Wetenschappers van de South Ural State University hebben een uniek intelligent systeem ontwikkeld voor het bewaken van de verkeersstroom met behulp van kunstmatige intelligentie, die geen specifieke opnameapparatuur vereist en op bijna elk type camera kan werken. Het systeem verwerkt de ontvangen gegevens onmiddellijk in realtime, in tegenstelling tot bestaande programma's waarbij de verwerking tot 10 tot 15 minuten vertraging oploopt. Een artikel over de resultaten van het onderzoek is gepubliceerd in de Dagboek van Big Data .

Oplossing voor verkeersopstoppingen

"We hebben een gemoderniseerd systeem voor het beoordelen van verkeersstromen voorgesteld en geïmplementeerd, gebaseerd op de meest recente ontwikkelingen in het detecteren en volgen van voertuigen. In tegenstelling tot bestaande analogen, ons systeem herkent en analyseert in realtime de bewegingsrichting van voertuigen met een maximale relatieve fout van minder dan 10 procent. De dichtstbijzijnde analogen zijn in staat om de snelheid te bepalen en voertuigen in slechts één richting te classificeren en met de voorwaarde om de camera's boven de verkeersstroom te plaatsen met een nauwkeurigheid van 80-90 procent. Door een neuraal netwerk te gebruiken, kunt u op elk kruispunt tot 400 verkeersparameters in realtime genereren, " zegt projectmanager Vladimir Shepelev, universitair hoofddocent bij de afdeling Automotive Transport van het Polytechnisch Instituut SUSU.

Het unieke AIMS-monitoringsysteem verzamelt, interpreteert en verzendt gegevens over de intensiteit van het wegverkeer, classificeert 10 categorieën voertuigen, meet snelheid, het huidige belastingsniveau van elke richting van de kruising, bepaalt de verdere richting van voertuigen. Tegelijkertijd, realtime objectherkenning op het scherpe kruispunt produceert AIMS door het gebruik van slechts één Full HD CCTV-camera.

"De resultaten van deze studie kunnen door stadsautoriteiten worden toegepast om de algehele verkeerscapaciteit van het kruispunt te verbeteren. We hebben ons systeem al op verschillende kruispunten in Chelyabinsk bewezen om te verifiëren dat de voorgestelde oplossing voldoende nauwkeurig is en kan worden gebruikt als basis voor andere modellen op hoog niveau, ', zegt Shepelev.

De innovatieve technologie levert gegevens over de structuur van de verkeersstroom, voertuigrichtingen en snelheden in realtime. Het gebruik van dataminingtechnologie ondersteunt de implementatie van efficiënte verkeerspatronen, verkeersopstoppingen verminderen en het beheer van hulpbronnen verbeteren.

Neurale netwerken voor de analyse van stedelijk verkeer

De huidige praktijk van het monitoren van verkeer is vaak gebaseerd op het gebruik van dure sensoren voor continue gegevensverzameling of op een visuele studie van het verkeer, meestal gemeten over meerdere dagen gedurende bepaalde perioden. Echter, vervoersdiensten krijgen geen goede en nauwkeurige informatie over de structuur van de verkeersstroom, zijn intensiteit, snelheid, en in de volgende bewegingsrichting.

"We hebben neurale netwerken beheerd om enorme hoeveelheden videogegevens te verwerken, niet alleen voor het detecteren en volgen van voertuigen, maar ook voor het analyseren van de volgorde van gebeurtenissen, " vervolgt Shepelev. "In het proces van het ontwikkelen van de technologie, we gebruikten de open-source Mask R-CNN en YOLOv3 neurale netwerkarchitecturen om objecten in realtime te detecteren, evenals de SORT-tracker, waarvan de code door het team is aangepast om de kwaliteit van het volgen van objecten te verbeteren."

Het ingebedde analytische blok op basis van kunstmatige intelligentie bepaalt het niveau van de verkeersorganisatie op het kruispunt en wijst KPI toe aan elke bewegingsrichting.

Verhoogde efficiëntie en lagere monitoringkosten

Als resultaat van optimalisatie van de YOLOv3 neurale netwerkalgoritmen, SUSU-wetenschappers waren in staat om een ​​nauwkeurigheid van 95 procent te bereiken, rekening houdend met het verlies van objecten tijdens het volgen, en de kosten van real-time bewakingsapparatuur aanzienlijk verlagen.

"Kunstmatige intelligentie met machine vision tilt gegevensverzameling en analyse van wegverkeer naar een nieuw niveau, waardoor het mogelijk is voertuigen te herkennen met een veel grotere betrouwbaarheid dan ooit tevoren, ", zegt Vladimir Shepelev. "Onze deep learning-netwerken zijn eenvoudig te configureren, vereisen geen specifieke opnameapparatuur en kunnen op bijna elk type camera werken."

De technologie die is ontwikkeld door wetenschappers van de South Ural State University zal de efficiëntie van het gebruik van stedelijke wegeninfrastructuur vergroten. In de nabije toekomst, technologie voor het monitoren van het wegverkeer met behulp van kunstmatige intelligentie wordt onderdeel van het project Duurzaam openbaar vervoer voor de stad Chelyabinsk.