це дає змогу зменшити затори та знизити рівень шкідливих викидів. Інтеграція виявлення транспортних засобів у такі системи забезпечить нові можливості для моніторингу, автоматичного збору статистики та покращення умов для роботи громадського транспорту.

Традиційні підходи виявлення та класифікації транспортних засобів, що базуються на ручному аналізі або застарілих технологіях, не здатні забезпечити належний рівень точності та швидкості обробки даних. Впровадження інтелектуальних систем виявлення та класифікації транспортних засобів вимагає створення структурованих та адаптивних рішень для автоматизованого виявлення транспортних засобів у реальному часі та прийнятті рішень. Побудова такої структури є важливим етапом для забезпечення ефективної взаємодії між елементами системи.

Початковим етапом системи виявлення транспортних засобів є (І) збір даних. Це може включати використання фізичних камер (захоплення відео зображень з камер, розташованих на дорогах) або підключення до відеопотоків з вже наявних джерел відеозапису, інформацію з відеореєстраторів, дронів. На цьому етапі відбувається перетворення відео в послідовність кадрів та фільтрація некоректних або низькоякісних зображень. Отримані відео чи зображення можуть потребувати (ІІ) попередньої обробки для покращення якості, наприклад видалення шуму або вирівнювання яскравості зображень. Цей етап також може включати конвертацію зображень у потрібний формат, зменшення роздільної здатності зображень для пришвидшення обробки або інші методи обробки зображень. Після цього проводиться (ІІІ) виявлення транспортних засобів та їхнє обведення межами для подальшої обробки. Найчастіше для виявлення транспортних засобів використовують наступні методи: SSD (Single Shot Multibox Detector), YOLO (You Only Look Once) та Faster R-CNN, які використовують техніки обробки зображень розпізнавання об'єктів за контуром та пошук об'єктів за кольором чи текстурою [1-2]. 

Також одним з важливих кроків є (IV) класифікація транспортних засобів за типами (наприклад, легкові автомобілі, вантажівки, автобуси, мотоцикл тощо) і розпізнавання номерних знаків. Це дозволяє отримати додаткову інформацію про транспортні засоби, визначити їх тип та ідентифікувати. Для цього використовують глибокі нейронні мережі (Convolutional Neural Networks), такі як ResNet чи MobileNet [3].

Якщо система працює з відео, то після виявлення транспортних засобів відбувається процес (V) відстеження, що дозволяє слідкувати за рухом об'єктів протягом часу та визначати траєкторію руху транспортних засобів. Це може бути досягнуто за допомогою алгоритмів слідкування за об'єктами такими як Kalman Filter, оптичний потік (Optical Flow), DeepSORT (Deep Simple Online and Realtime Tracking), які використовують історію траєкторій та інші характеристики для точного відстеження [4].

Наступними етапами є (VI) аналіз даних та (VII) прийняття рішень. З використанням аналізу траєкторії транспортного засобу можна розраховувати швидкість руху, аномальну поведінку (наприклад, автомобілі, які рухаються у забороненому напрямку). Це може бути корисною інформацією для оцінки трафіку та виявлення ділянок зі заторами. Система може відправляти сповіщення (наприклад, про аварії чи затори), генерувати звітів про трафік, управляти світлофорами в розумних містах, бути інтегрованою з системами безпеки чи контролю доступу.

Отримані дані про трафік, включаючи відстежені об'єкти, класифікацію, номерні знаки та швидкість, можуть бути зібрані та збережені для подальшого використання. Це включає (VIII) зберігання даних у відповідному форматі або базі даних для подальшої обробки та аналізу. Остаточний етап включає візуалізацію отриманих даних про трафік у зручному форматі, наприклад, за допомогою графіків, діаграм чи карт. Крім того, аналітичні інструменти можуть бути використані для виявлення патернів, трендів та проблемних ділянок доріг.

Побудова системи виявлення та класифікації транспортних засобів обумовлена необхідністю забезпечення високої точності, швидкості та надійності в обробці транспортних потоків, а розробка такої системи є важливим кроком до створення ефективної, адаптивної та інтелектуальної транспортної інфраструктури, що сприяє підвищенню безпеки на дорогах та має позитивний економічний та соціальний ефект, оскільки сприяє зниженню витрат на обслуговування транспортної інфраструктури, покращенню умов руху на дорогах та зменшенню аварійності.

Література:

1. Azhad Zuraimi, Fadhlan Hafizhelmi Kamaru Zaman, "Vehicle Detection and Tracking using YOLO and DeepSORT", in 2021 IEEE 11th IEEE Symposium on Computer Applications & Industrial Electronics (ISCAIE) DOI:10.1109/ISCAIE51753.2021.9431784

2. M. Ravichandran, K. Laxmikant and A. Muthu, "Efficient Vehicle Detection and Classification using YOLO v8 for Real-Time Applications," 2023 Global Conference on Information Technologies and Communications (GCITC), Bangalore, India, 2023, pp. 1-5, doi: 10.1109/GCITC60406.2023.10426587.

3. J. Karangwa, J. Liu and Z. Zeng, "Vehicle Detection for Autonomous Driving: A Review of Algorithms and Datasets," in IEEE Transactions on Intelligent Transportation Systems, vol. 24, no. 11, pp. 11568-11594, Nov. 2023, doi: 10.1109/TITS.2023.3292278.

4. Michael Abebe Berwo, Asad Khan, Yong Fang, Hamza Fahim, Shumaila Javaid, Jabar Mahmood, Zain Ul Abideen, Syam M.S. «Deep Learning Techniques for Vehicle Detection and Classification from Images/Videos: A Survey», in Sensors 2023, 23(10), 4832; https://doi.org/10.3390/s23104832

____________________________________________________

Науковий керівник: Загородня Діана Іванівна, кандидат технічних наук, доцент, Західноукраїнський національний університет, м. Тернопіль



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення