تشخیص نوع خودرو به منظور کنترل هوشمند عبور و مرور خودروها توسط یادگیری عمیق

با افزایش خودروها در سراسر جهان و توسعه فناوری، سیستم های حمل ونقل هوشمند به عنوان یکی از راه حل های کلیدی برای کنترل ترافیک و افزایش ایمنی راه ها مطرح شده اند. یکی از بخش های مهم این سیستم ها، تشخیص نوع خودرو است. در این مقاله از ترکیب مدل های EfficientNet-B۰ و YOLO-V۱۱ جهت تشخیص نوع خودرو استفاده شده است. در این مدل، EfficientNet-B۰ به عنوان ستون فقرات مدل YOLO-V۱۱ به کاررفته است. این مدل، ویژگی های تصاویر را استخراج کرده و آن ها را به مدل YOLO اعمال می کند تا مکان و نوع خودرو را به طور دقیق تشخیص دهد. برای ارزیابی عملکرد مدل پیشنهادی از مجموعه داده تصویری BVMMR که شامل بیش از ۵۰۰۰ تصویر از انواع خودروهای ایرانی است، استفاده شده است. مدل مورداستفاده با زبان برنامه نویسی پایتون نوشته شده و در محیط کولی (Colab) اجراشده است. نتایج اجرای کدها نشان می دهد که مدل پیشنهادی دارای مقدار میانگین دقت در هم پوشانی پنجاه درصد (mAP۵۰) برابر با ۳/۹۹% و میانگین دقت در هم پوشانی بیشتر از پنجاه درصد (mAP۵۰-۹۵) برابر با ۳/۹۸% است. این مدل، ازنظر سرعت پردازش نیز توانسته است با میانگین زمان ۲/۰ میلی ثانیه برای پیش پردازش، ۸/۲ میلی ثانیه برای استنتاج و ۵/۲ میلی ثانیه برای پس پردازش در هر تصویر، عملکرد مطلوبی را ارائه دهد.

کلیدواژه ها:

بینایی رایانه ، سیستم حمل ونقل هوشمند ، یادگیری عمیق ، YOLO ، Efficient Net