موسسه آموزش عالی آپادانا فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 3 3 2025 06 11 AI-Powered Traffic Monitoring System سیستم نظارت بر ترافیک با قابلیت هوش مصنوعی 89 110 10.22051/jera.2021.31891.2698 FA نسرین کارشناسی عمران، گرایش حملونقل ترافیک، دانشگاه جامع علمی کاربردی شهرداریها. 2025 04 15 Manual traffic monitoring can be a daunting task, as traffic management centers operate a vast number of cameras installed across networks. Introducing a level of automation can reduce the workload of human operators performing manual monitoring and facilitate proactive decision-making. These measures help mitigate the impact of incidents and recurring congestion on roads. This paper presents a novel approach for automated real-time traffic video surveillance using convolutional neural networks (CNNs) and an independent graphical user interface. The authors describe the findings from research conducted during the development of models designed to function as an integrated framework for an AI-enabled active traffic monitoring system. The proposed system utilizes several advanced deep learning algorithms to automate various traffic surveillance tasks. Using a large-scale, annotated surveillance video dataset, deep learning models are trained to identify queues, track stationary vehicles, and tabulate vehicle counts. A pixel-level segmentation approach is applied to detect traffic queues and predict their severity. Real-time object detection algorithms, combined with various tracking systems, are deployed to automatically identify wandering vehicles and perform vehicle counting. At each stage of development, significant empirical results are presented to demonstrate the system's effectiveness. Overall, the results show that the proposed framework performs satisfactorily under diverse conditions, without being significantly affected by environmental challenges such as camera blur, low lighting, rain, or snow. 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. /downloadfilepdf/777678