АННОТАЦИЯ 2
ВВЕДЕНИЕ 8
1 ТЕХНОЛОГИИ МОНИТОРИНГА ТРАНСПОРТНЫХ СРЕДСТВ 10
1.1 Существующие решения 10
1.1.1 Система Sensys 10
1.1.2 Программное обеспечение TrafficData 11
1.1.3 Программное обеспечение Avedex 13
1.2 Нейросетевые подходы к решению задач обнаружения объектов 13
1.2.1 Семейство архитектур на основе R-CNN 13
1.2.2 Архитектура SSD 16
1.2.3 Семейство архитектур на основе YOLO 17
1.3 Обзор библиотек для работы с нейронными сетями 20
1.3.1 Библиотека PyTorch 20
1.3.2 Библиотека TensorFlow 20
1.4 Выводы 21
2 АРХИТЕКТУРА И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ YOLOV3 22
2.1 Постановка задачи 22
2.2 Исходные данные 22
2.3 Архитектура нейронной сети 24
2.4 Подготовка данных 29
2.5 Обучение нейронной сети YOLOv3 32
2.5.1 Функции активации 34
2.5.2 Функция потерь 34
2.6 Метрики качества 38
2.7 Подсчет транспортных средств 41
2.8 Выводы 43
3 РЕАЛИЗАЦИЯ ПРОГРАММЫ И ПРОВЕРКА НА ТЕСТОВОМ
ПЕРЕКРЕСТКЕ 44
3.1 Конфигурация и обучение нейронной сети YOLOv3 44
3.2 Результаты обучения и полученные метрики качества 48
3.3 Алгоритм подсчета транспортных средств 50
3.4 Подсчет транспортных средств в режиме реального времени 53
3.5 Проект «AIMS» 54
3.6 Выводы 56
ЗАКЛЮЧЕНИЕ 57
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 58
ПРИЛОЖЕНИЯ 61
ПРИЛОЖЕНИЕ 1 Текст программы для аугментации изображений 61
ПРИЛОЖЕНИЕ 2 Текст программы для получения кадров с видеопотока ... 66
ПРИЛОЖЕНИЕ 3 Текст программы для обнаружения транспортных средств 70
Урбанизация и увеличенная плотность застройки городов - существенные особенности современного общества. Поэтому одна из ключевых проблем современного общества - анализ дорожного движения и его эффективная организация. Высокая плотность городского населения приводит к огромному числу личных автомобилей, увеличенному числу грузовых транспортных средств. Это влечет за собой появление дорожных заторов и снижает эффективность использования дорожно-транспортной сети. Для желаемого результата задачи транспортировки больше не могут обращаться к эвристикам, основанным на небольшом количестве вручную собранной статистики [6].
На сегодня во многих городах установлены центры телеавтоматического управления движением трафика, в которых специалисты занимаются задачами корректировки работы светофоров, полагаясь на количество транспор - та. Но для того, чтобы принимать эффективные решения по оптимизации дорожного движения, необходимо предсказать и оценить его последствия, при этом опираясь на состояние всей дорожной системы с целым набором показателей. Это значит, что задачи транспортной логистики, в наше время, требуют работы с большими данными. В условиях инфраструктурных ограничений городов и дефицита бюджета, эффективное увеличение пропускной способности дорожной сети возможно обеспечить внедрением интеллектуаль - ных транспортных систем (ИТС). ИТС позволяют анализировать и повышать эффективность использования дорожно-транспортной инфраструктуры и транспортно-эксплуатационные показатели трафика. Основой ИТС являются большие данные (big data), которые необходимо получать, интерпретировать и использовать в режиме реального времени. В этом контексте важнейшей задачей в исследованиях транспортных систем, как науки, становится разработка технологий и стандартов сбора информации с использованием существующих коммуникационных сетей на основе использования современной аналитики данных [4].
Данная работа посвящена проблеме получения качественных данных о параметрах дорожного трафика в режиме реального времени, на основе данных с камер видеонаблюдения. Разработка системы по сбору, интерпретации и анализу данных о транспортных потоках в режиме реального времени, на основе использования существующей уличной инфраструктуры, позволит снизить капитальные и эксплуатационные затраты, уменьшить загруженность дорог и эмиссию выхлопных газов, повысить эффективность функционирования транспортных систем.
Цель работы - разработать систему сбора данных о структуре транспортного потока, направлениях движения и количестве транспортных средств в режиме реального времени. Для достижения поставленной цели необходимо решить следующие задачи:
1) исследовать существующие в мире подходы для мониторинга дорожного движения;
2) выбрать подход к решению задачи мониторинга ДД;
3) проанализировать и подготовить исходные данные для обучения нейронной сети;
4) разработать подходящую модель нейронной сети;
5) обучить НС и разработать необходимые программные модули;
6) протестировать работу системы в режиме реального времени.
Цель данной работы состояла в разработке системы, позволяющей получать данные о структуре транспортного потока, направлениях движения и количестве транспортных средств в режиме реального времени.
В соответствии с целью, в первой главе данной работы был проведен обзор существующих решений в области мониторинга транспортных потоков. Рассмотрены библиотеки, предоставляющие упрощенный интерфейс для работы с нейронными сетями. Проанализированы нейросетевые подходы и существующие модели в задачах обнаружения объектов на изображении. Были выявлены достоинства и недостатки нейросетевых моделей в рамках поставленной задачи и на основании этого был сделан выбор подходящей архитектуры нейронной сети.
Во второй главе была сформулирована постановка задачи обнаружения объектов на изображении, описана архитектура нейронной сети. Рассмотрен метод обучения нейронной сети, ее функции активации и функция потерь. Выбраны и описаны метрики для оценки качества работы нейронной сети. Представлен метод подсчета транспортных средств.
В третьей главе представлены алгоритмы обучения нейронной сети и подсчета транспортных средств. Была обучена нейронная сеть и получены значения метрик качества. Также программа была успешно протестирована на тестовом перекрестке в режиме реального времени.
Результаты данной работы успешно используются в рамках проекта AIMS для решения задачи мониторинга транспортных потоков. В дальнейшем планируется расширить функционал программы для одновременного мониторинга нескольких дорожных узлов.
