کاربرد روشهای یادگیری عمیق در تشخیص خودکار تخلفات حادثه ساز رانندگی از داده های ویدئویی

افزایش روزافزون وسایل نقلیه و ترافیک شهری موجب رشد چشمگیر تخلفات رانندگی و بروز تصادفات شده است. تشخیص خودکار تخلفات حادثه ساز مانند عبور از چراغ قرمز، سبقت غیرمجاز و رانندگی با سرعت بالا از داده های ویدئویی یکی از چالش های مهم در سامانه های نظارت هوشمند شهری است. در سال های اخیر پیشرفت فناوری یادگیری عمیق (Deep Learning) و ظهور مدل های قدرتمند تشخیص اشیاء به ویژه شبکه های عصبی کانولوشنی (CNN) راه حلی موثر برای تحلیل خودکار داده های تصویری فراهم کرده است. در این پژوهش چارچوبی ترکیبی بر پایه مدل های Faster R-CNN، YOLOV۷ و شبکه های سه بعدی (D-CNN) برای تشخیص خودکار تخلفات حادثه ساز پیشنهاد می گردد. مدل پیشنهادی با استفاده از مجموعه داده های واقعی از دوربین های نظارتی شهری آموزش یافته و توانسته است در آزمایش ها به دقت میانگین ۹۴ دست یابد. ارزیابی ها نشان می دهد ترکیب ویژگی های مکانی و زمانی در شبکه سه بعدی با مکانیزم توجه (Attention) باعث ارتقاء چشمگیر عملکرد مدل در شرایط نوری متغیر شده است. نتیجه این تحقیق گامی به سوی توسعه سامانه های هوشمند نظارت ترافیک با قابلیت پیش بینی تخلفات پیش از وقوع است.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی کانولوشنی ، هوش مصنوعی ، بینایی ماشین ، تخلفات رانندگی ، تحلیل ویدئویی ، Faster R-CNN ، YOLO