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).