Моделі класифікатора передумов виникнення ДТП для передбачення небезпечних ситуацій на перехрестях
DOI:
https://doi.org/10.30837/2522-9818.2025.2.177Ключові слова:
класифікація об’єктів на зображенні; комп’ютерний зір; машинне навчання; штучний інтелект; інформаційні технології; Nvidia Jetson; передбачення ДТП; YOLO; DetectNet_v2; Detectron2Анотація
Предметом статті є передумови виникнення дорожньо-транспортних пригод на перехрестях та ділянках з обмеженою видимістю; використання моделей комп’ютерного зору для завдань класифікації передумов виникнення ДТП і визначення ефективності їх застосування для роботи в режимі реального часу. Мета дослідження – порівняння моделей комп’ютерного зору для завдання класифікації передумов виникнення ДТП для роботи в режимі реального часу; порівняння моделей з використанням платформи Jetson TX2; визначення ефективності роботи зазначеного підходу з метою створення сигналів для водія про небезпеку в режимі реального часу. Завдання: дослідження моделей комп’ютерного зору Detectron2, YOLOv7 для завдання класифікації передумов ДТП на зображенні в розрізі швидкодії моделей, зручності створення набору даних, тренування моделей та їх використання; порівняння YOLOv8 і DetectNet_v2 на одноплатному комп’ютері Jetson TX2 у розрізі швидкодії. Методи дослідження: тренування та використання моделей машинного навчання та методи моделювання небезпечних ситуацій за допомогою програмного забезпечення BeamNG.tech, CARLA; порівняльний аналіз результатів застосування моделей із застосуванням метрик для оцінювання їх ефективності. Основними результатами дослідження є виявлення найбільш ефективної моделі для завдань класифікації на одноплатному комп’ютері Jetson TX2-DetectNet_v2; позитивна оцінка ефективності використання запропонованого підходу для попередження водія про небезпеку в режимі реального часу, проте з огляду на розмір навчального набору даних та складність його підготовки. Висновки. Розглянуто алгоритми комп’ютерного зору, зокрема Detectron2, YOLOv7 та DetectNet_v2. Виявлено, що модель YOLOv7 є кращою порівняно з Detectron2 для завдання виявлення передумов ДТП на зображенні, проте зі свого боку DetectNet_v2 є більш ефективним для застосування на одноплатному комп’ютері Jetson TX2, якщо порівнювати з YOLOv7. Додатково на підставі експериментів з’ясовано, що застосування окресленого підходу для передбачення передумов ДТП є проблематичним через складнощі у створенні навчального набору даних – варіативність сценаріїв передумов.Завантаження
Посилання
Peralta-López, J., Morales-Viscaya, J., Lázaro-Mata, D., Villaseñor-Aguilar, M., Prado-Olivarez, J., Pérez-Pinal, F., Gutiérrez, A. (2023), "Speed bump and pothole detection using deep neural network with images captured through zed camera". Applied Sciences, № 13(14), 8349 р. DOI: https://doi.org/10.3390/app13148349
Celaya-Padilla, J. M., Galván-Tejada, C. E., López-Monteagudo, F. E., Alonso-González, O., Moreno-Báez, A., Martínez‐Torteya, A., Gamboa-Rosales, H. (2018), "Speed bump detection using accelerometric features: a genetic algorithm approach". Sensors, № 18(2), 443 р. DOI: https://doi.org/10.3390/s18020443
Eslaminezhad, S. A. and Delavar, M. R. (2019), "An integrated network-constrained spatial analysis for car accidents: a case study of tehran city, iran". The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W18, Р. 335–342. DOI: https://doi.org/10.5194/isprs-archives-xlii-4-w18-335-2019
Contributors to Wikimedia projects, (2005), "Kernel density estimation – Wikipedia. Wikipedia, the free encyclopedia", available at: https://en.wikipedia.org/wiki/Kernel_density_estimation (last accessed 25.02.2025)
Ravindran, V., Viswanathan, L., & Rangaswamy, S. (2016), "A novel approach to automatic road-accident detection using machine vision techniques". International Journal of Advanced Computer Science and Applications, №7(11). DOI: https://doi.org/10.14569/ijacsa.2016.071130
Robles-Serrano, S., Torres, G. S., & Branch, J. W. (2021), "Automatic detection of traffic accidents from video using deep learning techniques". Computers, №10(11), 148 р. DOI: https://doi.org/10.3390/computers10110148
Amirfakhrian, M. and Parhizkar, M. (2021), "Іntegration of image segmentation and fuzzy theory to improve the accuracy of damage detection areas in traffic accidents". Journal of Big Data, №8(1). DOI: https://doi.org/10.1186/s40537-021-00539-2
Zimmermann, H. (2010), "Fuzzy set theory". WIREs Computational Statistics, №2(3), Р. 317–332. DOI: https://doi.org/10.1002/wics.82
Tian, D., Zhang, C., Duan, X., & Wang, X. (2019), "An automatic car accident detection method based on cooperative vehicle infrastructure systems". IEEE Access, № 7, Р. 127453-127463. DOI: https://doi.org/10.1109/access.2019.2939532
Wang, S. (2024), "Traffic accident prediction based on cnn and time of commuting after accident". Highlights in Science, Engineering and Technology, №118, Р. 65–71. DOI: https://doi.org/10.54097/5t9mba88
Süzen, A. A., Duman, B., & Şen, B. (2020). "Benchmark analysis of jetson tx2, jetson nano and raspberry pi using deep-cnn". 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), № 1-5. DOI: https://doi.org/10.1109/hora49412.2020.9152915
Merz, G., Liu, Y., Burke, C. J., Aleo, P., Liu, X., Kind, M. C., Liu, Y. (2023), "Detection, instance segmentation, and classification for astronomical surveys with deep learning (deepdisc): detectron2 implementation and demonstration with hyper suprime-cam data". Monthly Notices of the Royal Astronomical Society, № 526(1), Р. 1122–1137. DOI: https://doi.org/10.1093/mnras/stad2785
Wang, C., Bochkovskiy, A., & Liao, H. M. (2022), "Yolov7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors". Computer Vision and Pattern Recognition. DOI: https://doi.org/10.48550/arxiv.2207.02696
"BeamNG.tech Contributors, BeamNG.tech". 2023. available at: https://beamng.tech/ (last accessed: 25.02.2025)
Byzkrovnyi, O., Smelyakov, K., Chupryna, A., Savulionienė, L., & Sakalys, P. (2023), "Comparison of potential road accident detection algorithms for modern machine vision system". Environment. technologies. resources. Proceedings of the International Scientific and Practical Conference, №3, Р. 50–55. DOI: https://doi.org/10.17770/etr2023vol3.7299
Byzkrovnyi, O., Smelyakov, K., Chupryna, A., & Lanovyy, O. (2024), "Comparison of object detection algorithms for the task of person detection on jetson tx2 nx platform". IEEE Open Conference of Electrical, Electronic and Information Sciences (eStream). DOI: https://doi.org/10.1109/estream61684.2024.10542592
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
