هوش مصنوعی | متن کامل رایگان | ارزیابی اثربخشی الگوریتم شما فقط یک نمایش (YOLOR) در تشخیص، ردیابی و شمارش ترافیک وسایل نقلیه در سناریوهای دنیای واقعی، مورد مورلیا مکزیکو: رویکرد هوش مصنوعی

۱٫ مقدمه

در محیط های شهری، صرف نظر از اندازه آنها، تحرک یک موضوع اصلی برای پیشرفت هر ملت یا منطقه ای باقی می ماند [۱]. تحرک کارآمد و مدیریت موثر ترافیک شهری برای تداوم فعالیت های اقتصادی و به حداقل رساندن تلفات ناگوار ناشی از تصادفات رانندگی بسیار مهم است. [۲,۳].

در مکزیک، یک کشور در حال توسعه، شهرها و شهرها بر اساس اندازه جمعیتشان به کوچک، متوسط و بزرگ دسته بندی می شوند. این شهرها در برخی موارد رشد سریعی را تجربه می‌کنند که بر نیاز فوری به توسعه راه‌های جدید، گسترش جاده‌ها، نگهداری راه‌های واقعی و ساخت زیرساخت‌های جاده‌ای پیشرفته برای پشتیبانی و مدیریت تعداد فزاینده وسایل نقلیه تاکید می‌کند.

یکی از جنبه های مهم تحلیل، مدیریت ترافیک شهری است که به طور قابل توجهی بر مسیر توسعه شهرنشینی شهرها تأثیر می گذارد. [۴,۵].

مدیریت ترافیک شهری شامل چالش های اساسی است، مانند مورد مورلیا، مکزیک: شهری با رشد سریع. این شهر با رشد سریع جمعیت و افزایش مالکیت وسایل نقلیه و در نتیجه ازدحام کامل جاده ها، متوسط در نظر گرفته می شود.

با گسترش شهرها، زیرساخت‌های وسایل نقلیه اغلب نمی‌توانند با افزایش تعداد وسایل نقلیه همگام شوند که منجر به گلوگاه‌های ترافیکی، تاخیر و کاهش کارایی کلی سیستم حمل‌ونقل می‌شود. [۶]. چالش های ذکر شده در بالا در شهرهای توریستی مانند مورلیا به دلیل غنای فرهنگی و اهمیت تاریخی آن گسترده است. [۷]که ساکنان و گردشگران را جذب می کند و شبکه های حمل و نقل را بیشتر تحت فشار قرار می دهد.

فرآیند شهرنشینی در شهرهایی مانند مورلیا، پویایی ترافیک پیچیده ای را تحت تأثیر عوامل مختلفی مانند الگوهای کاربری زمین، فعالیت های اقتصادی و رفتارهای اجتماعی معرفی می کند. [۸]. فقدان استراتژی‌های جامع برنامه‌ریزی شهری و زیرساخت‌های حمل‌ونقل کافی این پیچیدگی‌ها را بدتر می‌کند و منجر به جریان ترافیک ناکارآمد و خطرات ایمنی می‌شود و ماهیت چندوجهی این موضوع را نشان می‌دهد. [۹].

برای رفع این مشکل، لازم است راه حل های نوآورانه با فناوری های پیشرفته، تجزیه و تحلیل داده ها و رویکردهای برنامه ریزی شهری جامع ادغام شود. [۱۰] برای مدیریت موثر ترافیک و اطمینان از تحرک پایدار در شهرهایی مانند مورلیا که به سرعت در حال شهرنشینی هستند. یکی از وظایف اصلی برای تحقق این امر، مدیریت صحیح تعداد وسایل نقلیه ای است که در یک جاده خاص حرکت می کنند. در کشورهای در حال توسعه مانند مکزیک، روش های سنتی مدیریت ترافیک عمدتاً برای تنظیم سیستم ترافیک استفاده می شود. این سیستم‌های مرسوم اغلب به زیرساخت‌های منسوخ استاتیک و شمارش دستی وسایل نقلیه بستگی دارند که محدودیت‌های متعددی در پرداختن به ماهیت پویای ترافیک شهری دارند که منجر به ارزیابی‌های ذهنی و نادرست می‌شود. یکی از این نمونه ها، شمارنده سنتی است که تعداد وسایل نقلیه ای را که در یک جاده تردد می کنند، محاسبه می کند. شکل ۱ یک شمارنده پنوماتیک سنتی برای شمارش تعداد وسایل نقلیه در حال گردش در جاده را نشان می دهد.

این روش‌های سنتی دقیق نیستند و نیاز به امنیت کامل و نظارت مداوم بر دستگاه دارند، زیرا معمولاً ممکن است به سرقت رفته باشد. این رویکردها منابع انسانی و اقتصادی قابل توجهی را مصرف می کنند. ماهیت این نوع مطالعه با این نوع دستگاه، شمارش تعداد تکرارهای ثبت شده توسط شمارنده است که سپس به تعداد وسایل نقلیه تبدیل می شود. این تغییر ممکن است ناکارآمد و ذهنی باشد زیرا شمارنده تشخیص نمی دهد که چه نوع وسیله نقلیه ای روی نوارهای پنوماتیکی عبور کرده است. شکل ۲ این تایید را نشان می دهد، جایی که می توان متوجه شد که شمارنده عبور دو وسیله نقلیه را ثبت می کند.

با این حال، شکل ۲ نیاز آشکار به روش‌های دقیق‌تر و کارآمدتر را برای شمارش وسایل نقلیه نشان می‌دهد، زیرا در این حالت، دو نوع خودرو مختلف از پیشخوان عبور می‌کنند و آسیبی که هر خودرو به سطح روسازی وارد می‌کند، کاملاً متفاوت خواهد بود.

یکی دیگر از زمینه‌های بهبود در این دیدگاه این است که رویکردهای سنتی معمولاً فاقد داده‌های زمان واقعی و قابلیت‌های پیش‌بینی هستند، که پیش‌بینی و کاهش موثر تراکم ترافیک را دشوار می‌کند. [۱۱]. رویکردهای تکنولوژیکی مختلفی برای کاهش این محدودیت ها وجود دارد و هوش مصنوعی (AI) یکی از خلاقانه ترین راه حل ها است.

این تحقیق عملکرد یک الگوریتم یادگیری عمیق پیچیده (DL) را برای افزایش کارایی روش‌های شمارش وسایل نقلیه در مورلیا و به طور بالقوه گسترش این رویکرد به مناطق دیگر در سراسر کشور بررسی می‌کند. هدف از استفاده از DL در این زمینه، پرداختن به چالش‌های فعلی مدیریت ترافیک شهری با استفاده از قدرت الگوریتم‌های پیشرفته DL برای تجزیه و تحلیل حجم زیادی از داده‌های ترافیکی است. [۱۲]. به عنوان مثال، سیستم‌های کنترل چراغ راهنمایی تطبیقی که توسط DL طراحی شده‌اند برای بهینه‌سازی جریان ترافیک در زمان واقعی توسعه می‌یابند که نقش رو به رشد هوش مصنوعی در مدیریت ترافیک را برجسته می‌کند. [۱۳].

در سال های اخیر، تکنیک های DL با موفقیت در زمینه های مختلف مهندسی عمران به کار گرفته شده است [۱۴]از پیش‌بینی رفتار مصالح ساختمانی مانند بتن با دقت بالا تا تشخیص و طبقه‌بندی آسیب در سازه‌های بتنی و آسفالتی با استفاده از شبکه‌های عصبی پیچیده [۱۵,۱۶,۱۷,۱۸].

این تحقیق بر روی انطباق و آزمایش یک راه حل دقیق و مقیاس پذیر برای تشخیص، طبقه بندی و شمارش خودکار وسایل نقلیه در زمان واقعی از فیلم های ضبط شده در ایستگاه های نظارت منتخب در سراسر شهر متمرکز است. این رویکرد ممکن است بینش هایی را در مورد الگوهای ترافیک، شناسایی نقاط پر ازدحام و بهینه سازی جریان ترافیک در Morelia ارائه دهد. معماری پیچیده ای که برای این منظور تحلیل می شود، الگوریتم YOLOR (شما فقط یک نمایش را یاد می گیرید) در ارتباط با الگوریتم مرتب سازی عمیق است. الگوریتم YOLOR در شش ایستگاه نظارت در حالت استنتاج آزمایش شد تا کاربرد یک سیستم بینایی کامپیوتری را به عنوان یک راه حل بالقوه برای ساختن سیستم‌های نظارت هوشمند ترافیک بررسی کند.

تجزیه و تحلیل شامل سطوح مختلف اطمینان در طول حالت استنتاج برای تعیین دقت طبقه‌بندی نوع خودرو است. علاوه بر این، وزن‌های مختلف از قبل آموزش دیده (نماینده سطوح مختلف پیچیدگی مدل) در مرحله تجزیه و تحلیل ضبط ویدیویی، از ساده‌ترین تا پیچیده‌ترین معماری‌ها، استفاده شد. در نتیجه، این تحقیق عملکرد مدل را در تشخیص، طبقه‌بندی و شمارش وسایل نقلیه تحت سناریوها و شرایط خاص ارائه شده توسط مورلیا سیتی ارزیابی می‌کند.

با این تحقیق، یکی از پیچیده‌ترین و جدیدترین معماری‌های مدل بینایی کامپیوتری تحت شرایط مختلف آزمایش می‌شود تا کارایی آن در شمارش وظایف خودرو در سناریوهای دنیای واقعی ارزیابی شود.

۲٫ رویکرد هوش مصنوعی در مدیریت ترافیک

همانطور که گفته شد، فناوری های پیشرفته باید در سیستم های نظارت بر ترافیک ادغام شوند. تحقیقات گذشته به دلیل افزایش تعداد وسایل نقلیه، که پویایی و مدیریت ترافیک را پیچیده می‌کند، از چالش‌های فزاینده بهتر عمل کرده است. [۱۹]. مطالعات قابل توجهی مانند «سیستم شمارش، تخمین سرعت و طبقه‌بندی بی‌درنگ خودرو براساس منطقه تشخیص مجازی و YOLO» به درک و توسعه سیستم‌های تشخیص و طبقه‌بندی بی‌درنگ خودرو با استفاده از الگوریتم‌های پیچیده مانند YOLO کمک کرده‌اند. [۲۰]. پیشرفت های اخیر، مانند تنظیم دقیق معماری YOLO-v5، دقت تشخیص وسیله نقلیه را در محیط های پیچیده ترافیکی به طور قابل توجهی بهبود بخشیده است و پتانسیل DL را در نظارت بر ترافیک در زمان واقعی نشان می دهد. [۲۱]. این سیستم ها پیشرفت های قابل توجهی را در کارایی نظارت بر ترافیک نشان داده اند.

ادغام شبکه‌های عصبی کانولوشنال با YOLO منجر به افزایش دقت در تشخیص خودرو شده است و سیستم‌های نظارت ترافیک کارآمدتر را تسهیل می‌کند. [۲۲]. محمد آژاد و فضلان حفیظلمی ادغام YOLO و Deep Sort را برای تشخیص و ردیابی خودرو نشان داده‌اند و به پیشرفت‌هایی در استفاده از YOLOv4 برای برنامه‌های بلادرنگ در مدیریت ترافیک اشاره کرده‌اند. تحقیقات آنها به نتایج پیشرفته‌ای دست یافته است که از اثربخشی ترکیب الگوریتم‌های DL و فناوری‌های نظارت تصویری برای افزایش قابلیت‌های شمارش و ردیابی وسایل نقلیه پشتیبانی می‌کند. [۲۳]. به طور مشابه، القانس و همکاران. سیستم تشخیص خودرو مبتنی بر YOLO را برای نظارت بر ترافیک جاده‌ای ارائه کرده‌اند که عملکرد تشخیص و طبقه‌بندی پیشرفته را از طریق آموزش مجموعه داده‌های متنوع و آزمایش توالی‌های ویدئویی ترافیک در دنیای واقعی به نمایش می‌گذارد. [۲۴]. این رویکرد یک پایه محکم برای راه حل های هوشمند مدیریت ترافیک فراهم می کند.

مطالعه دیگری با عنوان “به سوی تخمین جریان ترافیک در زمان واقعی با استفاده از YOLO و SORT از فیلم های نظارتی” پتانسیل استفاده از فیلم های نظارتی را در کنار تکنیک های بینایی کامپیوتری برای تخمین دقیق و کارآمد جریان ترافیک برجسته می کند. [۲۵]. این کار به طور موثر الگوریتم های YOLOv4 و SORT را برای طبقه بندی و ردیابی وسایل نقلیه در حال حرکت در جهات مختلف ادغام می کند.

در مطالعه مهم دیگر، مطالعه “تشخیص و ردیابی انواع مختلف خودروها با ترکیب مدل YOLO و الگوریتم مرتب سازی عمیق بر اساس دید کامپیوتری کنترل ترافیک” یک سیستم نظارت و کنترل ترافیک را با استفاده از ترکیبی از الگوریتم های YOLOv4 و Deep Sort برای شناسایی موثر توسعه داد. ، ردیابی و طبقه بندی انواع خودروهای مختلف از فیلم دوربین مداربسته، دستیابی به دقت تشخیص ۸۷٫۹۸٪ با میانگین دقت متوسط (mAP) [26]. در رویکردهای مشابه، عظیمجونوف و اوزمن تشخیص و ردیابی بی‌درنگ خودرو مبتنی بر YOLO را بهبود بخشیدند و دقت طبقه‌بندی را برای نظارت بر ترافیک بزرگراه با ادغام طبقه‌بندی‌کننده‌ها بهبود دادند و در نتیجه عملکرد را از ۵۷% به ۹۵٫۴۵% افزایش دادند.

لین و جانگ یک سیستم نظارت بر ترافیک هوشمند را اجرا کردند که YOLO و شبکه‌های عصبی فازی کانولوشنال را برای طبقه‌بندی و شمارش خودرو در زمان واقعی ادغام می‌کند و دقت و عملکرد برتر را در چندین مجموعه داده نشان می‌دهد. [۲۷]. عباسی، شهرکی و طاهرکردی به طور جامع استقرار DL برای نظارت و تحلیل ترافیک شبکه (NTMA) را بررسی کردند و بر کارایی آن در مدیریت رفتارهای پیچیده شبکه و چالش‌های داده‌ای مهم تأکید کردند. [۲۸]. زو و همکاران مدل MME-YOLO را ارائه کرد، یک شبکه پیچیده چندحسگر و چند سطحی ابتکاری برای تشخیص خودروی قوی در نظارت بر ترافیک، که به طور قابل توجهی عملکرد تشخیص را تحت شرایط مختلف بهبود می بخشد. [۲۹]. الگوریتم‌های DL همچنین با موفقیت در کنترل سیگنال‌های ترافیکی و شمارش وسایل نقلیه به کار گرفته شده‌اند و سازگاری و اثربخشی آن‌ها را در مدیریت ترافیک دنیای واقعی ثابت می‌کنند که توسط مودی و همکارانش تاکید شده است. در [۳۰].

در حال حاضر، ادغام رویکردهای هوش مصنوعی در وظایف نظارت بر ترافیک، نتایج امیدوارکننده‌ای را در رسیدگی به چالش‌هایی که شهرها با افزایش جمعیت وسایل نقلیه با آن روبرو هستند، نشان داده است. این مطالعات محدودیت‌های روش‌های سنتی مدیریت ترافیک و ضرورت راه‌حل‌های پیشرفته‌تر را برجسته می‌کنند. لین و همکاران شبکه‌های عصبی فازی کانولوشنال را با YOLO ادغام کرده‌اند و به دقت برتر در طبقه‌بندی و شمارش وسایل نقلیه دست می‌یابند که برای سیستم‌های نظارت هوشمند ترافیک بسیار مهم است. [۳۱].

کار فعلی تحقیقات قبلی ارائه شده در را گسترش می دهد [۳۲]معرفی یک تجزیه و تحلیل جامع از الگوریتم‌های YOLOR و Deep Sort در ایستگاه‌های نظارتی متعدد با ترافیک، روشنایی، شرایط آب و هوایی و کلاس‌های خودرو. بر خلاف کار فوق الذکر، که در درجه اول بر روی آزمایش اولیه در دو ایستگاه متمرکز بود، این تحقیق به تغییرات عملکرد تحت سطوح مختلف اطمینان و پیچیدگی های محاسباتی می پردازد. علاوه بر این، مطالعه حاضر شامل یک برنامه جدید از بهبودهای الگوریتمی، مانند بهینه‌سازی پیکربندی‌های مدل و شامل طبقه‌بندی‌های پیچیده‌تر خودرو می‌شود. این پیشرفت‌ها به یک راه‌حل نظارت بر ترافیک قوی‌تر و مقیاس‌پذیر کمک می‌کنند و پیشرفت‌های قابل توجهی را نسبت به یافته‌های اولیه ارائه‌شده در مطالعات قبلی نشان می‌دهند.

در کشورهایی مانند مکزیک، وظایف شمارش وسایل نقلیه بر روش‌های سنتی مانند اندازه‌گیری دستی خودرو و سنسورهای فشار برای اندازه‌گیری مقادیر خودرو و تخمین ترکیب خودرو تکیه می‌کنند. این روش ها به طور کلی شامل نظارت بر جریان ترافیک در نقاط خاص جاده برای تعیین حجم ترافیک روزانه است. با این حال، روش‌های سنتی اندازه‌گیری خودرو، به‌ویژه در مورد دقت و قابلیت اطمینان، باید بهبود یابند.

هدف این تحقیق آزمایش عملکرد الگوریتم های YOLOR و Deep Sort در کارهای شمارش وسایل نقلیه است. با این کار، می‌توان روشی متفاوت برای بهینه‌سازی ثبت ترافیک خودرو و برآورد میانگین ترافیک روزانه سالانه (AADT) پیشنهاد کرد. همچنین، این تحقیق با هدف رسیدگی به شکاف های مهم در روش های موجود مرتبط با مدیریت ترافیک در مورلیا، مکزیک است.

۳٫ روش شناسی

۳٫۱٫ الگوریتم YOLOR

الگوریتم YOLOR به دلیل قابلیت متمایز آن برای ارائه یک نمایش یکپارچه که دانش صریح و ضمنی را ادغام می کند، انتخاب شد. [۳۳]که برای پرداختن به پیچیدگی های ذاتی در تحلیل ترافیک در شهرهایی مانند مورد مورلیا بسیار مهم است. با استفاده از هر دو نوع دانش، YOLOR می‌تواند پویایی پیچیده الگوهای ترافیکی، از جمله تعاملات بین وسایل نقلیه، عابران پیاده و عوامل محیطی را به تصویر بکشد. این نمایش یکپارچه پیش بینی های دقیق تر و قوی تر را تسهیل می کند.

مزیت مهم YOLOR در انعطاف پذیری و مقیاس پذیری آن در کارهای مختلف است [۳۴]. فرمول آن، که خطاهای صریح و ضمنی را ترکیب می کند، YOLOR را قادر می سازد تا با طیف گسترده ای از وظایف مرتبط با ترافیک مانند تشخیص وسیله نقلیه، طبقه بندی و تجزیه و تحلیل جریان ترافیک سازگار شود. این تطبیق پذیری برای مقابله با چالش های چند وجهی موجود در شرایط ترافیکی Morelia ضروری است، جایی که امروزه باید به جنبه های متعدد مدیریت ترافیک پرداخته شود.

معماری YOLOR به آن اجازه می دهد تا از منابع داده های مختلف یاد بگیرد و تعمیم دهد و آن را برای محیط های پیچیده شهری مناسب می کند. [۳۵,۳۶]. با استفاده از تکنیک‌های DL، YOLOR می‌تواند حجم زیادی از داده‌های ترافیکی را در زمان واقعی پردازش و تجزیه و تحلیل کند و الگوها و ناهنجاری‌هایی را که روش‌های سنتی ممکن است کنار بگذارند، شناسایی کند. این قابلیت پردازش بی‌درنگ برای مدیریت ترافیک پویا، که در آن بینش‌های فوری می‌تواند به مداخلات مؤثر منجر شود، حیاتی است.

مقیاس‌پذیری این الگوریتم به این معنی است که می‌توان آن را در مقیاس‌های مختلف نظارت بر ترافیک، از تقاطع‌های کوچک تا شبکه‌های بزرگ شهری، مستقر کرد. این مقیاس‌پذیری از طریق طراحی ماژولار آن به دست می‌آید، که امکان افزودن یا حذف مؤلفه‌ها را بر اساس نیازهای خاص وظیفه نظارت فراهم می‌کند. با تکامل شرایط ترافیکی در Morelia، YOLOR را می توان برای برآورده کردن خواسته های جدید تنظیم کرد و از بهبود مستمر در مدیریت ترافیک اطمینان حاصل کرد.

در زمینه شبکه های عصبی، برای یک شبکه معمولی، تابع هدف را می توان به صورت زیر فرموله کرد:

$y = f_{من} (x) + ϵ ،$

(۱)

کجا x مشاهده است $من$ مجموعه ای از پارامترهای یک شبکه عصبی را نشان می دهد، $f_{من}$ عملکرد شبکه عصبی را نشان می دهد، $ϵ$ عبارت خطا است و y هدف یک وظیفه معین است. هدف به حداقل رساندن است $ϵ$ ساختن $f_{من} (x)$ تا حد امکان نزدیک به هدف YOLOR یک فرمول پیشرفته را پیشنهاد می کند که دانش صریح و ضمنی را ادغام می کند همانطور که در (۲) نشان داده شده است:

$y = f_{من} (x) + ϵ + g_{ϕ} (ϵ_{ه x} (x) ، ϵ_{من متر} (ز)) ،$

(۲)

کجا $ϵ_{ه x}$ و $ϵ_{من متر}$ خطاهای صریح و ضمنی از مشاهده را مدل کنید x و کد نهفته زبه ترتیب. $g_{ϕ}$ یک عملیات ویژه کار است که اطلاعات را از دانش صریح و ضمنی ترکیب می کند [۳۷]. در این مطالعه، الگوریتم YOLOR برای رسیدگی به خطاهای صریح و ضمنی طراحی شده است که برای بهبود دقت و کارایی تشخیص وسیله نقلیه در سیستم‌های نظارت ترافیک بسیار مهم هستند. خطاهای صریح از اختلافات قابل مشاهده در داده ها ناشی می شوند، مانند وسایل نقلیه اشتباه طبقه بندی شده یا جعبه های مرزبندی نادرست. در مقابل، خطاهای ضمنی از عوامل مشاهده نشده، از جمله مفروضات مدل و متغیرهای پنهان ناشی می‌شوند. با جداسازی این خطاها، الگوریتم می‌تواند تعاملات پیچیده درون داده‌های ترافیک را بهتر ثبت کند، که منجر به پیش‌بینی‌های دقیق‌تر و عملکرد قوی‌تر در سناریوهای دنیای واقعی می‌شود. این جداسازی توانایی الگوریتم را برای انطباق با شرایط ترافیکی مختلف افزایش می‌دهد و کارایی کلی آن را در تشخیص و طبقه‌بندی وسایل نقلیه بهبود می‌بخشد. بزرگترین چالش ها در استفاده از الگوریتم های هوش مصنوعی مانند YOLOR و Deep Sort برای تشخیص و ردیابی خودرو شامل برخورد با انسداد، تغییرات نور و پویایی پیچیده در ترافیک شهری است. YOLOR به طور موثر وسایل نقلیه را شناسایی می کند، اما می تواند با انسداد و اشیاء همپوشانی دست و پنجه نرم کند که منجر به تشخیص نادرست می شود. از سوی دیگر، Deep Sort می تواند ردیابی وسایل نقلیه را در طول تغییرات ناگهانی جهت یا سرعت از دست بدهد و دقت ردیابی را کاهش دهد. این چالش‌ها حوزه‌هایی را برجسته می‌کنند که در آن‌ها به بهبودهای بیشتر برای افزایش استحکام این الگوریتم‌ها در سناریوهای دنیای واقعی نیاز است.

۳٫۲٫ الگوریتم مرتب سازی عمیق

الگوریتم مرتب سازی عمیق توسعه ای از الگوریتم اصلی SORT (ردیابی آنلاین ساده و بیدرنگ) است. [۳۸]که به طور قابل توجهی دقت ردیابی را با ترکیب ویژگی های DL بهبود می بخشد. Deep Sort اطلاعات حرکت و ظاهر را برای ردیابی اشیاء در فریم ها در یک توالی ویدیو ترکیب می کند. Deep Sort با دنبال کردن مراحل بعدی عمل می کند:

تشخیص: در هر فریم، اشیاء شناسایی می شوند و جعبه های محدود کننده آنها توسط یک مدل تشخیص شی مانند YOLO یا SSD خروجی می گیرند.
استخراج ویژگی: یک CNN ویژگی هایی را از هر شی شناسایی شده استخراج می کند تا به تمایز بین اشیاء مختلف کمک کند.
پیش بینی: برای هر آهنگ، فیلتر Kalman وضعیت جدید را بر اساس وضعیت قبلی آن پیش بینی می کند.
انجمن: حالت های پیش بینی شده با تشخیص های جدید بر اساس یک ماتریس هزینه که حالت های کالمن پیش بینی شده و ویژگی های ظاهری را در نظر می گیرد، مطابقت داده می شود. تطبیق با استفاده از الگوریتم مجارستانی بهینه شده است.
به روز رسانی: فیلتر کالمن وضعیت هر آهنگ منطبق را با تشخیص مربوطه به روز می کند.
مدیریت آهنگ: آهنگ‌ها برای تشخیص‌های بی‌همتا ایجاد می‌شوند و اگر برای مدت طولانی بی‌همتا بمانند، پایان می‌یابند.

ماهیت الگوریتم مرتب‌سازی عمیق در تکنیک‌های تخمین وضعیت و تداعی داده‌ها که به ترتیب توسط فیلتر کالمن و الگوریتم مجارستانی فعال می‌شوند، کاشته شده است. این دو جزء نقش محوری در عملکرد الگوریتم دارند.

فیلتر کالمن وضعیت هر آهنگ را با معادلات زیر پیش بینی و به روز می کند:

$پیش بینی : {\hat{x}}_{ک | ک - ۱} = {اف}_{ک} {\hat{x}}_{ک - ۱ | ک - ۱} + ب_{ک} {تو}_{ک} ،$

(۳)

کجا ${\hat{x}}_{ک | ک - ۱}$ حالت پیش بینی شده است ${اف}_{ک}$ مدل انتقال حالت است $ب_{ک}$ مدل ورودی کنترل است و ${تو}_{ک}$ بردار کنترل است:

$به روز رسانی : {\hat{x}}_{ک | ک} = {\hat{x}}_{ک | ک - ۱} + ک_{ک} (y_{ک} - {اچ}_{ک} {\hat{x}}_{ک | ک - ۱}) ،$

(۴)

کجا ${\hat{x}}_{ک | ک}$ وضعیت به روز شده است $ک_{ک}$ سود کالمن است، $y_{ک}$ اندازه گیری است و ${اچ}_{ک}$ مدل اندازه گیری است.

ماتریس هزینه برای تطبیق مسیرهای پیش بینی شده با تشخیص های جدید به صورت زیر محاسبه می شود:

$ج_{من جی} = (۱ - ل) \cdot ماهالانوبیس (من ، جی) + ل \cdot Cos عدم فاصله (من ، جی) ،$

(۵)

کجا $ل$ یک پارامتر تنظیم است که تأثیر معیارهای فاصله را متعادل می کند، Mahalanobis ( $من ، جی$ ) فاصله Mahalanobis بین حالت پیش بینی شده و تشخیص و CosineDistance ( $من ، جی$ ) فاصله کسینوس بین ویژگی های ظاهری آنها را اندازه گیری می کند.

الگوریتم مجارستانی برای یافتن تخصیص بهینه استفاده می شود که هزینه کلی را به حداقل می رساند، تعریف شده توسط ماتریس هزینه. ج. این الگوریتم تضمین می کند که هر تشخیص به طور منحصر به فرد با یک مسیر بر اساس داده های فضایی و ظاهری مطابقت دارد و ردیابی اشیاء قوی را تسهیل می کند. [۳۹].

این الگوریتم عملکرد ردیابی را با یکپارچه‌سازی مؤثر ویژگی‌های ظاهری استخراج‌شده از طریق یک شبکه عصبی عمیق با پیش‌بینی‌های حرکتی ساخته‌شده توسط فیلتر کالمن، افزایش می‌دهد. در مقابل، الگوریتم مجارستانی ارتباطات ردیابی را در فریم ها بهینه می کند.

ظرفیت تطبیق الگوریتم‌های YOLOR و Deep Sort برای شرایط ترافیکی مورلیا در طول این تحقیق با توجه به ویژگی‌ها و چالش‌های منحصربه‌فرد شهر، به عنوان مثال، انواع وسایل نقلیه که معمولاً در جاده‌های آن یافت می‌شوند، الگوهای ترافیکی معمولی، و ازدحام خاص، مورد آزمایش قرار گرفت. امتیاز

۳٫۳٫ جمع آوری داده ها

محققان شش نقطه بحرانی را در مورلیا در فرآیند جمع‌آوری داده‌ها شناسایی کردند: “Calzada La Huerta”، “Camelinas Avenue”، “Calzada La Huerta-East”، “Francisco I. Madero West”، “Federal Hwy 14” و “Calzada”. خیابان La Huerta-Cosmos بر اساس ملاحظات مهندسی مختلف، به ویژه حجم قابل توجه ترافیک مشاهده شده در ساعات اوج مصرف، انتخاب شدند. نامزدهای مطالعه جامع مدیریت ترافیک و شمارش وسایل نقلیه

نقاط بحرانی انتخاب شده مطابق جدول ۱ تعیین می شوند.

معیارهای انتخاب شامل حجم ترافیک و تنوع انواع وسایل نقلیه، الگوهای ترافیکی و پتانسیل ازدحام بود. این عوامل برای توسعه یک سیستم نظارت بر ترافیک قوی که می تواند داده های دقیق و قابل اعتمادی را برای اهداف مدیریت ترافیک ارائه دهد، بسیار مهم هستند.

مختصات جغرافیایی نقاط ایستگاه مانیتورینگ در جدول ۲ به تفصیل آمده است. نقشه های گوگل برنامه، مناطق خاص مورد علاقه در شهر را برجسته می کند. این ارقام نه تنها چیدمان و زیرساخت های اطراف ایستگاه های نظارت را نشان می دهند، بلکه سطح اطمینان بخشی از جزئیات را برای فرآیندهای برنامه ریزی و تصمیم گیری شما ارائه می دهند.

نویسندگان دوربین های تلفن همراه با کیفیت بالا را در موقعیت های استراتژیک ایستگاه های نظارت نصب کردند. این دوربین ها، به طور خاص، دوربین گوشی های هوشمند گوگل پیکسل، مجهز به سنسور ۱۲٫۲ مگاپیکسلی ۱/۲٫۵۵ اینچی، ۱٫۴ میکرومتر پیکسل، میدان دید ۷۷ درجه، لنز دیافراگم f/1.7، فوکوس خودکار تشخیص فاز دو پیکسل (PDAF) و اپتیکال بودند. تثبیت‌کننده تصویر (OIS) این تنظیمات به ما امکان می‌دهد تا داده‌های ویدیویی را با وضوح ۱۰۸۰p با سرعت ۳۰ فریم در ثانیه (FPS) ضبط کنیم و از مجموعه داده‌های جامعی اطمینان حاصل کنیم که شرایط مختلف ترافیک و نور، از جمله ساعات اوج بار و غیر اوج مصرف، روزهای هفته و آخر هفته را پوشش می‌دهد. تجزیه و تحلیل دقیق این داده ها بینش های ارزشمندی را در مورد الگوهای ترافیک و شناسایی روندها و ناهنجاری ها ارائه می دهد.

فیلم‌های ویدئویی از تمام نقاط ایستگاه نظارت با استفاده از الگوریتم‌های پیشرفته DL، با تمرکز خاص بر روی مدل YOLOR پردازش شدند. این مدل در شناسایی، طبقه‌بندی و شمارش وسایل نقلیه در زمان واقعی بسیار مفید بود و در نتیجه بینش‌های مهمی در مورد مدیریت ترافیک ارائه می‌کرد. داده‌های به‌دست‌آمده از مدل YOLOR با اطلاعات حقیقت زمینی که از طریق یک فرآیند شمارش دستی توسط نویسندگان به‌دست آمد، مقایسه شد.

برای استفاده از اهمیت استراتژیک “Calzada La Huerta” و “Camelinas Avenue”، این مطالعه به دو بخش تقسیم شد. اولین مورد شامل تجزیه و تحلیل کامل عملکرد مدل بود که شامل تغییرات در سطح اطمینان و تغییرات در نسخه مدل (عمق مدل متفاوت) بود تا بدانیم چه ترکیبی از مدل برای کار شمارش وسیله نقلیه مناسب تر است. بخش دوم شامل تجزیه و تحلیل بقیه ایستگاه های نظارت (MS3، MS4، MS5 و MS6) در حالت استنتاج برای تأیید مرحله اول روش و ارزیابی قابلیت های الگوریتم YOLOR برای شمارش وسایل نقلیه در سناریوهای واقعی با در نظر گرفتن یک حالت دائمی بود. جریان وسیله نقلیه

در MS1، دوربین در سطح خیابان قرار گرفت تا عملکرد مدل را در تشخیص و شمارش وسایل نقلیه از منظر جانبی ارزیابی کند. در مقابل، در MS2، دوربین ۶ متر بالاتر از جاده بر روی یک پل عابر پیاده قرار گرفت و نمای مرتفع و جلویی از ترافیک وسایل نقلیه را ارائه داد. در هر دو سناریو، یک سه پایه تجاری برای اطمینان از ثبات ویدیو استفاده شد.

تراکم ترافیک در هر دو ایستگاه نظارت بالا بود، با مناطق به خوبی تعریف شده از تغییر شرایط ترافیک. ترکیب معمولی وسایل نقلیه شامل خودروهای سواری، کامیون، موتورسیکلت، اتوبوس، تریلر و دوچرخه است. قابل ذکر است، در طول دوره جمع آوری داده ها، هیچ گونه تغییر قابل توجهی در الگوهای ترافیک وجود نداشت.

۳٫۴٫ روش استنتاج

هر کشور به طور کلی سیستم طبقه بندی وسایل نقلیه خود را دارد. در مکزیک، وسایل نقلیه بر اساس بار یک محور معادل (ESAL) طبقه بندی می شوند. این رویکرد منجر به دسته بندی دقیق و جامع وسایل نقلیه می شود. با این حال، برای این تحقیق، یک طبقه بندی ساده با تمرکز بر پنج نوع اصلی وسایل نقلیه: اتومبیل، کامیون، اتوبوس، موتور سیکلت و دوچرخه اتخاذ شد. این طبقه بندی کلی با دسته بندی های موجود در مجموعه داده COCO، که شامل ۸۰ کلاس مختلف از اشیا، از جمله انواع خودروهای فوق الذکر است، همسو است. [۴۰].

یکی از جنبه های مهم این مطالعه، ارزیابی عملکرد الگوریتم YOLOR در حالت استنتاج و ترکیب آن با الگوریتم مرتب سازی عمیق است. بنابراین، این مطالعه از تکنیک‌های یادگیری انتقالی و تنظیم دقیق، استفاده از وزنه‌های از پیش تمرین‌شده استفاده کرد. الگوریتم YOLOR بر روی مجموعه داده های مختلف برای ارزیابی اثربخشی آن آموزش داده شد و مجموعه داده COCO از جمله مواردی بود که در فرآیند آموزش استفاده شد. در نتیجه، پنج مجموعه وزنه از پیش تمرین شده برای این تجزیه و تحلیل سفارشی موجود است (YOLOR P6، YOLOR CSP، YOLOR CSP STAR، YOLOR CSP X STARو YOLOR CSP X، هر کدام مربوط به نسخه های مختلف مدل است. جدول ۳ تمایز بین نسخه مدل را نشان می دهد که به عنوان اولین نمونه در این تحقیق مورد تجزیه و تحلیل قرار گرفت و عملکرد آنها را در GPU، CPU، دقت متوسط نشان می دهد (AP^val) و

{AP}_{۵۰}^{val}

به دست آمده در مجموعه داده COCO.

این مطالعه سه مدل از پیش آموزش دیده را بررسی کرد که هر کدام از نظر اندازه و پیچیدگی متفاوت بودند. مدل ها انتخاب شدند YOLOR P6، YOLOR CSPو YOLOR CSP Xبه ترتیب نشان دهنده نسخه های کوچک، بزرگ و فوق بزرگ الگوریتم است. YOLOR P6 فشرده ترین مدل است که برای کارایی با بار محاسباتی کاهش یافته طراحی شده است. YOLOR CSP یک نسخه بزرگتر است که پیچیدگی و عملکرد را متعادل می کند و دقت تشخیص بهبود یافته را ارائه می دهد. YOLOR CSP Xبزرگترین مدل، بالاترین دقت و استحکام را در تشخیص و طبقه بندی خودرو ارائه می دهد. با این حال، دومی نیاز به سخت افزار و نرم افزار پیچیده برای دستیابی به عملکرد عالی دارد که در برخی موارد ناکارآمد است. وزنه های از پیش آموزش دیده مرتبط با این مدل ها برای سفارشی کردن الگوریتم YOLOR برای نیازهای خاص این تحقیق بسیار مهم است.

یکی دیگر از جنبه های حیاتی که در این تحقیق باید در نظر گرفته شود نحوه شمارش وسایل نقلیه با استفاده از الگوریتم های YOLOR و Deep Sort است. برای انجام فرآیند شمارش، یک خط مجازی روی هر فیلم ویدئویی برای هر ایستگاه نظارتی همپوشانی دارد. خط مجازی، همچنین به نام شمارنده مجازیبرای هر ایستگاه نظارت تنظیم شده است و دو مختصات را ایجاد می کند. $(x_{۱} ، y_{۱})$ و $(x_{۲} ، y_{۲})$ مختصاتی که محل قرارگیری شمارنده مجازی را نشان می دهد. این شمارنده مجازی شبیه‌سازی شمارنده پنوماتیکی که در روش‌های سنتی استفاده می‌شود. با این حال، در این مورد، هنگامی که یک وسیله نقلیه ردیابی شده (که قبلاً توسط الگوریتم YOLOR شناسایی و طبقه بندی شده است) از شمارنده مجازیکلاس وسیله نقلیه توسط شمارنده مجازی. به این ترتیب تعداد وسایل نقلیه در رجیستر ذخیره می شود. در این قسمت، الگوریتم Deep Sort وارد صحنه می شود زیرا الگوریتم شی شناسایی شده را ردیابی می کند. در واقعیت، شمارنده مجازی عنصر ردیابی شده را ثبت می کند، بنابراین یک روش دقیق برای شمارش تعداد وسایل نقلیه ارائه می دهد.

۳٫۵٫ جزئیات محاسباتی

تمام آزمایش ها و آزمایش ها در یک ایستگاه کاری شخصی با ویژگی های زیر انجام شد:

پردازنده نسل سیزدهم Intel(R) Core(TM) i7-13620H 2.40 گیگاهرتز، ۴۸ گیگابایت حافظه دسترسی تصادفی.
یک پردازنده گرافیکی لپ‌تاپ NVIDIA GeForce RTX 4060، هسته‌های CUDA: 3072، فناوری Max-Q، ۸۱۸۸ مگابایت GDDR6.
یک محیط Python با شتاب GPU به شرح زیر ایجاد شد: CUDNN 8.2.1، CUDAToolkit 11.3.1، Keras 2.4.3، Keras-GPU 2.4.3، Tensorflow-GPU 2.5.0، Tensorflow 2.5.0، و Python 3. 16.

۴٫ نتایج و بحث

۴٫۱٫ عملکرد مدل در انواع مختلف آن

هدف اصلی این تحقیق، آزمایش عملکرد ترکیبی از الگوریتم‌های YOLOR و Deep Sort برای توسعه وظایف مدیریت ترافیک، مانند شمارش وسایل نقلیه، در سناریوهای دنیای واقعی است. مرحله اول ارزیابی تمام ویژگی های ممکن مدل YOLOR بود. همانطور که قبلا ذکر شد، MS1 و MS2 با استفاده از سطوح مختلف اطمینان و نسخه‌های مدل مورد ارزیابی قرار گرفتند و از تجزیه و تحلیل کامل عملکرد الگوریتم‌ها در شرایط مختلف اطمینان حاصل کردند.

انتخاب پارامترها برای انجام این کار در جدول ۴ و جدول ۵ نشان داده شده است. این جداول رویکردهای خاص برای MS1 و MS2، از جمله مقادیر پارامتر و تنظیمات آنها را که در طول تجزیه و تحلیل اعمال می شود، به تفصیل شرح می دهد. علاوه بر این، جزئیات محاسباتی (زمان محاسباتی) برای ارائه درک جامع تری از عملکرد مدل گنجانده شده است.

جدول ۴ و جدول ۵ نشان می دهد که چگونه زمان محاسباتی با افزایش سطح اطمینان در تمام نسخه های مدل کاهش می یابد. این کاهش در زمان محاسبات را می توان به کاهش نیاز الگوریتم به تمایز بین کلاس های شی در زمانی که سطح اطمینان بالا است نسبت داد. الگوریتم تصمیمات قطعی تری با آستانه اطمینان بالاتر می گیرد و بار محاسباتی را کاهش می دهد. به طور مشابه، میانگین فریم در ثانیه (FPS) نیز با افزایش سطح اطمینان بهبود را نشان می دهد. این بهبود در FPS ارتباط نزدیکی با کاهش زمان محاسبات دارد. همانطور که مدل محاسبات کمتری را در هر فریم انجام می دهد، سرعت پردازش برای هر فریم افزایش می یابد. در نتیجه، سطوح اطمینان بالاتر منجر به نرخ پردازش کارآمدتر می شود که در افزایش FPS منعکس می شود.

یک تمایز قابل توجه در بین نسخه های مدل YOLOR اندازه و تأثیر متناظر آنها بر عملکرد است. این YOLOR P6 کوچکترین و سبک ترین نسخه معماری YOLOR است که به دلیل کاهش نیازهای محاسباتی، بالاترین میانگین FPS را به همراه دارد. در مقابل، YOLOR CSP X بزرگترین و پیچیده ترین نسخه است که در عین دقت بیشتر، هزینه محاسباتی بالاتر و در نتیجه FPS کمتری را به همراه دارد. این YOLOR CSP نشان دهنده حد وسط است که بار محاسباتی و سرعت پردازش را متعادل می کند.

شکل ۴ و شکل ۵ تعداد وسایل نقلیه شناسایی شده در هر سطح اطمینان تست شده را برای هر نسخه مدل ارائه می دهد. کلاس های خودرو به صورت اختصاری به شرح زیر است: اتومبیل (ج، کامیون (تی، اتوبوس (بموتور سیکلت (م، و دوچرخه (بی). این ارقام تنوع در تعداد وسایل نقلیه را در نسخه های مختلف مدل و سطوح اطمینان نشان می دهد. با وجود این تنوع، نتایج در محدوده تحمل ۲٪ قرار می گیرند که توسط انحراف استاندارد نشان داده شده است.

با توجه به مقیاس های مختلف هر کلاس خودرو، مقادیر برای ثبات در محدوده ۰ تا ۱ نرمال شدند. انحراف استاندارد (STD) برای هر کلاس در هر سناریو استنتاج برای ارزیابی سازگاری تشخیص ها محاسبه شد. نتایج برای MS1 به شرح زیر است:

STD ج = ۰٫۳۶۹۲۵
STD تی = ۰٫۳۶۲۹۹
STD ب = ۰٫۲۹۰۱۱
STD م = ۰٫۳۲۰۶۴
STD بی = ۰٫۳۱۲۰۷،

در حالی که نتایج برای MS2 به شرح زیر است:

STD ج = ۰٫۳۷۴۲۴
STD تی = ۰٫۳۴۸۶۳
STD ب = ۰٫۲۸۵۷۱
STD م = ۰٫۴۰۳۵۶
STD بی = ۰٫۳۲۵۷۸٫

در این مطالعه، نوع خودرو “ماشین” رده غالب در توزیع خودرو است که منعکس کننده ترکیب ترافیک شهری معمولی است. این یک موقعیت آشنا است که در آن خودروهای سواری اکثریت جریان ترافیک را تشکیل می دهند. با این حال، تاکید بر اهمیت دسته “کامیون” بسیار مهم است، زیرا کامیون ها به طور قابل توجهی بر زیرساخت جاده ها تأثیر می گذارند. کامیون‌ها به دلیل وزن سنگین‌تر و اندازه بزرگ‌تر، در مقایسه با خودروهای سواری معمولی، فشار بسیار بیشتری بر سطوح جاده وارد می‌کنند که منجر به افزایش تغییر شکل‌ها می‌شود. الگوی توزیع مشابهی در MS2 مشاهده می شود، جایی که رده “ماشین” همچنان کلاس رایج است. مقوله “کامیون” دومین دسته است که اهمیت در نظر گرفتن تأثیر کامیون ها بر مدیریت ترافیک و نگهداری زیرساخت ها را تقویت می کند.

۴٫۲٫ مدل های مقایسه

هنگامی که عملکرد مدل برای هر مرحله محاسبه شد، یک تجزیه و تحلیل آماری برای تشخیص عملکرد پایدارتر در تمام تست‌ها انجام شد. توزیع تعداد وسایل نقلیه با استفاده از نمودارهای جعبه ای، که انواع وسایل نقلیه را بر اساس سطح اطمینان در بین کلاس ها طبقه بندی می کند، به تصویر کشیده می شود: اتومبیل ها (ج، کامیون (تی، اتوبوس (بو موتور سیکلت (م). این نمودارها در شکل ۶ و شکل ۷ نشان داده شده اند که استنباط های انجام شده توسط YOLOR P6، YOLOR CSPو YOLOR CSP X مدل ها هر سطح اطمینان شامل توزیع برای سه مدل ذکر شده در این جعبه‌ها است.

اطلاعات قبلی حسی از چگالی اطلاعات را ارائه می دهد که توسط آن محاسبه شده است YOLOR P6، YOLOR CSPو YOLOR CSP X مدل ها این اطلاعات تغییرات قابل توجهی را در مقدار خروجی مدل‌ها نشان نمی‌دهد، که نشان‌دهنده سازگاری در عملکرد آنها و عدم وجود داده‌های پرت است. علاوه بر این، این تحلیل با استفاده از مدل ها به عنوان نقاط مرجع انجام شد که نتایج در شکل ۸ و شکل ۹ نشان داده شده است و برای این مورد، نسخه هر مدل شامل توزیع برای سه سطح اطمینان ۰٫۳۵، ۰٫۵۵ و ۰٫۷۵ است.

جدول ۶ و جدول ۷ داده های حقیقت زمینی را برای ایستگاه های نظارتی MS1 و MS2 ارائه می دهد. این جداول شامل تعداد واقعی هر کلاس خودرو است که در فیلم ضبط شده است و به عنوان مرجعی برای ارزیابی عملکرد الگوریتم‌های YOLOR و Deep Sort عمل می‌کند. تعداد وسایل نقلیه شناسایی شده با حقیقت زمین در سطوح مختلف اطمینان در نسخه های مختلف مدل برای ارزیابی دقت مقایسه شد.

برای این تحلیل، میانگین دقت با شمارش تعداد وسایل نقلیه شناسایی شده در هر حالت استنتاج (تعریف شده توسط سطح اطمینان و نسخه مدل) و مقایسه آن با حقیقت زمین محاسبه شد. نتایج میانگین دقت محاسبه شده در جدول ۸ و جدول ۹ برای MS1 و MS2 نمایش داده شده است. این مقایسه‌ها به درک دقیق عملکرد مدل‌ها در پیکربندی‌ها و شرایط مختلف اجازه می‌دهد و نقاط قوت و محدودیت‌های هر رویکرد را در شناسایی دقیق و شمارش وسایل نقلیه برجسته می‌کند.

با ارزیابی داده‌ها به این روش، مطالعه مروری جامع از اثربخشی نسخه‌های مختلف مدل YOLOR و سطوح اطمینان در سناریوهای ترافیک دنیای واقعی ارائه می‌کند. این تجزیه و تحلیل دقیق برای تعیین قابلیت اطمینان و دقت این مدل‌ها، ارائه بینش‌های ارزشمندی در مورد کاربردهای بالقوه آنها در سیستم‌های مدیریت ترافیک بسیار مهم است. جدول ۸ و جدول ۹ معیارهای عملکرد کلی را برای هر نسخه مدل در تمام کلاس‌های خودروی تحلیل شده به تفصیل شرح می‌دهند. داده ها نشان می دهد که مدل به طور کلی در شناسایی و شمارش وسایل نقلیه در کلاس ها خوب عمل می کند ج، تیو مبا بالاترین دقت مشاهده شده در این دسته ها. با این حال، تشخیص و طبقه بندی طبقات ب و بی سازگاری کمتری دارند که منجر به کاهش جزئی در عملکرد کلی مدل می شود. این اختلاف نشان می‌دهد که بهبودهایی در تشخیص این نوع خودروها برای افزایش دقت کلی مدل ضروری است.

در MS1، بهترین عملکرد با YOLOR CSP مدل در سطح اطمینان ۰٫۳۵ پیکربندی شده است. به طور مشابه، برای MS2، همان نسخه مدل و سطح اطمینان نتایج برتری را به همراه داشت. این سازگاری نشان می دهد که YOLOR CSP مدل در آستانه اطمینان ۰٫۳۵ برای شرایط ترافیکی مشاهده شده در این مطالعه بهینه است.

علیرغم عملکرد قوی الگوریتم YOLOR، روند قابل توجهی وجود دارد که در آن پرسپکتیوهای جانبی خودروها را با دقت بیشتری شناسایی و طبقه بندی می کنند. ب، مو بی. در مقابل، نماهای جلویی و بالای سر در این دسته ها عملکرد خوبی نداشتند. این مشاهدات نشان می‌دهد که زاویه دوربین و پرسپکتیو ممکن است بر قابلیت‌های تشخیص مدل تأثیر بگذارد و یک منطقه بالقوه را برای اصلاح بیشتر برجسته کند.

به منظور ارائه یک نمای کلی از عملکرد مدل در MS1 و MS2، شکل ۱۰ و شکل ۱۱ یک اسکرین شات از هر ایستگاه نظارتی را نشان می‌دهد که نحوه شکل‌گیری روند شمارش را نشان می‌دهد.

برای مشاهده گسترده عملکرد مدل، دموهای زیر بخشی از هر فیلم ویدئویی، MS1 و MS2 را نشان می‌دهند.

۴٫۳٫ استنباط از ایستگاه های مانیتورینگ

پس از تجزیه و تحلیل و آزمون همه مدل ها با سطوح اطمینان مختلف و انتخاب بهترین مدل و سطح اطمینان، تغییراتی در استنباط های تحلیل شده ایجاد شد. ابتدا طبقات مورد علاقه به ج، تیو ب از آنجایی که این کلاس‌ها به خوبی توسط الگوریتم‌ها مورد توجه قرار می‌گیرند و در عین حال، در ظرفیت خودرو، این نوع از وسایل نقلیه مهم‌ترین هستند زیرا در بارهای وارده به سطوح روسازی تعیین‌کننده هستند. دوم، شمارنده مجازی به دو شمارنده تقسیم می‌شد، یکی که وظیفه شمارش وسایل نقلیه را در یک جهت و دومی که وسایل نقلیه را در جهت مخالف می‌شمرد. اسکرین شات تمام ایستگاه های مانیتورینگ در شکل ۱۲ نشان داده شده است.

دموهای باقی مانده ایستگاه های نظارت را می توان در موارد زیر یافت:

با این یافته ها و تغییرات اعمال شده در ایستگاه های نظارت، نتایج در جدول ۱۰ نشان داده شده است، که در آن نتایج ستون آخر، نتایج تعداد کل وسایل نقلیه شناسایی شده توسط رویکرد هوش مصنوعی و تعداد خودروهای ثبت شده به عنوان حقیقت زمین

از دموها و نتایج نشان داده شده در جدول ۱۰، می توان متوجه شد که ترکیب الگوریتم های تحلیل شده می تواند مشکل شمارش وسایل نقلیه را با دقت بیشتری حل کند. توجه به این نکته حائز اهمیت است که دقت بالاتر مشاهده شده در جدول ۱۰ در MS1 و MS2 به دلیل تمرکز بر کلاس های وسایل نقلیه به خوبی شناسایی شده است.ج، تیو ب– در حالی که سایر کلاس‌هایی که در طبقه‌بندی چالش‌هایی را ارائه می‌کردند کنار گذاشته شدند، که به بهبود معیارهای عملکرد کمک کرد.

با این حال، ترکیب این الگوریتم ها می تواند پیشرفت های مختلفی را برای دستیابی به بهترین عملکرد در این نوع تحلیل اتخاذ کند. در ابتدا، وزن‌های از پیش آموزش‌دیده‌شده مورد استفاده در این تحقیق با یک مجموعه داده با طبقه‌بندی کلی قابل‌توجهی از وسایل نقلیه مطابقت دارد. از این نظر، طبقه بندی وسایل نقلیه برای مکزیک متفاوت است. این سناریو اصلاحاتی را در نوع وسایل نقلیه پیشنهاد می‌کند که در وزن‌های از پیش آموزش دیده وجود دارد و با مجموعه داده‌های سفارشی‌شده امکان‌پذیر خواهد بود. به عنوان مثال، مدل‌ها معمولاً حمل‌ونقل عمومی (که در مورد مکزیک «combis» نامیده می‌شود) را اشتباه می‌گیرند. ج یا تی. این سردرگمی تعداد متفاوتی از عناصر شناسایی شده را در طول استنتاج تولید می کند. همچنین، انواع تی مورد استفاده در مکزیک به عنوان طبقه بندی و شناسایی می شوند ج زیرا این نوع وسیله نقلیه قبلاً در طول فرآیند آموزش تعریف نشده بود.

یکی دیگر از یافته‌های مهم این است که مدل‌ها زمانی که زاویه دوربین به آن‌ها اجازه می‌دهد شکل خودروها را مشاهده کنند، بهتر عمل می‌کنند و طبقه‌بندی بهتر خودرو را ممکن می‌سازد. با در نظر گرفتن این مشاهدات، زاویه دوربین ها را می توان تغییر داد، یا برخی از تصاویر خودروی جلویی باید آموزش ببینند تا نوع وسیله نقلیه را با دقت بیشتری در استنتاج تشخیص دهند. علاوه بر این، شرایط آب و هوایی و شدت نور به طور قابل توجهی بر نتایج تشخیص تأثیر می گذارد. آب و هوای نامناسب و سناریوهای کم نور، احتمال مثبت و منفی کاذب را افزایش می دهد، به ویژه در شب یا در شرایط آب و هوایی شدید.

در برخی موارد، الگوریتم باید کلاس یک وسیله نقلیه شناسایی شده را مشخص کند، که باعث می شود خروجی دو کلاس را به طور همزمان نشان دهد، و رجیستر خودرو را برای هر کلاس کپی می کند. با توجه به تعداد وسایل نقلیه ثبت شده، رویکرد هوش مصنوعی به طور متوسط دقت عالی حدود ۹۸٪ را نشان می دهد که برای مدیریت ترافیک داده مرتبط است.

مقایسه روش‌های سنتی شمارش وسایل نقلیه، مانند مشاهده بصری و سنسورهای پنوماتیک، با رویکرد مبتنی بر هوش مصنوعی، مزایای واضحی را از نظر کارایی، سرعت و سازگاری در زمان واقعی نشان می‌دهد. رویکرد هوش مصنوعی، که با مدل YOLOR مثال می‌زند، پتانسیل قابل توجهی را برای بهبود مدیریت ترافیک نشان می‌دهد. با این حال، ادامه تقویت این روش های محاسباتی ضروری است. این تاکید بر بهبود مستمر بر اهمیت نقش مخاطب در تمایز بیشتر رویکردهای مبتنی بر هوش مصنوعی از تکنیک‌های سنتی و استفاده کامل از قابلیت‌های آنها تأکید می‌کند.

۵٫ نتیجه گیری

این تحقیق نشان می دهد که پیاده سازی الگوریتم YOLOR همراه با مرتب سازی عمیق پیشرفت قابل توجهی در سیستم های نظارت بر ترافیک را نشان می دهد. ادغام این فناوری ها امکان تشخیص و طبقه بندی دقیق خودرو را فراهم می کند و راه حلی قابل اعتماد برای مدیریت ترافیک در زمان واقعی ارائه می دهد. این مطالعه بر اهمیت انتخاب نسخه‌های مدل مناسب و سطوح اطمینان برای بهینه‌سازی دقت تشخیص و سرعت پردازش تاکید می‌کند و مقامات ترافیک را قادر می‌سازد تا ایمنی جاده‌ها را افزایش دهند و منابع را به طور موثر مدیریت کنند.

علاوه بر این، یافته‌ها بر نیاز به تحقیق و توسعه مداوم برای اصلاح این رویکردهای مبتنی بر هوش مصنوعی تأکید می‌کنند. کار آینده می تواند کارایی و قابلیت اطمینان این سیستم ها را با پرداختن به چالش هایی مانند طبقه بندی اشتباه خودرو و تاثیر زوایای دوربین بهبود بخشد. استفاده از الگوریتم‌های هوش مصنوعی در Morelia سابقه‌ای برای پذیرش بالقوه آن در سایر مناطق شهری ایجاد می‌کند و به تلاش گسترده‌تر برای توسعه راه‌حل‌های مدیریت ترافیک هوشمند کمک می‌کند.

با توجه به کارایی محاسباتی، نویسندگان آن را تأیید کردند YOLOR P6 به دلیل معماری سبک وزن، سریع ترین زمان پردازش را نشان می دهد، که آن را برای برنامه های بلادرنگ که سرعت در آنها بسیار مهم است، ایده آل می کند. YOLOR CSP تعادل بین کارایی محاسباتی و دقت، مناسب برای سناریوهایی که نیاز به سرعت و دقت متوسط دارند.

یکی دیگر از یافته های مهم رفتار سطح اطمینان است زیرا با افزایش سطح اطمینان، دقت تشخیص وسیله نقلیه بهبود می یابد و مثبت و منفی کاذب کاهش می یابد. این رابطه بر اهمیت تعیین یک آستانه اطمینان بهینه برای متعادل کردن دقت تشخیص و سرعت پردازش تاکید می کند.

تنوع در تعداد خودرو در نسخه های مختلف مدل و سطوح اطمینان حداقل است، با انحرافات استاندارد نشان دهنده سطح بالایی از سازگاری است. این سازگاری تشخیص و طبقه بندی خودرو قابل اعتماد را در بین عوامل مختلف تضمین می کند. MDPI

یافته‌های این تحقیق پتانسیل YOLOR همراه با Deep Sort را برای نظارت کارآمد و دقیق ترافیک نشان می‌دهد. با انتخاب نسخه‌های مدل مناسب و سطوح اطمینان، مقامات ترافیک می‌توانند تخصیص منابع را بهینه کنند، جریان ترافیک را افزایش داده و ایمنی جاده را بهبود بخشند. این مطالعه نه تنها کاربرد جدید الگوریتم‌های YOLOR و Deep Sort را برای تشخیص و طبقه‌بندی خودرو در زمان واقعی نشان می‌دهد، بلکه قابلیت حیات آن‌ها را در شرایط کنترل‌شده در وظایف شمارش وسایل نقلیه ایجاد می‌کند و یک رویکرد قابل اعتماد برای تقویت سیستم‌های مدیریت ترافیک ارائه می‌دهد.

منبع: https://www.mdpi.com/2673-2688/5/3/77