Crédit :Université d'État de l'Oural du Sud
Les scientifiques de l'Université d'État du Sud de l'Oural ont développé un système intelligent unique pour surveiller le flux de trafic à l'aide de l'intelligence artificielle, qui ne nécessite pas d'équipement d'enregistrement spécifique et peut fonctionner sur presque tout type de caméra. Le système traite instantanément les données reçues en temps réel, contrairement aux programmes existants dans lesquels le traitement entraîne un délai allant jusqu'à 10 à 15 minutes. Un article sur les résultats de l'étude a été publié dans le Journal du Big Data .
Solution d'embouteillage
« Nous avons proposé et mis en place un système modernisé d'évaluation des flux de trafic, basé sur les avancées les plus récentes dans la détection et le suivi des véhicules. Contrairement aux analogues existants, notre système reconnaît et analyse en temps réel le sens de déplacement des véhicules avec une erreur relative maximale inférieure à 10 %. Les analogues les plus proches sont capables de déterminer la vitesse et de classer les véhicules dans une seule direction et à condition de placer les caméras au-dessus du flux de circulation avec une précision de 80 à 90 %. L'exploitation d'un réseau de neurones permet de générer jusqu'à 400 paramètres de trafic en temps réel à chaque intersection, " déclare le chef de projet Vladimir Shepelev, professeur agrégé au Département de transport automobile de l'Institut polytechnique SUSU.
Le système de surveillance AIMS unique collecte, interprète et transmet des données sur l'intensité du trafic routier, classe 10 catégories de véhicules, mesure la vitesse, le niveau de charge actuel de chaque direction de l'intersection, détermine la direction ultérieure des véhicules. À la fois, reconnaissance d'objets en temps réel à l'intersection pure AIMS produit grâce à l'utilisation d'une seule caméra de vidéosurveillance Full HD.
Crédit :Université d'État de l'Oural du Sud
« Les résultats de cette étude peuvent être appliqués par les autorités de la ville pour améliorer la capacité de trafic globale de l'intersection. Nous avons déjà prouvé notre système à plusieurs intersections à Chelyabinsk pour vérifier que la solution proposée est suffisamment précise et peut être utilisée comme base pour d'autres modèles de haut niveau, " dit Shepelev.
La technologie innovante fournit des données sur la structure du flux de trafic, directions et vitesses des véhicules en temps réel. L'utilisation de la technologie d'exploration de données soutiendra la mise en œuvre de modèles de trafic efficaces, réduire les embouteillages et améliorer la gestion des ressources.
Réseaux de neurones pour l'analyse du trafic urbain
La pratique actuelle de surveillance du trafic repose fréquemment sur l'utilisation de capteurs coûteux pour la collecte de données en continu ou sur une étude visuelle du trafic, généralement mesurée sur plusieurs jours sur certaines périodes de temps. Cependant, les services de transport ne reçoivent pas d'informations correctes et précises sur la structure du flux de trafic, son intensité, la vitesse, et dans le sens de déplacement suivant.
« Nous avons géré des réseaux de neurones pour traiter des quantités massives de données vidéo, non seulement pour la détection et le suivi des véhicules mais aussi pour l'analyse du déroulement des événements, " poursuit Shepelev. " Dans le processus de développement de la technologie, nous avons utilisé les architectures de réseaux de neurones Mask R-CNN et YOLOv3 open source pour détecter des objets en temps réel, ainsi que le tracker SORT, dont le code a été modifié par l'équipe pour améliorer la qualité du suivi des objets."
Crédit :Université d'État de l'Oural du Sud
Le bloc analytique intégré basé sur l'intelligence artificielle détermine le niveau d'organisation du trafic à l'intersection et attribue des KPI à chaque sens de déplacement.
Efficacité accrue et réduction des coûts de surveillance
Grâce à l'optimisation des algorithmes du réseau de neurones YOLOv3, Les scientifiques de SUSU ont pu atteindre une précision de 95 %, prise en compte de la perte d'objets lors du suivi, et réduire considérablement le coût des équipements de surveillance en temps réel.
"L'intelligence artificielle avec vision industrielle porte la collecte de données et l'analyse du trafic routier à un nouveau niveau, permettant de reconnaître les véhicules avec une fiabilité bien plus grande que jamais, ", explique Vladimir Shepelev. "Nos réseaux de deep learning sont faciles à configurer, ne nécessitent pas d'équipement d'enregistrement spécifique et peuvent fonctionner sur presque tous les types de caméras."
La technologie développée par les scientifiques de l'Université d'État du Sud de l'Oural augmentera l'efficacité de l'utilisation des infrastructures routières urbaines. Dans le futur proche, La technologie de surveillance du trafic routier à l'aide de l'intelligence artificielle fera partie du projet de transport public durable pour la ville de Chelyabinsk.
