📄Работа №206664
Тема: Контроль сверхнормативных выбросов и перемещения транспортных средств на основе данных, полученных нейронной сетью в видеопотоке реального времени
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
63 листов
Год:
2020
Просмотров:
30
4220
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ 7
ВВЕДЕНИЕ 8
1 ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИИ ДЛЯ ПОДСЧЕТА
ТРАНСПОРТНЫХ СРЕДСТВ, ВЫЧИСЛЕНИЯ СКОРОСТИ И ВЫБРОСОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ 9
1.1 Системы на основе радара 9
1.1.1 Радарный комплекс «Арена» 10
1.1.2 Датчик интенсивности «Аркен» 10
1.2 Программное обеспечение Avedex 13
1.3 Сервис анализа дорожного трафика Traffic Data Air и Traffic
Data Land 14
1.4 Сервис определения скорости Car Crash Analysis 16
1.5 Мобильная станция анализа воздуха 17
1.6 Разновидность газоанализаторов 18
1.7 Нейросетевые подходы к решению задач обнаружения
объектов 20
1.7.1 Нейронная сеть R-CNN 20
1.7.2 Нейронная сеть Fast R-CNN 22
1.7.3 Нейронная сеть Faster R-CNN 22
1.8 Нейронная сеть YOLO v3 23
1.9 Нейронная сеть SSD 24
1.10 Вывод по главе 1 25
2 АЛГОРИТМЫ ПОДСЧЕТА ТРАНСПОРТНЫХ СРЕДСТВ ИХ
СКОРОСТИ И ВЫБРОСОВ 27
2.1 Нейронная сеть YOLO v3 27
2.1.1 Архитектура сети и обучение 27
2.1.2 Функция активации 32
2.1.3 Результаты обучения 33
2.2 Подсчет транспортных средств 34
2.2.1 Постановка задачи 34
2.2.2 Теория и алгоритм подсчета ТС 35
2.3 Определение скорости на видео 37
2.3.1 Постановка задачи 37
2.3.2 Теория и алгоритм для расчета скорости 37
2.4 Расчет экологических выбросов 41
2.4.1 Постановка задачи 41
2.4.2 Теория и алгоритм расчета выбросов 41
2.5 Вывод по главе 2 45
3 ВЫЧИСЛЯЕМЫЕ ПОКАЗАТЕЛИ И ИХ ТОЧНОСТЬ 46
3.1 Точность подсчета ТС 46
3.2 Расчет точности расстояния для определения скорости 47
3.3 Результаты расчета выбросов вредных веществ 48
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 52
Приложение 1 Код программы
ВВЕДЕНИЕ 8
1 ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИИ ДЛЯ ПОДСЧЕТА
ТРАНСПОРТНЫХ СРЕДСТВ, ВЫЧИСЛЕНИЯ СКОРОСТИ И ВЫБРОСОВ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ 9
1.1 Системы на основе радара 9
1.1.1 Радарный комплекс «Арена» 10
1.1.2 Датчик интенсивности «Аркен» 10
1.2 Программное обеспечение Avedex 13
1.3 Сервис анализа дорожного трафика Traffic Data Air и Traffic
Data Land 14
1.4 Сервис определения скорости Car Crash Analysis 16
1.5 Мобильная станция анализа воздуха 17
1.6 Разновидность газоанализаторов 18
1.7 Нейросетевые подходы к решению задач обнаружения
объектов 20
1.7.1 Нейронная сеть R-CNN 20
1.7.2 Нейронная сеть Fast R-CNN 22
1.7.3 Нейронная сеть Faster R-CNN 22
1.8 Нейронная сеть YOLO v3 23
1.9 Нейронная сеть SSD 24
1.10 Вывод по главе 1 25
2 АЛГОРИТМЫ ПОДСЧЕТА ТРАНСПОРТНЫХ СРЕДСТВ ИХ
СКОРОСТИ И ВЫБРОСОВ 27
2.1 Нейронная сеть YOLO v3 27
2.1.1 Архитектура сети и обучение 27
2.1.2 Функция активации 32
2.1.3 Результаты обучения 33
2.2 Подсчет транспортных средств 34
2.2.1 Постановка задачи 34
2.2.2 Теория и алгоритм подсчета ТС 35
2.3 Определение скорости на видео 37
2.3.1 Постановка задачи 37
2.3.2 Теория и алгоритм для расчета скорости 37
2.4 Расчет экологических выбросов 41
2.4.1 Постановка задачи 41
2.4.2 Теория и алгоритм расчета выбросов 41
2.5 Вывод по главе 2 45
3 ВЫЧИСЛЯЕМЫЕ ПОКАЗАТЕЛИ И ИХ ТОЧНОСТЬ 46
3.1 Точность подсчета ТС 46
3.2 Расчет точности расстояния для определения скорости 47
3.3 Результаты расчета выбросов вредных веществ 48
ЗАКЛЮЧЕНИЕ 50
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 52
Приложение 1 Код программы
📖 Аннотация
В данной работе разрабатывается система мониторинга и контроля транспортных потоков и экологических выбросов на основе анализа видеопотока в реальном времени с применением нейронных сетей. Актуальность исследования обусловлена растущими транспортными нагрузками в городах, приводящими к заторам и ухудшению качества воздуха, при этом традиционные методы мониторинга носят эпизодический характер и требуют значительных ресурсов. Основным результатом является создание программных модулей для автоматизированного подсчета транспортных средств, вычисления их скорости и оценки объема вредных выбросов, которые продемонстрировали высокую эффективность: точность подсчета укладывается в рекомендованные 5%, а теоретическая погрешность определения скорости составляет ±2 км/ч. Научная значимость заключается в адаптации и интеграции современных алгоритмов компьютерного зрения, таких как Faster R-CNN и SORT, для задач экологического мониторинга, а практическая — в предложении экономичного решения для интеллектуальных транспортных систем, позволяющего оптимизировать дорожное движение и снижать уровень загрязнения воздуха. В обзоре литературы рассматриваются как аппаратные решения, подобные датчику «Аркен», так и ключевые нейросетевые архитектуры для детекции объектов, включая работы Girshick R. по R-CNN, Ren S. по Faster R-CNN и Bewley A. по трекингу в реальном времени, что обосновывает выбор технологической основы исследования.
📖 Введение
В условиях постоянно увеличивающегося количества транспорта в городе встает проблема быстрого реагирования на изменяющуюся ситуацию на дорогах и экологическое состояние в городе. В последние годы эти проблемы обсуждаются наиболее часто. Для отслеживания загруженности дорог и экологического состояния воздуха в городах используют различные кратковременные исследования что не позволяет понять влияние выбросов от транспортных средств в долгосрочном периоде.
В условиях ограничения бюджета нет возможности проводить такие исследования часто. Одним из решении этих проблем является внедрение интеллектуальной транспортной системы. ИТС постоянно следит за состоянием дорожного узла вычисляя показатели загруженности дорог, среднюю скорость потока и экологические выбросы накапливая большие данные. На основе собранных данных можно провести анализ эффективности пропускной способности дорожных узлов. Менять значение времени горения зеленого света светофора для предотвращения заторов вследствие чего снизится количество выбросов от ТС в области дорожного узла. Данная работа посвящена проблеме обработки данных, полученных от нейронной сети в ре-жиме реального времени и их последующего анализа.
Целью данной работы является разработать модули подсчета транспортных средств, экологических выбросов и скорости во всех направлениях дорожного узла в режиме реального времени. Для достижения поставленных целей необходимо решить следующие задачи:
1) разработать алгоритм подсчета транспортных средств по направлениям и категориям (например, легковой автомобиль, грузовик и т. д.);
2) разработать алгоритм вычисления скорости автомобиля по видеопотоку;
3) разработать алгоритм расчета выбросов от ТС.
В условиях ограничения бюджета нет возможности проводить такие исследования часто. Одним из решении этих проблем является внедрение интеллектуальной транспортной системы. ИТС постоянно следит за состоянием дорожного узла вычисляя показатели загруженности дорог, среднюю скорость потока и экологические выбросы накапливая большие данные. На основе собранных данных можно провести анализ эффективности пропускной способности дорожных узлов. Менять значение времени горения зеленого света светофора для предотвращения заторов вследствие чего снизится количество выбросов от ТС в области дорожного узла. Данная работа посвящена проблеме обработки данных, полученных от нейронной сети в ре-жиме реального времени и их последующего анализа.
Целью данной работы является разработать модули подсчета транспортных средств, экологических выбросов и скорости во всех направлениях дорожного узла в режиме реального времени. Для достижения поставленных целей необходимо решить следующие задачи:
1) разработать алгоритм подсчета транспортных средств по направлениям и категориям (например, легковой автомобиль, грузовик и т. д.);
2) разработать алгоритм вычисления скорости автомобиля по видеопотоку;
3) разработать алгоритм расчета выбросов от ТС.
✅ Заключение
Цель данной работы состояла в разработке алгоритмов подсчета транспортных средств их скорости и выбросов в режиме реального времени.
Проведя тестовые измерения точности подсчета транспортных средств, показал высокую эффективность, которая укладывается в рекомендованную точность 5%, в случае если обзору камере наружного наблюдения не мешают помехи в виде крон деревьев и рекламных щитов. Данную проблему можно решить в будущем переработав алгоритм подсчета ТС так чтобы не зависеть от областей, показанных на рисунке 2.8.
Теоретическая точность определения скорости транспортного средства равна ±2 км/ч. Данная точность зависит от точности определения расстояния, который проехал транспорт. Точность определения расстояния зависит от точности определения географических координат. Улучшить данный метод можно рассчитав более точную матрицу перспективного преобразования выбрав для этого другие опорные точки, с помощью которой получаем географические координаты.
Метод определения выбросов от транспортных средств, выбранный в данной работе, применяется для выбросов в ручном режиме. Подсчет ТС для данного метода ведется с помощью людей, стоящих на перекрестке или считающих ТС по записанному заранее видео . Данный метод в данной работе был автоматизирован и ведет подсчет в реальном времени обновляя статистику каждый час суммарным выбросом. Точность определения выбросов целиком зависит от точности подсчета транспортных средств и их классификации.
В результате работы были выполнены все поставленные задачи:
1) разработать алгоритм подсчета транспортных средств по направлениям и категориям (класс ТС, например, легковой автомобиль, автобус, грузовик и т. д.);
2) разработать алгоритм вычисления скорости автомобиля по видеопотоку;
3) разработать алгоритм расчета выбросов от ТС.
Разработанные в результате алгоритмы успешно применяются в интеллектуальной транспортной системе AIMS в рамках проекта «Умный город» проходящее тестирование в режиме реального времени.
Проведя тестовые измерения точности подсчета транспортных средств, показал высокую эффективность, которая укладывается в рекомендованную точность 5%, в случае если обзору камере наружного наблюдения не мешают помехи в виде крон деревьев и рекламных щитов. Данную проблему можно решить в будущем переработав алгоритм подсчета ТС так чтобы не зависеть от областей, показанных на рисунке 2.8.
Теоретическая точность определения скорости транспортного средства равна ±2 км/ч. Данная точность зависит от точности определения расстояния, который проехал транспорт. Точность определения расстояния зависит от точности определения географических координат. Улучшить данный метод можно рассчитав более точную матрицу перспективного преобразования выбрав для этого другие опорные точки, с помощью которой получаем географические координаты.
Метод определения выбросов от транспортных средств, выбранный в данной работе, применяется для выбросов в ручном режиме. Подсчет ТС для данного метода ведется с помощью людей, стоящих на перекрестке или считающих ТС по записанному заранее видео . Данный метод в данной работе был автоматизирован и ведет подсчет в реальном времени обновляя статистику каждый час суммарным выбросом. Точность определения выбросов целиком зависит от точности подсчета транспортных средств и их классификации.
В результате работы были выполнены все поставленные задачи:
1) разработать алгоритм подсчета транспортных средств по направлениям и категориям (класс ТС, например, легковой автомобиль, автобус, грузовик и т. д.);
2) разработать алгоритм вычисления скорости автомобиля по видеопотоку;
3) разработать алгоритм расчета выбросов от ТС.
Разработанные в результате алгоритмы успешно применяются в интеллектуальной транспортной системе AIMS в рамках проекта «Умный город» проходящее тестирование в режиме реального времени.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.