СИСТЕМЫ КЛАССИФИКАЦИИ ОБЪЕКТОВ ПО ЗАДАННЫМ ПАРАМЕТРАМ НА ПРИМЕРЕ ОПРЕДЕЛЕНИЯ КЛАССА ТРАНСПОРТНЫХ СРЕДСТВ. ПОСТАНОВКА ЗАДАЧИ. ПРОБЛЕМЫ В РЕАЛЬНЫХ УСЛОВИЯХ. МЕТОДЫ КОРРЕКЦИИ ОШИБОК. ПРОЕКТИРОВАНИЕ КЛАССИЧЕСКОЙ СИСТЕМЫ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 004.414.2

Дубачев Д.В.

Ведущий программист ООО "Автоматизированные Системы Транспорта"

Воронеж, РФ

СИСТЕМЫ КЛАССИФИКАЦИИ ОБЪЕКТОВ ПО ЗАДАННЫМ ПАРАМЕТРАМ НА ПРИМЕРЕ ОПРЕДЕЛЕНИЯ КЛАССА ТРАНСПОРТНЫХ СРЕДСТВ. ПОСТАНОВКА ЗАДАЧИ. ПРОБЛЕМЫ В РЕАЛЬНЫХ УСЛОВИЯХ.

МЕТОДЫ КОРРЕКЦИИ ОШИБОК. ПРОЕКТИРОВАНИЕ КЛАССИЧЕСКОЙ СИСТЕМЫ.

Аннотация

В статье приведен базовый обзор и сравнительная оценка потенциала применимости систем классификации различного принципа действия на основании различных факторов. Фокус статьи сосредоточен на организации алгоритмов системы классификации транспортных средств одним из классических способов — с помощью инфракрасных барьерных датчиков и лазерного модуля. Показаны принципы построения системы классификации с использованием резервирования систем для максимизации надежности, возникающие устранимые и неустранимые ошибки при работе системы в реальных условиях, а также программные методы их минимизации.

Ключевые слова:

система классификации, инфракрасные барьерные датчики, лазерный модуль, оптические датчики,

счетчики осей, детекция транспортного средства.

Dubachev D.V.

SYSTEMS OF CLASSIFICATION OF OBJECTS ACCORDING TO THE SPECIFIED PARAMETERS ON THE EXAMPLE OF THE DEFINITION OF VEHICLE CLASSES. THE PROBLEM STATEMENT. DIFFICULTIES OF EXPLORATION IN REAL-LIFE CONDITIONS. DESIGNING A CLASSICAL SYSTEM.

Abstract

The article provides a basic overview and a comparative evaluation of the applicability potential of classification systems with different principles of action that are based on various factors. The article focuses on the derivation of the common algorithms for the vehicle classification system. This method is one of the classic ways and uses infrared barrier sensors and laser modules. The basic principles of a classification system that uses reservation for maximization of reliability, recoverable and unrecoverable errors during the operation of the system, and also software methods to minimize them are shown.

Key words:

dassification systems, infrared barrier sensors, laser modules, optical sensors, axle counters, vehicle detection.

Введение. В современном мире ввиду высочайшего развития технологий автоматизация технологических процессов внедряется практически повсеместно. Большую роль при такой автоматизации составляет детектирование и классификация объектов по определенным, наперед заданным признакам. Различный характер объектов и оцениваемых признаков (выявление дефектов у одного типа объектов, разделение различных объектов по группам) вынуждает проектировать и

реализовывать системы различной конструкции и принципов действия, которые обладают оптимальными характеристиками при наперед заданных условиях работы [1]. Одной из таких систем является система классификации ТС (транспортных средств) при проезде объектов дорожной инфраструктуры — от платных участков дорог и до мостов, тоннелей и пунктов весового контроля. При работе системы в индустрии транспорта крайне нежелательны ошибки в определении класса транспортного средства, а также недопустимы сбои в очереди транспортных средств на полосе проезда так как это оказывает сильное влияние на безопасность проезда объекта, корректность назначения оплаты и уровень стресса водителя. Поэтому к качеству классификации транспортных средств предъявляются повышенные требования.

Постановка задачи классификации транспортных средств. Согласно данным системы классификации, принятой всеми операторами России, выделяется четыре класса по двум признакам (Рис. 1.)

Категория транспорт-ного средства Пример транспортного средства Критерий классификации

Общая высота Оси

1. Легковые транспортные средства и мотоциклы ^гту . ДТ^ ——— -^т^ О О"1 О О О О <«»- О '—я» .^Ь Легковые автомобили, многофункциональные транспортные средства, мотоциклы, автомобили с прицепами высотой менее 2 м Высота < 2 м 2 и более

2. Средние транспортные средства »«¡^а. 45- о о —О* ЧГ"^1 & Автомобили с прицепами высотой от 2 м до 2,6 м 2 м < Высота < 2,60 м 2 и более

3. Грузовые транспортные средства, автобусы с 2 осями Ш&й ши '^КГ" Транспортные средства с 2 осями и высотой более 2,6 м Высота > 2.60 м 2 оси

4. Грузовые транспортные средства, автобусы с 3 и более осями Чо^-ЬЗ® оо о Транспортные средства с 3 и более осями и высотой более 2,6 м Высота > 2,60 м 3 оси и более

Рисунок 1 - Разделение транспортных средств на классы, согласно характеристикам

В других странах количество классов и рассматриваемые признаки отличаются, однако высота транспортного средства и количество его осей практически всегда входит в анализируемые признаки классификации. Исходя из указанных выше данных система должна определять следующие параметры [2]:

• максимальная высота транспортного средства,

• количество осей транспортного средства.

Кроме того, система должна достоверно отделять одно транспортное средство от другого, а также однозначно определять направление его движения (как въезда на узел классификации, так и съезда с него). Кроме надежности указанных выше данных, поставляемых системой классификации, критически важен параметр быстродействия системы для возможности её использования в сценариях проезда по безостановочной полосе проезда — для своевременного обнаружения электронного средства оплаты на борту и осуществления транзакции с ним.

Так как авторы хорошо знакомы с тремя основными типами систем классификации, применяемыми в России, дальнейший анализ коснется укрупненных типов именно этих систем (Таблица 1.)

Таблица 1

Основные типы систем классификации транспортных средств, представленные в России

Тип системы классификации Тип и наименование оборудования Применяемые алгоритмы классификации

видеоклассификация Специализированная сверхбыстрая камера с вычислителем Машинное зрение

Барьерная система Массив инфракрасных датчиков с вычислителем Низкоуровневое программирование контроллера классификатора

Классификация барьерными датчиками с лазером Специальные инфракрасные датчики, лазерный модуль с вычислителем Классические жестко заданные алгоритмы

Рассмотрим преимущества и недостатки каждой системы.

Видеоклассификация является перспективным методом определения класса ТС, а также содержит небольшое количество аппаратных модулей. Однако большим недостатком является необходимость наличия высокопроизводительного вычислителя, использующего алгоритмы машинного зрения, специализированной дорогой и требующей настройки камеры, сопутствующего оборудования (ИК прожекторы, калибровочные стенды). Кроме того, параметр быстродействия системы определяется как минимум задержкой передачи потока с камеры в 50 миллисекунд у самых быстрых и порядка 150-200 миллисекунд у типовых камер, применяемых в коммерческих проектах. Таким образом, эффективно управлять потоком транспортных средств исключая мошенничество в виде проезда за выезжающим ТС на близком расстоянии с помощью барьерных средств контроля становится затруднительно. Создание такой системы требует не только высочайшей квалификации от разработчика, но и большой набор данных для обучения системы. Калибровка системы также требует высокой квалификации персонала. Также важно отметить зависимость качества распознавания осей от изображения, нанесенного на боковые поверхности ТС.

Классификация с помощью массива датчиков построена по принципу сканирования элементарных ячеек инфракрасных пар эмиттер — сенсор. Скорость сканирования должна задаваться исходя из требования детектирования минимального расстояния между ТС, а также достаточная для корректной работы по определению осей ТС. Такая система должна содержать внутренний контроллер с высокой скоростью обработки информации, а также распределенную систему с общей высокоскоростной шиной данных для обеспечения работы большого количества пар датчиков. Основные алгоритмы анализа располагаются на контроллере и могут быть изменены только узкоспециализированным профессионалом с навыками программирования специальных контроллеров. Кроме того, система также требует тщательной юстировки.

Классификация с применением инфракрасных датчиков барьерного типа в сочетании с лазерным модулем

Общий вид и возможная компоновка системы представлена на Рис. 2.

Рисунок 2 - Вариант компоновки системы классификации

Система состоит из следующих частей:

1. Лазерный модуль (А). Специальный лазерный модуль, состоящий из высокоскоростной лазерной головки и вычислителя, используется для детектирования наличия объекта в области его действия. Лазерный модуль в данном варианте системы выполняет две функции: Детектирование наличия объекта в зоне работы, а также оценка максимальной высоты транспортного средства [5].

2. Оптические инфракрасные датчики ф). Две пары датчиков барьерного типа (передатчик и приемник, работающие на прерывание инфракрасного луча между ними) определяют количество осей транспортного средства. В дальнейшем будем называть их счетчиками осей.

3. Оптические датчики (С). Также две пары инфракрасных барьерных датчиков, обеспечивающих определение направления движения объекта. В дальнейшем будем называть их датчиками направления.

Счетчики осей также могут быть использованы для определения направления движения транспортного средства, как и датчики направления, поэтому последние носят вспомогательный характер и дополняют данные от счетчиков осей (осуществляя тем самым функцию частичного резервирования).

Сигналы от четырех оптических датчиков ^ и ф не требуют наличия синхронизации, так как могут быть установлены в перекрестном направлении, что исключает влияние одного эмиттера на датчик соседней пары. Требования к быстродействию системы по сравнению с массивом датчиков также ниже. Высокоскоростная общая шина данных так же отсутствует ввиду нецелесообразности — сигналы от четырех датчиков уже возможно завести в штатный контроллер напрямую, используя отдельные сигнальные линии.

Отсутствие контроллера в непосредственной зоне классификации и малое количество датчиков обеспечивает повышенную надежность системы по сравнению с другими конструкциями.

Не вдаваясь глубоко в технические подробности обоснования установки датчиков на определенном месте, приведем здесь усредненные данные, которые тем не менее дают понятие о принципе работы системы:

• счетчики осей устанавливаются выше полотна проезжей части на 10см, при этом расстояние между датчиками 15см. Это обеспечивает с одной стороны максимально равномерные промежутки между переключениями каждого датчика при проезде ТС с наименьшим диаметром колеса. Высота установки датчиков над дорожным полотном обусловлена требованиями сохранения работоспособности в неблагоприятных погодных условиях (снег, дождь, грязь).

•Датчики направления устанавливаются на расстоянии 60см от плоскости дорожного полотна, расстояние между датчиками также равняется 15см. Высота установки датчиков также обусловлена максимально возможной эффективностью детектирования направления движения ТС т.к. абсолютное большинство ТС имеют на этой высоте сплошной, выдающийся за пределы колесных осей корпус.

•Лазерный модуль устанавливается сбоку полосы в перпендикулярном направлении на высоте 4 метра. Высота установки обусловлена минимизацией возможности загрязнения лазерной головки в неблагоприятных условиях.

Все сигналы датчиков заведены через программируемый логический контроллер (либо через встроенный в вычислитель контроллер ввода-вывода) в штатный вычислитель системы, туда же приходит сигнал о старте и стопе проезда транспортного средства от лазерного модуля.

Рассмотрим детально процесс детектирования и определения необходимых параметров транспортного средства.

При проезде узла классификации мы последовательно получаем сигналы:

1. Детекция транспортного средства лазерным модулем

2. Детекция направления въезда транспортного средства на узел классификации датчиками направления

3. Детекция первой (затем второй и т. д.) оси транспортного средства

4. Детекция направления съезда транспортного средства с узла классификации датчиками

направления

5. Детекция отсутствия транспортного средства в зоне работы лазерного модуля Представим возможные варианты срабатывания датчиков в виде временной диаграммы (Диаграмма 1.):

1

■Ось 1

■ Ось 2 Направление 1

■ Направление 2

■ Лазер

Время

Диаграмма 1 - Состояния датчиков системы при проезде транспортного средства

в идеальных условиях

В реальных условиях конфигурация транспортных средств различается, при этом сигналы датчиков могут иметь иную последовательность относительно друг друга, однако (без учета ошибок, вызванных особенностями эксплуатации комплекса в реальных условиях, а также конфигурации некоторых транспортных средств) картина каждого отдельно взятого узла системы классификации остается неизменной. Так при проезде осью вперед через счетчики осей последовательность их переключения будет следующая: датчик 1 вкл, датчик 2 вкл, датчик 1 выкл, датчик 2 выкл. При проезде оси транспортного средства назад мы получим обратную последовательность.

Пронумеруем теперь состояние узла в системе классификации последовательно при проезде транспортного средства (Таблица 2.)

Таблица 2

Состояние системы в зависимости от последовательности сработки датчиков

Датчик 1 Датчик 2 Состояние узла

Проезд ТС вперед

0 0 0

1 0 1

1 1 2

0 1 3

Проезд ТС назад

0 0 0

0 1 -1

1 1 -2

1 0 -3

Таким образом, теперь состояние системы с одинаковыми значениями отдельных датчиков можно полностью детеминировать относительно направления движения оси транспортного средства. Также благодаря такому подходу подсчет осей не составляет труда.

Для датчиков направления движения транспортного средства применим иной подход (Таблица 3.), так как нам необходимо получить не направление проезда, а отдельно направление въезда и выезда

транспортного средства с узла системы. Для регистрации факта нахождения транспортного средства в зоне датчиков направления применим триггер, который устанавливается когда оба датчика находятся в состоянии сработки, и сбрасывается когда оба датчика освобождаются. Таким образом, при сработке второго датчика мы можем определить направление въезда транспортного средства, а по освобождению последнего датчика (при условии что триггер взведен) — определить направление выезда транспортного средства. Кроме того датчики направления также способны осуществлять резервирование алгоритма детекции ТС с помощью лазерного модуля.

Таблица 3

Последовательность работы датчиков направления при проезде транспортного средства

датчик 1 датчик 2 триггер направление

Проезд ТС вперед

0 0 0 -

1 0 0 -

1 1 ^ 1 Въезд вперед

0 1 1 -

0 0 ^ 0 Выезд вперед

Проезд ТС назад

0 0 0 -

0 1 0 -

1 1 ^ 1 Въезд назад

1 0 1 -

0 0 ^ 0 Выезд назад

Исходя из данных таблицы получаем возможность детектировать все четыре варианта поведения транспортного средства (въезд вперед и назад, а также выезд вперед и назад). Детекция направления происходит в момент изменения значения триггера.

Проблемы при использовании системы классификации третьего типа в реальных условиях. До

этого момента мы говорили об идеальных условиях для детектирования и классификации транспортных средств. Неблагоприятные погодные условия существенно влияют на любую представленную в данной статье конструкцию системы классификации. Также имеет место влияние особенностей конфигурации транспортного средства, которые затрудняют корректное определение класса, а также направления движения и количества осей, а в отдельных случаях и отделение транспортных средств друг от друга. Эти факторы можно разделить на следующие группы:

1. Проблемы при определении высоты транспортного средства

◦ наличие конструкций на крыше транспортного средства, что приводит к неправильной трактовке максимальной высоты

2. Проблемы разделения транспортных средств [8]

◦ лазер не может отделить одно ТС от другого из-за пара/дыма из выхлопной системы первого ТС

◦ лазер ошибочно разделяет сцепленное ТС или ТС с узким перешейком в нижней части

3. Проблемы определения направления движения транспортных средств

◦ транспортное средство имеет конструкцию (Рис. 3), при прохождении которой через датчики направления или счетчики осей, при попадании этих конструкций в зону контроля датчиков (ф последовательность сработки датчиков нарушается B)

Таким образом наличие любого дополнительного препятствия на расстоянии меньшем чем расстояние между двумя датчиками от колеса нарушает последовательность сработки датчика. В случае наличия брызговика (Рис. 3. В) при проезде ТС вперед мы получим последовательность (согласно Таблице 1) 0 1 2 3 2 1 0 1 0. Из этого следует что ось не будет засчитана. Более того, эта последовательность совпадает в первой ее части с последовательностью при частичном заезде ТС осью на узел классификации и последующем съезде ТС в обратном направлении.

Рисунок 3 - Транспортное средство, имеющее особенности конструкции, которые затрудняют

правильное определение параметров проезда.

Отличить смену направления движения ТС в таком случае возможно только используя вероятностные методы, основываясь на следующих положениях:

1. ТС не может сменить направление движения мгновенно или меньше чем за вполне определенный короткий промежуток времени.

2. Возможно организовать анализ типовых случаев и исправлять последовательность работы датчиков системы «на лету».

Оба этих положения не приводят однако к четкой детерминации и исключению ситуации ошибки, в особенности в пограничных положениях осей и датчиков направления.

Проектирование функциональной схемы системы классификации. Выделим основные функциональные блоки обработки информации при построении системы классификации типа 3 (Рис. 4.) с пояснениями принципов функционирования каждого из них, основываясь на изложенных в этой статье положениях.

Основной контроллер системы

лазерный моцуль

\

Счетчик осей 1

Счетчик осей 2

Датчик направления 1

Датчик направления 2

Программируемый логический контроллер

Схема детекции ошибок

Детекция ТС

Высота ТС при съезде

-Л._

Разрешение счета осей

определение класса ТС

Количество осей ТС

Анализ последовательностей

Анализ времени переключения

Исправление неверной последовательности

Подсчет осей

*

Вспомогательные данные

Направлени 4 е по осям

* Триггер детекции » направления Анализ направления по осям и датчикам направления

Въезд ТС + направление

Выезд ТС, направление, класс ТС

Рисунок - Обобщенная функциональная схема системы классификации ТС

1. Сигналы с оптических датчиков так или иначе передаются в основной контроллер системы посредством контроллера (внешнего PLC или внутреннего GPIO).

2. Все вычисления производятся в основном контроллере системы и могут быть таким образом вынесены за пределы узла классификации. Преимуществом данного метода является также возможность совмещать несколько программных комплексов классификации в одном вычислителе.

3. Блок детекции ТС получает сигнал не только от лазерного модуля, но и от датчиков направления, а также от счетчиков осей. Это помогает решить проблему резервирования оборудования при отказах или ошибках в работе частей системы. Детекция ТС в зоне классификации является наиболее приоритетной задачей, поскольку система предназначения для использования в комплексах, оснащенных барьерными средствами контроля проезда (шлагбаумами) и в случае неправильной детекции ТС может привести к аварийным ситуациям.

4. Система детекции ошибок датчиков анализирует состояние всех входных сигналов и анализирует их на валидность с помощью таймаутов при проезде транспортного средства. Для нормального проезда транспортного средства комплексная картина работы датчиков носит характер периодической активности, к тому же длящейся вполне определенное время для абсолютного большинства случаев. Поэтому именно комплексный анализ работы одного датчика относительно другого позволяет выявить неисправный или передающий неправильные данные из-за погодных условий датчик.

5. Блок анализа последовательностей состояний датчиков включает в себя не только подсчет осей напрямую по последовательности, но и блок анализа ошибочных последовательностей, а также систему их исправления и автоматического досчета осей и определения правильного направления осей.

6. Блок анализа направления движения транспортного средства также имеет два источника данных. Первый из них — датчики направления анализируются напрямую, а резервная система — данные от блока подсчета осей также передают данные и о направлении движения ТС по направлению проезда последней посчитанной оси.

7. Блок определения класса ТС является финальной точкой при процедуре съезда транспортного средства с узла классификации. В этом блоке предусматривается как явное назначение класса ТС по полученным валидным данным от систем определения высоты и количества осей ТС, так и статистическое предсказание класса ТС по неполным или ошибочным данным, которые могут быть скорректированы вспомогательными данными от других систем (например, ТС с высотой более 3 метров и находившееся в зоне узла классификации ТС дольше определенного продолжительного времени вероятнее всего будет 4 класса. Таким образом система сохраняет свою функциональность при выходе из строя или наличия ошибок, которые невозможно детектировать системой детекции ошибок.

Результатом проектирования системы является конечный автомат, на входы которого подаются сигналы с физических датчиков, а на выходах мы получаем сигналы въезда и съезда ТС с узла классификации вместе с направлением и классом ТС для дальнейшего использования по нуждам основной системы. Конкретная реализация системы классификации на языке программирования может быть различной в зависимости от предпочтений программиста, однако следует помнить об обеспечении максимального быстродействия системы. Это означает обеспечение максимально быстрого приема и обработки сигналов от датчиков. Так например осуществление поллинга при реализации просто недопустимо ввиду ненормированного момента активации/деактивации датчика. Также следует учитывать нестационарные задержки при передаче данных по сети с помощью TCP/IP или UDP протокола, предпочтительно использовать среды передачи данных и протоколы с гарантированной задержкой, например CAN BUS. При наличии больших нестационарных задержек целесообразно будет включить в передаваемые данные метку времени timestamp, и уже на основном контроллере системы восстанавливать очередность активации датчиков по этим данным, однако это потребует дополнительного контроля и синхронизации часов реального времени RTC на всех контроллерах системы

(лазерный модуль, контроллер оптических датчиков, основной контроллер системы).

Заключение. В данной статье мы последовательно и детально рассмотрели метод классификации транспортных средств посредством небольшого набора относительно легкодоступного (типового) и легко программируемого оборудования. В статье были затронуты вопросы инженерного характера и показана зависимость работы системы от физических характеристик комплекса (узла) классификации, а также от конфигурации кузова и параметров конкретного транспортного средства. Также были разработаны приемы детерминирования состояния системы при осуществлении проезда ТС в различных сценариях. После обсуждения основных возникающих проблем при эксплуатации системы в реальных условиях и методов коррекции возникающих ошибок в статье приведена примерная функциональная схема системы, которая удовлетворяет приведенным в статье положениям, описывающим работу подобных систем. Руководствуясь этой схемой и приведенными в статье положениями, специалист соответствующего класса может самостоятельно грамотно спроектировать систему классификации не только транспортных средств, но и большинство систем детектирования и учета объектов, применяемых в промышленном производстве.

Список использованной литературы:

1. Berman, J.J. Classification Made Relevant: How Scientists Build and Use Classifications and Ontologies / J.J. Berman. - Cambridge, Massachusetts: Academic Press, 2022. - 444 p. - ISBN 978-0-323-91786-5.

2. Kul, S. A concise review on vehicle detection and classification / S. Kul, S. Eken, A. Sayar // International Conference on Engineering and Technology (ICET). — 2017, pp. 1—4.

3. Lee, Ho. Using LIDAR to Validate the Performance of Vehicle Classification Stations / Ho Lee, B. Coifman // Journal of Intelligent Transportation Systems. — 2015. — № 4 (19). — pp. 355—369.

4. Odat, E. Vehicle classification and speed estimation using combined passive infrared/ultrasonic sensors / E. Odat, J. S. Shamma, C. Claudel I// EEE Transactions on Intelligent Transportation Systems. — 2018. — № 5 (19).

— pp. 1593—1606.

5. Sahin, O. Methods for classification of truck trailers using side-fire light detection and ranging (LiDAR) Data / O. Sahin, R. V. Nezafat, M. Cetin // Journal of Intelligent Transportation Systems. — 2022. — № 1 (26). — pp. 1—13.

6. Theodoridis, S. Machine Learning: A Bayesian and Optimization Perspective / S. Theodoridis. - 2nd ed. -Cambridge, Massachusetts: Academic Press, 2020. - 1160 p. - ISBN 978-0-12-818803-3.

7. Won, M. Intelligent Traffic Monitoring Systems for Vehicle Classification: A Survey / M.Won // IEEE Access.

— 2020, April. — № 8. — pp. 73340—73358.

8. Wu, J. Automatic Vehicle Detection With Roadside LiDAR Data Under Rainy and Snowy Conditions / J. Wu, H. Xu, J. Zheng, J. Zhao // IEEE Intelligent Transportation Systems Magazine. — 2021. — № 1 (13). — p. 197—209.

© Дубачев Д.В., 2023

УДК 658

Лелет Д.В.

магистрант 2 курса СпбГУАП,

РЕСУРСЫ И БЮДЖЕТ ПРОЕКТА Аннотация

В статье анализируется ресурсы и бюджет проекта. Использование бюджетирования в компании позволяет планировать и контролировать эффективность использования ресурсов компании.