مدیریت هوشمند ترافیک با استفاده از تکنیک های بینایی ماشین در شهرهای هوشمند

با افزایش جمعیت شهرها و بیشتر شدن ترافیک نیاز به داشتن سامانه های مدیریت ترافیک که هوشمند و کارآمد باشند بیش از گذشته احساس می شود. در سال های اخیر پیشرفت های بینایی ماشین و یادگیری عمیق باعث شده روش های مبتنی بر پردازش تصویر جایگاه مهمی در تحلیل ترافیک پیدا کنند. این روش ها معمولا برای تشخیص خودروها، تخمین میزان شلوغی مسیرها و کمک به تنظیم بهتر چراغ های راهنمایی به کار می روند. در این مقاله چند پژوهش مهم که در این زمینه انجام شده اند مرور شده و روش های تشخیص و تحلیل ترافیک در آنها بررسی می شود. مدل هایی مثل Mask - Faster R-CNN، YOLO۳ و شبکه های CNN برای شناسایی وسایل نقلیه و تحلیل جریان ترافیک استفاده شده اند و نتایج معمولا نشان می دهد که مدل های یادگیری عمیق نسبت به روش های قدیمی دقت و عملکرد بهتری دارند. با این حال چالش هایی مانند نیاز به سخت افزار قوی یا تغییر شرایط محیطی همچنان وجود دارد. جمع بندی این مرور نشان می دهد که استفاده از تکنیک های بینایی ماشین می تواند به روان تر شدن جریان ترافیک، کاهش زمان انتظار خودروها و افزایش بهره وری سامانه های حمل و نقل شهری کمک کند و در نهایت نقش مهمی در توسعه شهرهای هوشمند داشته باشد.

کلیدواژه ها:

بینایی ماشین ، مدیریت هوشمند ترافیک ، یادگیری عمیق ، تشخیص خودرو ، شهر هوشمند