عنوان فارسی مقاله:سیستم نظارت بر ترافیک مبتنی بر هوش مصنوعی

چکیده

نظارت دستی ترافیک می تواند یک کار سخت و دشوار باشد زیرا مراکز مدیریت ترافیک تعداد بی شماری از دوربین های نصب شده روی یک شبکه را اجرا می کنند. تزریق سطحی از اتوماسیون می تواند به کاهش بار کار اپراتورهای انسانی که نظارت دستی را انجام می دهند کمک کند و تصمیم گیری های پیشگیرانه را تسهیل کند که به نوبه خود تأثیر حوادث و ازدحام مکرر در جاده ها را کاهش می دهد. این مقاله یک رویکرد جدید برای نظارت خودکار فیلم‌های ترافیکی بهنگام با استفاده از شبکه‌های عصبی پیچیده و یک رابط کاربری گرافیکی مستقل ارائه می‌کند. محققان نتایج تحقیقات دریافت شده در فرآیند توسعه مدل هایی را توصیف می کنند که به عنوان یک چارچوب یکپارچه برای یک سیستم نظارت بر ترافیک فعال با هوش مصنوعی عمل می کند. سیستم پیشنهادی چندین الگوریتم یادگیری عمیق پیشرفته را برای خودکارسازی نیازهای مختلف نظارت بر ترافیک به کار می‌گیرد. با استفاده از یک پایگاه داده بزرگ از داده‌های دوربین های مدار بسته، مدل‌های مبتنی بر یادگیری عمیق برای شناسایی صف‌ها، ردیابی وسایل نقلیه متوقف شده و جدول‌بندی تعداد خودروها آموزش داده می‌شوند. یک رویکرد تقسیم‌بندی در سطح پیکسل برای شناسایی صف‌های ترافیک و پیش‌بینی شدت اعمال می‌شود. الگوریتم‌های تشخیص شی بهنگام همراه با سیستم‌های ردیابی مختلف برای شناسایی خودکار وسایل نقلیه سرگردان و همچنین انجام شمارش وسایل نقلیه مستقر می‌شوند. در هر مرحله از توسعه، نتایج تجربی جالبی برای نشان دادن اثربخشی سیستم پیشنهادی ارائه می‌شود. به طور کلی، نتایج نشان می‌دهد که چارچوب پیشنهادی در شرایط مختلف به طور رضایت‌بخشی عمل می‌کند بدون اینکه به شدت تحت تأثیر خطرات محیطی مانند تاری نماهای دوربین، نور کم، باران یا برف قرار گیرد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Artificial Intelligence-Enabled Traffic Monitoring System

Abstract

Manual traffic surveillance can be a daunting task as Traffic Management Centers operate a myriad of cameras installed over a network. Injecting some level of automation could help lighten the workload of human operators performing manual surveillance and facilitate making proactive decisions which would reduce the impact of incidents and recurring congestion on roadways. This article presents a novel approach to automatically monitor real time traffic footage using deep convolutional neural networks and a stand-alone graphical user interface. The authors describe the results of research received in the process of developing models that serve as an integrated framework for an artificial intelligence enabled traffic monitoring system. The proposed system deploys several state-of-the-art deep learning algorithms to automate different traffic monitoring needs. Taking advantage of a large database of annotated video surveillance data, deep learning-based models are trained to detect queues, track stationary vehicles, and tabulate vehicle counts. A pixel-level segmentation approach is applied to detect traffic queues and predict severity. Real-time object detection algorithms coupled with different tracking systems are deployed to automatically detect stranded vehicles as well as perform vehicular counts. At each stage of development, interesting experimental results are presented to demonstrate the effectiveness of the proposed system. Overall, the results demonstrate that the proposed framework performs satisfactorily under varied conditions without being immensely impacted by environmental hazards such as blurry camera views, low illumination, rain, or snow.