<span lang="FA">تشخیص بیدرنگ تصادف در ترافیک شهری با اینترنت اشیاء و ترکیب سازوکار توجه با ماشین بردار پشتیبان در چارچوب ابرمحور

تشخیص بیدرنگ تصادف در شبکه های حمل ونقل هوشمند برای کاهش تلفات و مدیریت ترافیک حیاتی است اما نرخ هشدار کاذب بالا، هزینه محاسباتی و محدودیت پهنای باند دوربین های شهری چالش اصلی محسوب می شود. این پژوهش چارچوبی سبک و مقیاس پذیر برای آشکارسازی مطمئن تصادف ارائه می کند که همزمان دقت بالا و هزینه ارتباطی پایین را هدف می گیرد. در مرحله لبه، تنها هنگام مشاهده نشانه خطر (تغییرات ناگهانی و غیرعادی در داده های حسگرها (افزایش بیش از ۳۵۰ پاسکال در نیروی ضربه، کاهش سرعت بیش از ۶۰ درصد در کمتر از ۱ ثانیه)، چند ثانیه ویدئو به کارساز میانی ارسال می شود؛ در کارساز، همگام سازی زمانی مکانی و پاکسازی انجام می گیرد. سپس یک استخراج گر سبک با هم آمیختی تفکیک پذیر عمقی، دو بلوک Inception با اتصالات باقیمانده و توجه کانالی، نمایه ۲۵۶ بعدی نرمال شده می سازد. این نمایه با ماشین بردار پشتیبان مبتنی بر هسته تابع شعاعی و کالیبراسیون احتمال طبقه بندی می شود و با هموارسازی زمانی و هم نظری چندمنبع، هشدارهای بی مورد کاهش می یابد. آزمایش های انجام شده نشان داد که روش پیشنهادی به دقت ۹۹ درصد، بازخوانی ۹۹ درصد، دقت مثبت ۹۸ درصد و صحت ۵/۹۸ درصد دست یافت. ماتریس آشفتگی آزمایش تنها ۷ خطا از ۴۰۰ نمونه را نشان داد. نسبت به خطوط مبنا VGG-۱۹، ResNet-۵۰، DenseNet۱۲۱ و InceptionV۳، بهبود دقت بین ۶/۱ تا ۲/۴ واحد درصد و بهبود حساسیت بین ۲ تا ۷ واحد درصد حاصل شد.

کلیدواژه ها:

تشخیص بیدرنگ تصادف ، ترافیک شهری ، اینترنت اشیاء ، استخراج ویژگی ، ماشین بردار پشتیبان