Sustainability: беспилотные транспортные средства будут безопасными в любую погоду

Российскими учеными совместно с индийскими коллегами улучшен алгоритм управления беспилотными транспортными средствами в условиях недостаточной видимости на основе метода глубокого обучения для распознавания и классификации изображений (Deep Learning Method for Recognition and Classification of Images). Исследование было опубликовано в научном журнале Sustainability.

Устойчивое функционирование транспортной системы требует решения задач идентификации и классификации участников дорожного движения с целью прогнозирования вероятности аварий и предотвращения нештатных или аварийных ситуаций. Появление беспилотных автомобилей на городских магистралях значительно увеличивает риски подобных событий. Для повышения безопасности дорожного движения используются интеллектуальные транспортные системы, встроенные системы компьютерного зрения, системы видеонаблюдения, фоторадарные системы. Основной проблемой является распознавание и классификация объектов и критических событий в сложных погодных условиях. Например, капли воды, снег, пыль и грязь на объективе камеры делают изображения менее точными при идентификации объектов, распознавании номерных знаков, определении траектории движения автомобиля и т. д. Часть изображения накладывается, искажается или размыта.

Ученые Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации предложили способ повышения точности идентификации объектов за счет использования оператора Кэнни для исключения из рассмотрения поврежденных участков изображения за счет захвата четких частей объектов и игнорирования размытых. Дальнейшей обработке подвергаются только те участки изображения, где этот оператор обнаружил границы объектов. Для классификации изображений по оставшимся целым частям предлагается использовать комбинированный подход, включающий метод гистограммно-ориентированного градиента (HOG), набор визуальных слов (BoVW) и нейронную сеть обратного распространения (BPNN). Для бинарной классификации изображений поврежденных объектов этот метод показал значительное преимущество перед классическим методом сверточных нейронных сетей (СНС) (точности 79 и 65 % соответственно). Представлены результаты многоклассовой классификации объектов распознавания на основе поврежденных изображений с разбросом точности от 71 до 86%. Рецензентами отмечен важный практический смысл проведенного исследования.

Применение систем компьютерного зрения в сельском хозяйстве описано в исследовании профессора Финансового университета Владимира Соловьева в журнале Symmetry.

В исследовании приняли участие ученые из Пензенского государственного университета (Россия), Rajkiya Engineering College (Индия).

17 мая, 2022

Подписаться на новости BIS Journal / Медиа группы Авангард

Подписаться
Введите ваш E-mail

Отправляя данную форму вы соглашаетесь с политикой конфиденциальности персональных данных

29.03.2024
Евросоюз обозначил ИБ-угрозы на ближайшие шесть лет
28.03.2024
Аитов: Ограничения Samsung Pay на использование карт «Мир» можно обойти
28.03.2024
Киберпреступления — 35% всех преступлений в России
28.03.2024
Почему путешествовать «налегке» не всегда хорошо
28.03.2024
«Тинькофф»: Несколько платёжных систем лучше, чем одна
28.03.2024
В РФ готовят базу для «усиленной блокировки» незаконного контента
28.03.2024
Термин «риск ИБ» некорректен по своей сути
27.03.2024
Samsung Pay перестанет дружить с «мировыми» картами
27.03.2024
Канадский университет восстанавливает работу после ИБ-инцидента
27.03.2024
Crypto Summit 2024. Трейдинг, майнинг и перспективы развития рынка ЦФА

Стать автором BIS Journal

Поля, обозначенные звездочкой, обязательные для заполнения!

Отправляя данную форму вы соглашаетесь с политикой конфиденциальности персональных данных