深度学习系统使交通执法系统越发精准

图1:移动电话和宁静带检测系统分析驾驶员的图像以确定驾驶员在偏向盘后是否系宁静带或使用手机。

想要构建不需要与网络连续通信的边缘系统在设计阶段提出了第二个挑战。这意味着确保设备具有适当的盘算机功效和数据存储量。

每个违规图像通常需要5 MB数据。内部测试讲明不到1%的捕捉图像导致违规。如果有100,000辆汽车驶过移动电话和宁静带检测设备则可能导致1000次违规仅需要5 GB的存储空间这对于固态硬盘(SSD)来说是微不足道的。

如果有须要可以在一到两天内或用约莫1000张违规图像来完成该历程。用于分外照明或改变快门速度的分外光线还可提供所需的校正以获得准确的效果。

外星眼机械视觉认为:深度学习在交通领域的使用可以使交通执法越发准确淘汰人力制止交通事故的发生。

被分类为违规的每个图像都存储在内存中并以客户端(例如执法机构)确定的时间距离传输到后端系统 。无法捕捉违规的图像将从设备中删除。然后客户可以使用车辆的车牌号来检察图像并适当地向驾驶员发出引用以识别驾驶员。

该设备已经在5至10个差别所在举行了现场测试并于7月开始为埃及的客户举行一次现场部署。在该商业部署中宁静带违规和手机使用违规的准确性现在划分为95%和92%。

使用数以万计的训练图像开发了快要两年的基础CNN这是该设备的焦点预测模型。与地方政府的互助确定了相机放置图像的最佳位置。诸如CaffeTensorFlow和PyTorch之类的高级框架为CNN设计和培训提供了最初的支架。然后凭据所使用的特定硬件使用CC ++或CUDA对模型举行编码以提取尽可能多的盘算能力。还对单个芯片组举行了进一步的优化。

当移动电话和宁静带检测设备的开发开始时要克服三个挑战。首先该设备需要足够高的图像质量以可靠地使人类评论家告竣共识即驾驶员在驾驶时是否系宁静带或使用智能手机。

可是假阴性越发难以检测。只有肯定的效果会传输到后端而所有其他数据都将删除。当前正在开发的管道将使执法人员可以检察图像并分配标签从而生成用于在特定部署中对模型举行微调的图像。

支持门路宁静应用灵活的卷积神经网络(CNN)以及强大的可视察性和监视客栈的人工智能(AI)系统开发商通过与当地执法机构的精密互助关系部门提供乐成的关键。

精致调整的卷积神经网络和强大的效果监视功效可提供准确的性能。

当他们的汽车进入相机的视野时设备会捕捉驾驶员的图像。然后在设备上运行的CNN会分析图像并确定驾驶员是否由于不系宁静带或在偏向盘后面使用手机而犯了违规行为。

项目的第三个挑战是因为设备在边缘运行。错误指示很显着例如导致违规的图像百分比突然上升或者在正常情况下会正常发生违规次数的一段时间内没有违规。这些错误在下一次数据传输之前不会被察觉这可能会导致设备无法正常运行的较长时间。这就是我们需要开发了一个强大的内部可视察性和监视客栈可以一连监视设备并在泛起任何此类异常情况时生成自动警报。

现场测试将CNN分类与真实情况举行比力。如果需要可以对每个站点的CNN举行微调以适应部署的奇特条件并确保始终如一的90%以上的准确性。阳光照进相机的角度眩光修建物的阴影或常见的天气条件(如连续的强降雨)都可能需要微调。

两个主要的芯片组选择存在:从NVIDIA配备有ARM处置惩罚器和嵌入式的GPU如泽维尔NX和杰特森TX2或具有至少一个英特尔工业PCi9700K或更高版本的CPU带有8GB DDR4 RAM。该公司建议使用基于PCIe的英特尔神经盘算棒以进一步提高工业PC的性能。

一个强大的监视系统会在每个部署站点连续运行:交通执法人员凭据CNN分类公布引文。在大多数辖区中凭据执法官员必须在通过移动电话和宁静带检测设备捕捉的图像公布引用之前对其举行审查。因此误报总是会记载并为模型的预测准确性提供怀抱。

泉源于互联网仅供分享如侵删

图2:“移动电话和宁静带检测”系统UI允许客户端检察系统捕捉的并归类为违规的图像。

系统为宁静带使用情况生成是或否分类。对于手机使用该系统提供了更庞大的效果。CNN凭据驾驶员握住电话的位置来识别用于通话的电话与用于发短信的电话之间的区别。该模型还对图像的第三种种别(不确定)举行分类讲明图像过于模糊以至于该模型无法自信地对是或否标签举行分类。

专为交通执法机构设计的移动电话和宁静带检测设备可安装在路边的电线杆或门路上方的龙门架上。龙门安装发生较少的遮挡但价钱更高。从视频分析的角度来看路边安装更具挑战性但更自制更利便。

建立一个深度学习系统能够以最低90%的精度确定驾驶员是否在驾驶时系上宁静带或使用手机的设备是一项挑战。开发一种可以在种种情况条件下以高达30 kmph的速度行驶在长达3条车道的门路上的车辆捕捉清晰图像的系统会增加难度。

此外当设备将其数据传输到后端时该数据不再存储在设备上从而不停刷新存储空间量。专有API允许设备与任何后端举行交互以举行执法机构维护的违规处置惩罚。

About the author

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图