YOLOv3 algoritmi asosida yoʻl belgilarini aniqlash 1-qism

Annotatsiya:

Yo'l harakati belgilarini aniqlash aqlli transport tizimining muhim tarkibiy qismidir, chunki u avtomobil qarorlarini qabul qilish va boshqarish uchun muhim yo'l harakati ma'lumotlarini taqdim etadi.

Urbanizatsiya tezlashgani sayin aholi va transport vositalari soni ortib bormoqda, yo‘l-transport tirbandligi, xavfsizlik hodisalari kabi muammolar tobora jiddiylashib, odamlar hayoti va mehnatiga katta noqulaylik va bosim olib kelmoqda. Shu sababli, aqlli transport tizimlarining paydo bo'lishi bizning hayotimizga katta qulaylik keltirdi va shuningdek, harakat xavfsizligini yaxshilashi mumkin. Intellektual transport tizimlari ham inson xotirasidan ajralmasdir.

Avvalo, intellektual transport tizimlari yuqori texnologiyali vositalar yordamida yo‘l harakati to‘g‘risidagi ma’lumotlarni yig‘ish va tahlil qilish hamda odamlarga yo‘l harakati to‘g‘risidagi batafsil va to‘g‘ri sharoitlarni taqdim etishi mumkin, bu esa odamlarning sayohatini osonlashtirishga va svetofor kabi noto‘g‘ri svetofor ma’lumotlari tufayli vaqt kechikishining oldini olishga yordam beradi. Haydovchilar uchun aqlli transport tizimi real vaqt rejimida ularning haydash marshrutlarini tahlil qilish va monitoringini amalga oshirishi, haydovchilarga maxsus vaqtlarda haydash marshrutlarini zudlik bilan moslashtirishni eslatishi va tirbandlik, kechikish va hokazolarni kamaytirishi mumkin. Shu tarzda u ham haydovchining diqqatini jalb qilishga yordam beradi, haydash paytida charchoqni kamaytiradi va shu bilan haydash xavfsizligini yaxshilaydi.

Ikkinchidan, intellektual transport tizimi haydovchining mobil telefoni, transport vositalarining navigatsiyasi va boshqa texnik vositalar, masalan, Avtotransport vositalari interneti orqali ham ulanishi mumkin. Shunday qilib, odamlar istalgan vaqtda eng so'nggi yo'l harakati ma'lumotlarini olishlari, hozirgi transport muhitini bilishlari va sayohat rejalarini zudlik bilan o'zgartirishlari mumkin. Shu bilan birga, u xavfsiz haydashni ta'minlash uchun transport vositasining xavfsizligini nazorat qilish va haydashga yordam berish tizimlari bilan ham hamkorlik qilishi mumkin. Misol uchun, haydovchilar intellektual transport tizimi tomonidan taqdim etilgan haydash marshrutlarini, yo'l harakati ma'lumotlarini va hokazolarni o'zlashtirgandan so'ng, ular transport vositasini ko'proq yo'naltirilgan va barqaror boshqaradilar, marshrutlarning keskin o'zgarishi va hokazolar tufayli chalkashliklarga duch kelmaydilar, shuningdek favqulodda vaziyatlarda tezda harakat qila olish. reaksiyaga kirishish.

Va nihoyat, aqlli transport tizimi transport vositalari va piyodalarning xavfsiz harakatlanishini ta'minlash va yo'l-transport hodisalarining oldini olish uchun turli shahar transport sharoitlariga muvofiq yo'l harakati boshqaruvi qoidalarini ham o'rnatishi mumkin. Masalan, tirbandlikdan kelib chiqqan holda svetoforning harakatlanish vaqti va chastotasini o‘zgartirish, yo‘l uchastkalarida tezlikni cheklash bo‘yicha eslatmalarni taqdim etish va hokazolar murakkab yo‘l sharoitlariga duch kelganda haydovchilarga to‘g‘ri munosabat bildirish imkonini beradi va shu orqali harakat ravonligini ta’minlaydi. va xavfsizlik.

Xulosa qilib aytganda, aqlli transport tizimlari va inson xotirasi o'rtasida chambarchas bog'liqlik mavjud. Intellektual transport tizimlari bizni yaxshi haydash muhiti bilan ta'minlashi, haydash paytida odamlarning yukini kamaytirishi va shu bilan odamlarning xotirasini yaxshilashi mumkin. Intellektual transport tizimlarini rivojlantirish zamonaviy shaharlarimiz qurilishida muqarrar tendentsiyadir. Ko'rinib turibdiki, biz xotirani yaxshilashimiz kerak va Cistanche deserticola xotirani sezilarli darajada yaxshilashi mumkin, chunki Cistanche deserticola an'anaviy xitoylik dorivor material bo'lib, u juda ko'p noyob ta'sirga ega, ulardan biri xotirani yaxshilashdir. Qiymaning samaradorligi uning tarkibidagi turli faol moddalar, jumladan kislota, polisakkaridlar, flavonoidlar va boshqalardan kelib chiqadi. Bu ingredientlar turli yo'llar bilan miya salomatligini mustahkamlashi mumkin.

Xotirani yaxshilashning 10 ta usulini bilish tugmasini bosing

Kichik yoʻl belgilari, koʻzga tashlanmaydigan xususiyatlar va past aniqlikdagi muammolarni hal qilish uchun takomillashtirilgan (Faqat bir marta koʻrasiz v3) YOLOv3 asosidagi yoʻl belgilarini aniqlash usuli taklif etiladi.

Mahalliy xususiyatlar va global xususiyatlarning uyg'unlashuviga erishish uchun fazoviy piramida birlashma strukturasi YOLOv3 tarmoq tuzilishiga birlashtirilgan va kichik maqsadlarni bashorat qilish uchun tarmoqdagi sayoz xususiyatlardan to'liq foydalanish uchun 152 × 152 o'lchamdagi to'rtinchi xususiyatni bashorat qilish shkalasi joriy etilgan.

Bundan tashqari, masofa-IoU (DIoU) yo'qolishidan foydalanilganda, chegara qutisi regressiyasi barqarorroq bo'ladi, bu maqsad va langar o'rtasidagi masofani, bir-biriga yopishish tezligini va o'lchovni hisobga oladi.

Tsinghua–Tencent 100K(TT100K) yoʻl belgilari maʼlumotlar toʻplamining 12 ta langari K-means klasterlash algoritmi yordamida qayta hisoblab chiqilgan, shu bilan birga maʼlumotlar toʻplami TT100K maʼlumotlar toʻplamidagi maqsadli sinflarning notekis soni muammosini hal qilish uchun muvozanatlashtirilgan va kengaytirilgan.

Algoritm YOLOv3 va boshqa tez-tez ishlatiladigan maqsadni aniqlash algoritmlari bilan taqqoslanadi va natijalar shuni ko'rsatadiki, takomillashtirilgan YOLOv3 algoritmi o'rtacha o'rtacha aniqlikka (mAP) 77,3% erishadi, bu YOLOv3 dan 8,4% yuqori, ayniqsa mAP bo'lgan kichik maqsadni aniqlashda 10,5% ga yaxshilandi, bu real vaqt rejimida ishlashni iloji boricha yuqori darajada ushlab turganda aniqlash tarmog'ining aniqligini sezilarli darajada yaxshilaydi.

Aniqlash tarmog'ining aniqligi sezilarli darajada oshirildi va tarmoqning real vaqt rejimida ishlashi imkon qadar yuqori bo'ldi.

Kalit so‘zlar:

Yo'l belgilarini aniqlash; YOLOv3; fazoviy piramidal birlashma tuzilishi.

1.Kirish

Hozirgi vaqtda avtomatlashtirilgan haydash va aqlli transport tizimlari (ITS) yo'l belgilarini aniqlash va identifikatsiyalash texnologiyalari uchun asosiy ilovalar hisoblanadi.

Bu haydovchilar va avtonom transport vositalariga yo'l harakati qoidalariga muvofiq qaror qabul qilishlari yoki yo'l-transport hodisalarini kamaytirish uchun o'z vaqtida ogohlantirish va haydovchilarning xatti-harakatlarini boshqarishi uchun muhim yo'l harakati ma'lumotlarini berishi mumkin.

Yo'l belgilarini uchta toifaga bo'lish mumkin: yo'l belgilari, ogohlantirish belgilari va taqiqlash belgilari. Ushbu belgilar yumaloq yoki uchburchak shaklda bo'lib, ular qizil, sariq va ko'kdir.

Shuning uchun, klassik yo'l belgilarini tanib olish odatda yo'l belgilarini tanib olish yoki yo'l belgilaridan rang va shakl kabi ma'lumotlarni olish uchun mashinani o'rganish usullaridan foydalanadi.

Tasniflashdan oldin xususiyatlarni ajratib olish uchun rang segmentatsiyasi rangga asoslangan yo'l belgilarini aniqlashda qo'llaniladi, bu yorug'lik o'zgarishiga oson ta'sir qiladi. Oldingi adabiyotlar [1] maʼlumotlariga koʻra, rang segmentatsiyasiga yorqinlik oʻzgarishlari taʼsir qilmaydi va faqat rang va toʻyinganlikni tekshirish uchun HIS maydonidan foydalanadi.

Ob-havo va aniqlash masofasi kabi o'zgaruvchilarga rangni tanib olishning yuqori talablari tufayli rang xususiyatlariga asoslangan aniqlash yondashuvi yuqori aniqlikdagi tasvirni tanib olish uchun ishlatilishi mumkin, ammo kulrang miqyosdagi tasvirni aniqlash uchun emas [2].

Boshqa adabiyotlarda [3] shaklga asoslangan yoʻl belgilarini aniqlash yondashuvi taklif qilingan boʻlib, u uchburchakli yoʻl belgilarini aniqlashni yoʻl belgilarini toʻgʻri taniy oladigan va masofaga taʼsir qilmaydigan oddiy chiziqli segmentni aniqlashga aylantiradi.

Yo'l belgilarining rangini segmentlarga ajratish va keyin shaklni tasniflash uchun chiziqli qo'llab-quvvatlovchi vektor mashinasining umumlashtirish xususiyatidan foydalanadigan boshqa adabiyotda qo'llab-quvvatlovchi vektor mashinasiga asoslangan yo'l belgilarini aniqlash va tanib olish tizimi taklif qilingan.

Rang va shakl xususiyatlarini alohida-alohida aniqlash usuli birinchi navbatda qiziqish mintaqasini olish uchun rang segmentatsiyasini amalga oshiradi va agar qiziqish mintaqasi aniqlanmasa, shaklga asoslangan aniqlash endi amalga oshirilmaydi; ikkinchidan, rang segmentatsiyasi belgilangan chegarani o'rnatishni talab qiladi. qo'lda, yo'l belgilarini aniqlashni murakkab va vaqt talab qiladi.

Ushbu muammolarni hal qilish va aniqlash samaradorligini oshirish uchun bir tadqiqot [5] bir vaqtning o'zida rang va shaklni modellashtirishni aniqlash uchun AdaBoost tizimidan foydalangan.

Tashqi sharoitdagi o'zgarishlar, masalan, yorug'lik, yo'l belgisi rangining o'zgarishi va boshqalar, rang va shaklga asoslangan yo'l belgilarini aniqlashga ta'sir qilishi mumkin.

Aniqlash ta'siri beqaror bo'lib, yo'l belgilarini aniqlash tizimining ishlashiga putur etkazadi va uni yo'l belgilarining oqishi va noto'g'ri aniqlashga qarshi himoyasiz qiladi. Neyron tarmoqlar chuqur o'rganish texnologiyasi rivojlanishi bilan maqsadlarni aniqlash uchun tez-tez foydalanilmoqda; Bu algoritmlarga misollar, asosan, bir bosqichli va ikki bosqichli aniqlash yondashuvlariga ajratilgan Faster R-CNN [6], SSD [7] va YOLO [8] va boshqalarni oʻz ichiga oladi.

Oldingi tadqiqot [9] standart yo'l belgilarini aniqlash usullarining past aniqligi va sekin aniqlash tezligi muammolarini hal qilish uchun YOLOv1 asosida kengaytirilgan aniqlash tarmog'ini taqdim etdi.

Bu tarmoq yoʻl harakati belgilarini aniqlash tezligini oshirdi va aniqlash tizimining apparat talablarini pasaytirdi. Boshqa tadqiqot [10] FasterRCNN takomillashtirilgan asosida yoʻl belgilarini aniqlash yondashuvini taklif qildi, mAP ni 12,1% ga oshirdi, bu esa tanib olish samaradorligining pastligi va koʻtarilgan muammolarni muvaffaqiyatli hal qildi. yo'l belgilarini aniqlash va tanib olishning aniqligi.

[11] da CCTSDB maʼlumotlar toʻplami Xitoy Traffic Sign Dataset (CTSD) ni kengaytirish va takomillashtirilgan YOLOv2 maqsadni aniqlash algoritmi asosida marker maʼlumotlarini yangilash orqali olingan. CCTSDB ma'lumotlar to'plami faqat uchta toifadagi yo'l belgilarini o'z ichiga olgan, bu esa yo'l belgilarini tanib olishning qiyin vazifasini bajarish uchun etarli emas.

Tsinghua universiteti va Tencent hamkorligida yaratilgan TT100K [12] maʼlumotlar toʻplami Xitoyning koʻcha koʻrinishi panoramasidan olingan boʻlib, yorugʻlik va ob-havo sharoitlarining keng doirasini qamrab oladi, bu esa uni haqiqiy haydash muhitini koʻproq aks ettiradi.Study [13] oʻrniga DenseNet’dan foydalangan. ResNet YOLOv3 magistral tarmog'ida va uni TT100K ma'lumotlar to'plamida eksperimental ravishda tasdiqladi.

Algoritm aniqlash modelining real vaqt rejimida ishlashini yaxshilaydi, ammo yo'l belgilari kabi kichik nishonlarga nisbatan aniqlik va eslab qolish odatda past bo'ladi, bu esa jiddiy noto'g'ri aniqlashni nazarda tutadi.

Aniqlash vazifasi ko'pincha maqsadni aniqlash vazifalarida qiyinlashadi, chunki aniqlanishi kerak bo'lgan maqsad odatda katta bo'lib, uning xususiyatlarini osongina ajratib olish mumkin.

YOLOv3 taqdim etgan FPN tuzilmasi tufayli u endi murakkab yoʻl harakati sahnalari uchun mos boʻlgan koʻp miqyosli xususiyatlarni birlashtirish yordamida turli miqyosdagi nishonlarni aniqlay oladi va kichik nishonlarni aniqlashda vaʼda berdi. Biroq, TT100K yo'l belgilari ma'lumotlar to'plamining yuqori aniqlikdagi tasvirlarini yaxshilash uchun hali ham joy mavjud.

Xulosa qilib aytadigan bo'lsak, neyron tarmoqqa asoslangan yondashuv tanib olishning past samaradorligi, o'tkazib yuborilgan aniqlash va noto'g'ri aniqlash bilan bog'liq muammolarni muvaffaqiyatli hal qilishi va yo'l belgilarini aniqlash va tanib olishning aniqligini oshirishi mumkin.

Neyron tarmog'iga asoslangan usullar an'anaviy usullarga qaraganda yaxshiroq aniqlik yoki tezroq aniqlashga ega, ammo aniqlash tezligi va aniqligini ololmaydi. Bundan tashqari, ko'pchilik yo'l belgilarini aniqlash GermanTraffic Sign Dataset (GTSDB) dan foydalanadi va Germaniyadagi yo'l belgilari Xitoydagidan farq qiladi; Xitoyda yo'l belgilarini aniqlash va tanib olish bo'yicha kamroq tadqiqotlar mavjud.

Shu sababli, yuqoridagi usullardagi muammolarni hal qilish uchun ushbu maqola TT100K ma'lumotlar to'plamidan Xitoy yo'l belgilarini o'rgatish va aniqlash, YOLOv3 tarmog'ini yaxshilash va sozlash uchun asosan quyidagi yaxshilanishlar bilan foydalanadi:

(1) Kichik maqsadlarni kutish uchun tarmoqdagi sayoz xususiyatlardan toʻliq foydalanish uchun YOLOv3 tarmoq tuzilishiga 152 × 152 oʻlchamdagi toʻrtinchi xususiyatni bashorat qilish shkalasini qoʻshing. Mahalliy va global xususiyatlarni birlashtirishga erishish uchun fazoviy piramida birlashma strukturasi birlashtiriladi.

(2) Maqsad va langar o'rtasidagi masofa, bir-biriga o'xshashlik darajasi va masshtabning barchasi DIoU yo'qotilishidan tezroq konvergentsiya va yanada izchil maqsadli regressiya uchun foydalanilganda hisobga olinadi. Bu maqsadli ramka regressiyasini yanada barqaror qiladi.

(3) TT100K ma'lumotlar to'plamidagi yo'l belgilarining aksariyati kichik va o'rta o'lchamli maqsadlar bo'lib, faqat bir nechta katta maqsadlarga ega.

Natijada, asl langardan foydalanish mumkin bo'lmagan variant. K-means klasterlash algoritmi TT100K ma'lumotlar to'plami uchun 12 ta langarni qayta hisoblash uchun ishlatiladi va ma'lumotlarni ko'paytirish strategiyasi ma'lumotlar to'plamining maqsadli toifalar sonini muvozanatlash va ko'paytirish uchun ishlatiladi.

For more information:1950477648nn@gmail.com