Forskere udvikler et trafikovervågningssystem baseret på kunstig intelligens

Forskere fra South Ural State University har udviklet et unikt intelligent system til overvågning af trafikstrømmen ved hjælp af kunstig intelligens, som ikke kræver specifikt optageudstyr og kan fungere på næsten enhver type kamera. Systemet behandler øjeblikkeligt data modtaget i realtid, i modsætning til eksisterende programmer, hvor behandlingen medfører en forsinkelse på op til 10 til 15 minutter. En artikel om resultaterne af undersøgelsen blev publiceret i Journal of Big Data .

Trafikpropper løsning

"Vi har foreslået og implementeret et moderniseret system til vurdering af trafikstrømme, baseret på de seneste fremskridt inden for detektering og sporing af køretøjer. I modsætning til eksisterende analoger, vores system genkender og analyserer i realtid bevægelsesretningen for køretøjer med en maksimal relativ fejl på mindre end 10 procent. De nærmeste analoger er i stand til at bestemme hastigheden og klassificere køretøjer i kun én retning og med betingelsen om at placere kameraerne over trafikstrømmen med en nøjagtighed på 80-90 procent. Betjening af et neuralt netværk giver dig mulighed for at generere op til 400 trafikparametre i realtid ved hvert vejkryds, " siger projektleder Vladimir Shepelev, lektor ved Automobiltransportafdelingen på Polyteknisk Institut SUSU.

Det unikke AIMS overvågningssystem indsamler, fortolker og transmitterer data om intensiteten af ​​vejtrafikken, klassificerer 10 kategorier af køretøjer, måler hastighed, det aktuelle belastningsniveau for hver retning af krydset, bestemmer køretøjernes videre retning. På samme tid, realtidsgenkendelse af objekter ved det rene skæringspunkt AIMS producerer ved brug af kun ét Full HD CCTV-kamera.

"Resultaterne af denne undersøgelse kan anvendes af byens myndigheder til at forbedre den samlede trafikkapacitet i krydset. Vi har allerede bevist vores system ved flere kryds i Chelyabinsk for at verificere, at den foreslåede løsning er tilstrækkelig nøjagtig og kan bruges som grundlag for andre højniveau modeller, " siger Shepelev.

Den innovative teknologi leverer data om strukturen af ​​trafikstrømmen, køretøjets retninger og hastigheder i realtid. Brug af data mining-teknologi vil understøtte implementering af effektive trafikmønstre, reducere trafikpropper og forbedre ressourcestyring.

Neurale netværk til analyse af bytrafik

Den nuværende praksis med at overvåge trafik er ofte afhængig af brugen af ​​dyre sensorer til kontinuerlig dataindsamling eller på en visuel undersøgelse af trafikken, normalt målt over flere dage over bestemte tidsrum. Imidlertid, transporttjenester ikke modtager ordentlige og nøjagtige oplysninger om strukturen af ​​trafikstrømmen, dens intensitet, hastighed, og i den følgende bevægelsesretning.

"Vi styrede neurale netværk til at behandle enorme mængder videodata, ikke kun til at opdage og spore køretøjer, men også til at analysere hændelsesforløbet, " fortsætter Shepelev. "I processen med at udvikle teknologien, vi brugte open source Mask R-CNN og YOLOv3 neurale netværksarkitekturer til at opdage objekter i realtid, samt SORT trackeren, hvis kode blev ændret af teamet for at forbedre kvaliteten af ​​objektsporing."

Den indlejrede analytiske blok baseret på kunstig intelligens bestemmer niveauet for trafikorganisationen i krydset og tildeler KPI til hver bevægelsesretning.

Øget effektivitet og lavere overvågningsomkostninger

Som et resultat af optimering af YOLOv3 neurale netværksalgoritmer, SUSU-forskere var i stand til at opnå nøjagtighed på niveauet 95 procent, under hensyntagen til tab af genstande under sporing, og betydeligt reducere omkostningerne til realtidsovervågningsudstyr.

"Kunstig intelligens med maskinsyn tager dataindsamling og analyse af vejtrafik til et nyt niveau, gør det muligt at genkende køretøjer med meget større pålidelighed end nogensinde før, " siger Vladimir Shepelev. "Vores deep learning-netværk er nemme at konfigurere, kræver ikke specifikt optageudstyr og kan fungere på næsten enhver type kamera."

Teknologien, der er udviklet af forskere fra South Ural State University, vil øge effektiviteten ved at bruge by-vejinfrastruktur. I den nærmeste fremtid, teknologi til overvågning af vejtrafik ved hjælp af kunstig intelligens bliver en del af projektet for bæredygtig offentlig transport for byen Chelyabinsk.