Використання нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів
Loading...
Date
2021
Journal Title
Journal ISSN
Volume Title
Publisher
НМетАУ, Дніпро
Abstract
UKR: Робота присвячена дослідженню нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів. В роботі вирішувалося завдання розпізнавання світлових сигналів транспортних засобів. Як детектор транспортних засобів використовувалася полегшена версія YOLOv3, а класифікатором світлових сигналів виступала адаптована під умови задачі архітектура MobileNetv2. Моделі навчалися на декількох датасетах, приведених до єдиного формату. Отримана якість моделей є досить хорошою для доказу працездатності системи. Подальше поліпшення якості можливо за рахунок збільшення обсягу навчальної вибірки і більш точного підбору гіперпараметрів моделі. З точки зору швидкості роботи система розпізнавання показала прийнятний результат.
RUS: Работа посвящена исследованию нейросетевых классификаторов для реализации системы идентификации транспортных средств. В работе решалась задача распознавания световых сигналов транспортных средств. Как детектор транспортных средств использовалась облегченная версия YOLOv3, а классификатору световых сигналов выступала адаптирована под условия задачи архитектура MobileNetv2. Модели учились на нескольких датасета, приведенных к единому формату. Полученная качество моделей является достаточно хорошей для доказательства работоспособности системы. Дальнейшее улучшение качества возможно за счет увеличения объема обучающей выборки и более точного подбора гиперпараметрив модели. С точки зрения скорости работы система распознавания показала приемлемый результат.
ENG: The work is devoted to the study of neural network classifiers for the implementation of a vehicle identification system. The problem of recognition of light signals of vehicles was solved in the work. The light version of YOLOv3 was used as a vehicle detector, and the MobileNetv2 architecture was adapted to the light signal classifier. The models were trained on several datasets, brought to a single format. The resulting quality of the models is good enough to prove that the system works. Further quality improvement is possible by increasing the volume of the training sample and more accurate selection of model hyperparameters. From the point of view of the speed of work, the recognition system showed an acceptable result. From the point of view of the speed of work, the recognition system showed an acceptable result. The entire process of processing a frame can be done in a reasonable amount of time on budget equipment. However, for a full-fledged embedded solution, it is necessary to further speed up the processing process, while reducing the consumption of graphics memory and the load on the processor. When checking the operability on the recordings from the DVR, the system spoke well, but sometimes incorrect results were observed for distant cars.
RUS: Работа посвящена исследованию нейросетевых классификаторов для реализации системы идентификации транспортных средств. В работе решалась задача распознавания световых сигналов транспортных средств. Как детектор транспортных средств использовалась облегченная версия YOLOv3, а классификатору световых сигналов выступала адаптирована под условия задачи архитектура MobileNetv2. Модели учились на нескольких датасета, приведенных к единому формату. Полученная качество моделей является достаточно хорошей для доказательства работоспособности системы. Дальнейшее улучшение качества возможно за счет увеличения объема обучающей выборки и более точного подбора гиперпараметрив модели. С точки зрения скорости работы система распознавания показала приемлемый результат.
ENG: The work is devoted to the study of neural network classifiers for the implementation of a vehicle identification system. The problem of recognition of light signals of vehicles was solved in the work. The light version of YOLOv3 was used as a vehicle detector, and the MobileNetv2 architecture was adapted to the light signal classifier. The models were trained on several datasets, brought to a single format. The resulting quality of the models is good enough to prove that the system works. Further quality improvement is possible by increasing the volume of the training sample and more accurate selection of model hyperparameters. From the point of view of the speed of work, the recognition system showed an acceptable result. From the point of view of the speed of work, the recognition system showed an acceptable result. The entire process of processing a frame can be done in a reasonable amount of time on budget equipment. However, for a full-fledged embedded solution, it is necessary to further speed up the processing process, while reducing the consumption of graphics memory and the load on the processor. When checking the operability on the recordings from the DVR, the system spoke well, but sometimes incorrect results were observed for distant cars.
Description
Keywords
розпізнавання світловими сигналів, штучні нейронні мережі, Python, детектування об'єктів, класифікація зображення, Pytorch, КІТС
Citation
Островська К. Ю., Стовпченко І. В., Губанов О. Д. Використання нейромережевих класифікаторів для реалізації системи ідентифікації транспортних засобів. Системні технології. Дніпро, 2021. Т. 2. № 133. С. 135–146. DOI: 10.34185/1562-9945-2-133-2021-15.