АННОТАЦИЯ 2
ВВЕДЕНИЕ 5
1 ТЕХНОЛОГИИ РАСПОЗНОВАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ 7
1.1 Современные средства детекции транспортных средств 7
1.1.1 Программное обеспечение AVEDEX 7
1.1.2 Программное обеспечение Traffic Data 8
1.1.3 Интеллектуальная система контроля дорожного движения
GreenWaves 9
1.1.4 Интеллектуальная система контроля дорожного движения Baidu10
1.1.5 Интеллектуальная система контроля дорожного движения и
экологического состояния перекростков AIMS eco 11
1.2 Нейросетевые подходы к решению задач обнаружения объектов 13
1.2.1 Архитектура SSD 13
1.2.2 Семейство архитектур на основе R-CNN 14
1.2.3 Семейство архитектур на основе YOLO 16
1.3 Обзор библиотек для работы с нейронными сетями 19
1.3.1 Библиотека PyTorch 19
1.3.2 Библиотека TensorFlow 20
1.3.3 Библиотека Keras 20
1.4 Выводы по разделу 21
2 ДЕТЕКЦИЯ АВТОТРАНСПОРТА С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ
POLY-YOLO 22
2.1 Постановка задачи и архитектура нейронной сети 22
2.2 Подготовка данных 24
2.3 Обучение сверточной нейронной сети 25
2.3.1 Функция активации и функция потерь 25
2.3.2 Операции свертки и субдискретизации 28
2.3.3 Нейронная сеть DarkNet-53 и выходные слои 30
2.3.4 Оптимизатор 33
2.3.5 Метод обратного распространения ошибки 34
2.4 Метрики качества 38
2.5 Алгоритм подсчета транспортных средств 40
2.6 Выводы по разделу 42
3 РЕАЛИЗАЦИЯ НЕЙРОННОЙ СЕТИ И ПРОВЕРКА НА ТЕСТОВЫХ
ДАННЫХ 43
3.1 Конфигурация нейронной сети POLY-YOLO 43
3.2 Обучение нейронной сети POLY-YOLO 44
3.3 Подсчет транспортных средств на видеоряде 47
3.4 Подсчет автотранспорта в режиме реального времени 50
3.5 Выводы по разделу 51
ЗАКЛЮЧЕНИЕ 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 53
ПРИЛОЖЕНИЯ ОШИБКА! ЗАКЛАДКА НЕ ОПРЕДЕЛЕНА.
ПРИЛОЖЕНИЕ 1. Код для преобразования разметки в нужный форматОШИБКА! З
ПРИЛОЖЕНИЕ 2. Код трассировки и детекции объектовОШИБКА! ЗАКЛАДКА Н
ПРИЛОЖЕНИЕ 3. Код работы нейронной сетиОШИБКА! ЗАКЛАДКА НЕ ОПРЕД
В современных реалиях, когда человеку нужно срочно добраться из пункта «А» в пункт «В», в большинстве случаев используется автотранспорт. Поэтому одна из ключевых проблем современного общества - анализ дорожных узлов и недопустимость заторов на них. За счет увеличения роста городов, дороги, которые являются ключевыми артериями города, не расширяются. Поэтому создаются пробки. Ремонт и перестройка дорог выходит очень дорого и иногда экономически не выгодно для города. Поэтому для того чтобы на дорогах создавалось меньше заторов нужен точный регулировщик. В данной ситуации роль регулировщиков играют светофоры, и, чтобы нагрузка на дороги распределялась равномерно, необходимо настроить фазы регулирования.
Фазы регулирования - совокупность основного и следующего за ним промежуточного такта регулирования [1]. За счет настройки фаз регулируется нагрузка на транспортный узел. И для лучшей настройки светофоров собирается информация по количеству автотранспорта проезжаемого на перекрестке.
В настоящее время во многих городах России, для сбора информации о состоянии трафика транспорта отвечают обычные люди. Они выезжают на перекрестки и в режиме «реального времени» ведут подсчет автотранспорта. Поэтому данные получаются не точными, из-за человеческого фактора, и не поступают в обработку в реальном времени. Поэтому было принято решение в организации «СМЭУ» разработать систему для подсчета трафика автотранспорта на дорожных узлах в режиме онлайн с использованием установленных камер. Данное программное обеспечение должно решить такие проблемы как: получение данных в реальном времени со всех перекрестков, ускорить их обработку и обеспечить освобождение человеко-часов. За счет решения данных проблем возможна дальнейшая интеграция данных для полной автоматизации светофоров.
Цель работы - разработать модель нейронной сети для сбора данных о структуре транспортного потока, и количестве транспортных средств на дорожных узлах 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 дорожных узлов;
3) проанализировать и подготовить исходные данные для обучения нейронной сети;
4) разработать подходящую модель нейронной сети;
5) обучить НС;
6) протестировать нейронную сеть в режиме реального
Цель данной работы состояла в разработке программы, позволяющей получать данные о структуре транспортного потока, классификации и количестве транспортных средств, на перекрестке, в режиме реального времени.
В соответствии с целью, в первой главе данной работы был проведен обзор существующих решений в области мониторинга транспорта на дорожных узлах. Рассмотрены библиотеки, 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.
Данная модель нейронной сети успешно внедрена и используется в организации АО «СМЭУ» для получения данных о проезжаемом автотранспорте на дорожном узле.
