دوره 3، شماره 3، 1404، صفحات 89 - 110

نویسندگان : نسرین ماهیان* ¹

چکیده :
نظارت دستی ترافیک می‌تواند یک کار دلهره‌آور باشد؛ زیرا مراکز مدیریت ترافیک، تعداد بی‌شماری از دوربین‌های نصب‌شده روی یک شبکه را اجرا می‌کنند. تزریق سطحی از اتوماسیون می‌تواند به کاهش بار کار اپراتورهای انسانی که نظارت دستی را انجام می‌دهند، کمک کند و تصمیم‌گیری‌های پیشگیرانه را تسهیل نماید. این اقدامات، تأثیر حوادث و ازدحام مکرر در جاده‌ها را کاهش می‌دهد. این مقاله، یک رویکرد جدید برای نظارت خودکار فیلم‌های ترافیکی زمان واقعی با استفاده از شبکه‌های عصبی پیچیده و یک رابط کاربری گرافیکی مستقل را ارائه می‌کند. نویسندگان، نتایج تحقیقات دریافت‌‌شده در فرآیند توسعه مدل‌هایی را توصیف می‌کنند که به‌عنوان یک چارچوب یکپارچه برای یک سیستم نظارت بر ترافیک فعال با هوش مصنوعی عمل می‌کند. سیستم پیشنهادی، چندین الگوریتم یادگیری عمیق پیشرفته را جهت خودکارسازی نیازهای مختلف نظارت بر ترافیک به کار می‌گیرد. با استفاده از یک پایگاه داده بزرگ از داده‌های نظارت تصویری مشروح، مدل‌های مبتنی بر یادگیری عمیق برای شناسایی صف‌ها، ردیابی وسایل نقلیه ساکن و جدول‌بندی تعداد خودروها آموزش داده می‌شوند. یک رویکرد تقسیم‌بندی در سطح پیکسل به‌‌منظور شناسایی صف‌های ترافیک و پیش‌بینی شدت اعمال می‌شود. الگوریتم‌های تشخیص شیء در زمان واقعی همراه با سیستم‌های ردیابی مختلف برای شناسایی خودکار وسایل نقلیه سرگردان و همچنین، انجام شمارش وسایل نقلیه مستقر می‌شوند. در هر مرحله از توسعه، نتایج تجربی قابل‌‌توجهی برای نمایش اثربخشی سیستم پیشنهادی ارائه می‌شود. به‌طورکلی، نتایج نشان می‌دهد که چارچوب پیشنهادی در شرایط مختلف به‌طور رضایت‌بخشی عمل می‌کند؛ بدون اینکه به‌شدت تحت تأثیر خطرات محیطی مانند تاری نماهای دوربین، نور کم، باران یا برف قرار گیرد.

کلمات کلیدی :
نظارت بر ترافیک، سیستم‌های حمل‌ونقل هوشمند، صف‌های ترافیکی، شمارش وسایل نقلیه، هوش مصنوعی، یادگیری عمیق