مدیریت ترافیک با استفاده از دو شبکه عصبی عمیق YOLO و Mask R CNN

نظارت انسانی بر ترافیک می تواند یک کار سخت و خسته کننده باشد. زیرا اپراتور انسانی در مراکز مدیریت ترافیک با تصاویر تعدادزیادی از دوربین های نصب شده بر روی شبکه سروکار دارد. استفاده از اتوماسیون می تواند به کاهش بار کار اپراتورهای انسانی کمککند و مدیریت ترافیک را تسهیل کند که تاثیر حوادث و ازدحام مکرر در جاده ها را کاهش می دهد. در این مقاله، یک سیستم نظارتخودکار ترافیک پیشنهاد نموده ایم که از دو الگوریتم یادگیری عمیق YOLO و Mask-RCN برای عملیات ترافیکی استفادهمی کند. از یک پایگاه داده بزرگ دوریبن های ترافیکی استفاده نمودیم تا مدل های مبتنی بر یادگیری عمیق برای تشخیص ازدحام،تشخیص گره های ترافیکی و تشخیص تعداد وسایل نقلیه آموزش داده می شوند. برای نظارت بر ترافیک، یک شبکه عصبی Mask R-CNN را ارائه نموده ایم. در این روش گره ترافیکی با استفاده از ماسک های تقسیم بندی سطح پیکسل در مناطق طبقه بندی شدهپیش بینی می شود. همچنین از این مدل برای استخراج دقیق اطلاعات مربوط به صف ترافیکی با دوربین های ویدئویی نصب شده درخیابان استفاده می شود. بدین ترتیب که در ابتدا، یک مدل شبکه عصبی کانولوشن YOLO ، یک چارچوب یادگیری عمیق محبوببرای تشخیص و طبقه بندی وسایل نقلیه به صورت بلادرنگ استفاده می شود. سپس مدل شناسایی با سیستم ردیابی چند شی (براساس IOU) برای جستجو و بررسی صحنه های مختلف ترافیک برای ناهنجاری های احتمالی استفاده می شود. نتایج بدست آمدهنشان می دهد که چارچوب پیشنهادی در شرایط مختلف به طور رضایت بخشی عمل می کند بدون اینکه تحت تاثیر مخاطرات محیطیمانند تاری دید دوربین، نور کم، باران یا برف قرار گیرد.