Forskare vid South Ural State University har utvecklat ett unikt intelligent system för att övervaka trafikflödet med hjälp av artificiell intelligens, som inte kräver specifik inspelningsutrustning och kan fungera på nästan alla typer av kamera. Systemet behandlar omedelbart mottagna data i realtid, till skillnad från befintliga program där behandlingen medför en fördröjning på upp till 10 till 15 minuter. En artikel om resultaten av studien publicerades i Journal of Big Data .

Trafikstockningslösning

"Vi har föreslagit och implementerat ett moderniserat system för att bedöma trafikflöden, baserat på de senaste framstegen inom upptäckt och spårning av fordon. Till skillnad från befintliga analoger, vårt system känner igen och analyserar i realtid rörelseriktningen för fordon med ett maximalt relativfel på mindre än 10 procent. De närmaste analogerna kan bestämma hastigheten och klassificera fordon i endast en riktning och med villkoret att placera kamerorna ovanför trafikflödet med en noggrannhet på 80-90 procent. Genom att driva ett neuralt nätverk kan du generera upp till 400 trafikparametrar i realtid vid varje korsning, " säger projektledaren Vladimir Shepelev, docent vid Fordonstransportavdelningen vid Yrkeshögskolan SUSU.

Det unika AIMS-övervakningssystemet samlar in, tolkar och överför data om vägtrafikens intensitet, klassificerar 10 kategorier av fordon, mäter hastighet, den aktuella belastningsnivån för varje riktning i korsningen, bestämmer fordonens vidare riktning. På samma gång, objektigenkänning i realtid vid den stora korsningen AIMS producerar genom användning av endast en Full HD CCTV-kamera.

"Resultaten av denna studie kan tillämpas av stadens myndigheter för att förbättra den totala trafikkapaciteten i korsningen. Vi har redan bevisat vårt system vid flera korsningar i Chelyabinsk för att verifiera att den föreslagna lösningen är tillräckligt korrekt och kan användas som grund för andra högnivåmodeller, säger Shepelev.

Den innovativa tekniken levererar data om strukturen i trafikflödet, fordonsriktningar och hastigheter i realtid. Att använda datautvinningsteknik kommer att stödja implementering av effektiva trafikmönster, minska trafikstockningarna och förbättra resurshanteringen.

Neurala nätverk för analys av stadstrafik

Den nuvarande praxisen att övervaka trafik bygger ofta på användningen av dyra sensorer för kontinuerlig datainsamling eller på en visuell studie av trafik, vanligtvis mätt över flera dagar under vissa tidsperioder. Dock, transporttjänster inte får korrekt och korrekt information om strukturen i trafikflödet, dess intensitet, fart, och i följande rörelseriktning.

"Vi hanterade neurala nätverk för att bearbeta enorma mängder videodata, inte bara för att upptäcka och spåra fordon utan också för att analysera händelseförloppet, " fortsätter Shepelev. "I processen att utveckla tekniken, vi använde open source Mask R-CNN och YOLOv3 neurala nätverksarkitekturer för att upptäcka objekt i realtid, samt SORT tracker, vars kod modifierades av teamet för att förbättra kvaliteten på objektspårning."

Det inbäddade analytiska blocket baserat på artificiell intelligens bestämmer nivån på trafikorganisationen i korsningen och tilldelar KPI till varje rörelseriktning.

Ökad effektivitet och sänkta övervakningskostnader

Som ett resultat av optimering av YOLOv3 neurala nätverksalgoritmer, SUSU-forskare kunde uppnå en noggrannhet på 95 procent, med hänsyn till förlust av föremål under spårning, och avsevärt minska kostnaderna för realtidsövervakningsutrustning.

"Artificiell intelligens med maskinseende tar datainsamling och analys av vägtrafik till en ny nivå, gör det möjligt att känna igen fordon med mycket större tillförlitlighet än någonsin tidigare, " säger Vladimir Shepelev. "Våra nätverk för djupinlärning är lätta att konfigurera, kräver ingen specifik inspelningsutrustning och kan fungera på nästan alla typer av kamera."

Tekniken som utvecklats av forskare från South Ural State University kommer att öka effektiviteten i att använda urban väginfrastruktur. Inom en snar framtid, Teknik för att övervaka vägtrafik med hjälp av artificiell intelligens kommer att bli en del av projektet Sustainable Public Transport för staden Chelyabinsk.