d ) https://dx.doi.org/10.36522/2181-9637-2022-3-8 UDC: 004.92
YO'L BELGILARINI GRAFIK PROTSESSORLAR YORDAMIDA DINAMIK TASVIRLARDAN TANIB
OLISH ALGORITMI
Umarov Muhriddin Abduxalil o'g'li, Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti Samarqand filiali,
"Dasturiy injiniring" kafedrasi assistenti, ORCID: 0000-0002-3731-1326, e-mail: muhriddin.umarov.1992@gmail.com
Kirish
Yurtimizda sun'iy intellekt texnologiyala-rini joriy etish, ularni keng qo'llash, raqamli ma'lumotlardan foydalanishni kengaytirish, ushbu sohada malakali kadrlar tayyorlash, bir so'z bilan aytganda, sohani jahon talab-lari darajasida rivojlantirish dolzarb masala hisoblanadi. Ayni paytda respublikamiz-da yo'l-transport hodisalarining ko'payishi xavotirli tus olmoqda. Ichki ishlar vazirligi Yo'l harakati xavfsizligi bosh boshqarma-sining 2021-yil noyabr oyigacha respublika yo'llarida sodir bo'lgan yo'l-transport hodi-salari haqidagi statistik ma'lumotiga ko'ra, yilning o'tgan 10 oyi mobaynida jami 7681 ta YTH ro'y bergan. Jumladan, shahar yo'llarida 1981 ta, mahalliy yo'llarda 1613 ta va xalqa-ro yo'llarda 1302 ta YTH ro'y bergan. Ular-da 1964 kishi hayotdan ko'z yumgan bo'lsa, 6886 kishi turli darajadagi tan jarohatlari ol-gan.
Yo'l-transport hodisalari 115 holatda svetofor yoki yo'l belgilariga rioya qilmaslik, 1221 holatda belgilangan tezlikka rioya qilmaslik va 584 ta holatda piyodalar o'tish jo-yida piyodani urib yuborish natijasida sodir etilgan [11, 4-b.]. Shu sababli yo'l-transport hodisalarining oldini olishda sun'iy intellekt texnologiyalarini qo'llash, shu asosida yarati-ladigan dasturiy majmua yo'l belgilarini tanib olish orqali yo'l harakati ishtirokchilariga yo'l transport hodisalarining oldini olishda asosiy yordamchi hisoblanadi (1-rasm).
Annotatsiya. Ushbu maqolada zamonaviy sun'iy intellekt texnologiyalaridan foydalangan holda, 'You Only Look Once" algoritmi asosida yo'l belgilarini aniqlash va tasniflash masalasi o'rganilgan. Dasturiy majmua O'zbekiston hududida ko'p qatnovli avtomobil yo'llaridagi yo'l harakati hodisalarini kamaytirish, haydovchilarga yo'l infratuzilmasi haqida ma'lumotlarni vizual yetkazishga ko'maklashish va yo'l belgilari ma'lumotlar bazasini yaratish uchun xizmat qiladi. Mazkur dasturiy majmua videokuzatuv kamerasidan olingan tasvirlar orqali Nvidia Jetson Nano grafik protsessorlari va mobil qurilmalarida real vaqt rejimida amalga oshirildi. Sun'iy intellekt texnologiyalaridan foydalangan holda, tasvirlardagi yo'l belgilarini aniqlash, ajratish va tanib olish usullari, algoritmlari va dasturiy majmuasi ishlab chiqildi. Ushbu dasturiy majmua avtomobilga o'rnatilgan kuzatuv kameralari yordamida real vaqt rejimida yo'l belgilarini tanish orqali haydovchilarni ogohlantirish va yo'l transport hodisalarining oldini olishda yuqori samaradorlik ko'rsatadi. Dunyodagi turli davlatlarda yo'l transport hodisalarining oldini olish bo'yicha ma'lum texnologi-yalar va dasturiy vositalar ishlab chiqilgan, ammo bu tizimlar tegishli davlatning yo'l harakati qoidalariga ixtisoslashgan. Shuningdek, O'zbekiston Respublikasi hududidagi yo'l transport hodisalarining oldini olish va ogohlantirish bo'yicha texnologiyalar ishlab chiqil-magan.
Kalit so'zlar: dinamik tasvir, YOLO, sun'iy intellekt, model, yo'l belgilari, klassifikatsiya, ma'lumotlar bazasi, grafik protsessor.
АЛГОРИТМ РАСПОЗНАВАНИЯ ДОРОЖНЫХ ЗНАКОВ ИЗ ДИНАМИЧЕСКИХ ИЗОБРАЖЕНИЙ
С ИСПОЛЬЗОВАНИЕМ ГРАФИЧЕСКИХ ПРОЦЕССОРОВ
Умаров Мухриддин Абдухалил угли,
Самаркандский филиал Ташкентского университета информационных технологий имени Мухаммада аль-Хоразмий, ассистент кафедры "Программная инженерия"
05.00.00 - ТЕХНИКА ФАНЛАРИ 05.00.00 - ТЕХНИЧЕСКИЕ НАУКИ 05.00.00 - TECHNICAL SCIENCES
Аннотация. В данной статье рассматривается проблема идентификации и классификации дорожных знаков на основе алгоритма You Only Look Once с использованием современных технологий искусственного интеллекта. Программный комплекс поможет снизить количество аварий на автомобильных дорогах Узбекистана, предоставить водителям наглядную информацию о дорожной инфраструктуре, создать базу данных дорожных знаков. Этот программный комплекс был реализован в режиме реального времени на графических процессорах Nvidia Jetson Nano и мобильных устройствах посредством изображений, снятых с камеры видеонаблюдения. Разработан комплекс методов, алгоритмов и программного обеспечения для обнаружения, выделения и распознавания дорожных знаков на изображениях с использованием технологий искусственного интеллекта. Этот программный комплекс очень эффективен для предупреждения водителей и предотвращения дорожно-транспортных происшествий путем распознавания дорожных знаков в режиме реального времени с помощью камер наблюдения, установленных в автомобиле. В разных странах мира разработаны определенные технологии и программное обеспечение для предотвращения дорожно-транспортных происшествий, но эти системы специализируются на правилах дорожного движения. Однако в Республике Узбекистан не разработаны технологии предупреждения и предотвращения дорожно-транспортных происшествий.
Ключевые слова: динамическое изображение, YOLO, искусственный интеллект, модель, дорожные знаки, классификация, база данных, графический процессор.
ALGORITHM OF ROAD SIGN RECOGNITION FROM DYNAMIC IMAGES USING GRAPHIC PROCESSORS
Umarov Mukhriddin Abdukhalil ugli,
Samarkand branch of Tashkent University of Information Technologies named after Muhammad al-Khwarizmi,Assistant of the Department of «Software Engineering»
Abstract. This article discusses the problem of identifying and classifying road signs based on the You Only Look Once algorithm using modern artificial intelligence technologies. The software package will help to reduce traffic accidents on the territory of Uzbekistan, to provide drivers with visual information about the road infrastructure, to create a database of road signs. This software package was implemented in real time on Nvidia Jetson Nano
1-rasm. Haydovchilarga yordamchi tizim
Bundan tashqari, sun'iy intellekt tex-nologiyalarini qo'llash uchun zarur bo'lgan yo'l belgilarining ma'lumotlar bazasi mav-jud emas. O'zbekiston hududidagi yo'l belgilarining ma'lumotlar bazasini yaratish yo'l transport hodisalarining oldini olish dasturiy vositasini yaratishga xizmat qiladi [2, 4-b.]. Innovatsion yondashuv sifatida yo'l belgilari, turistik belgilarni avtomatik tanib olishda konvolyutsion neyron tarmoqlari tanlandi [1, 3-b.]. Chunki tasvirlardan obyektlarni yuqori aniqlikda tanib olishda konvolyutsion neyron tarmoqlari zamonaviy innovatsion yondashuv hisoblanadi. Mobil platformada yo'l belgilarini aniqlash va tanib olish uchun real vaqt rejimida foydalanishga mo'ljallan-gan YOLO (You Only Look Once) - dasturiy majmuasi yaxshi natija ko'rsatdi.
Jahonda Xitoy va Germaniya yo'l belgilari ma'lumotlar bazalariga asoslangan ek-sperimental tadqiqotlar o'tkaziladi. Faming Shao, Xinqing Wang va boshqalar yo'l belgi-larining ahamiyatini oshirish hamda Faster R-CNNning tasniflash qobiliyatini yaxshilash uchun ikkinchi darajali mintaqa usulini tak-lif qildi [16, 11-b.]. Ular tarmoqning aniqlash tezligini yaxshilash uchun mintaqaviy soha algoritmi orqali Gabor filtrini soddalashtir-di. Zhang va boshqalar YOLOv2 asosida tar-moqdagi konvolyutsion qatlamlar sonini o'zgartirdi, takomillashtirilgan bir bosqich-li yo'l belgilari detektorini taklif qildi va Xitoyning yo'l harakati sahnalariga yaxshi-roq moslashishi uchun Xitoy yo'l belgilari ma'lumotlar bazasidan chuqur o'qitishda foydalandi [17, 8-b.]. Kichik o'lchamli yo'l
belgilarini tanib olish uchun yangi persep-tiv generativ tarmog'i ishlab chiqildi [18, 4-b.]. Bu kichik o'lchamli yo'l belgilari uchun aniqlash samaradorligini oshiradi. Muam-moni hal qilish uchun ko'p miqyosli basho-rat qilish tarmog'ini (MSPN) domenga mos-lashtirilgan tarmoq (DAN) bilan uzluksiz bir-lashtirgan masshtab va domenga moslashtiril-gan tarmoq (SADANet) yordamida yo'l belgilarini aniqlash tizimi taklif qilindi [21, 7-b.]. Hozirgi vaqtda bu muammo ikki jihatdan hal qilinadi: tarmoq arxitekturasini o'zgartirish va ma'lumotlarni ko'paytirish [22, 13-b.].
Tadqiqot davomida quyidagilarga erishish maqsad qilingan:
- real vaqt rejimida kuzatuv kamera-si tasvirlaridan obyektlarni aniqlash va ta-nib olish bo'yicha jahon tajribasini o'rganish hamda uni yo'l harakati xavfsizligida qo'llash mexanizmlarini ishlab chiqish;
- kuzatuv kamerasidan olingan tasvir-lardan yo'l belgilarini aniqlash va tanib olish usullari hamda algoritmlarini ishlab chiqish;
- sun'iy intellekt texnologiyalari yordami-da yo'l belgilarini tanib olish modelini ishlab chiqish;
- yo'l belgilarini aniqlash va tanib olish usullari hamda algoritmlari asosida hay-dovchilarga yordamchi apparat-dasturiy vo-sita ishlab chiqish;
- avtomobillarga o'rnatilgan kuzatuv kameralari orqali O'zbekistondagi yo'l belgilari ma'lumotlar bazasini yaratish;
- yaratilgan dasturiy majmua yordamida yo'l harakati hodisalarini kamaytirish va in-novatsion samaradorligini baholash.
Har xil avtomobil boshqaruvida va atrof-muhit sharoitlarida avtomobil atro-fidagi barcha statik va dinamik obyektlar-ni idrok etish hamda tushunish qobiliyati avtonom transport vositalari va ko'pchilik mohir haydovchilarga yordamchi tizimlar uchun asosiy talablardan biridir [3, 8-b.]. Grafik protsessorlarda dinamik tasvirlardan yo'l belgilarini aniqlash va tanib olish uchun CNN (Convolutional Neural Network) bilan kengaytirilgan YOLO (You Only Look Once) ga asoslangan algoritmni qurish maqsad qilib olindi.
graphics processors and mobile devices through images taken from a video surveillance camera. A set of methods, algorithms and software for the detection, separation and recognition of road signs in images using artificial intelligence technology has been developed. This software package is highly effective in warning drivers and preventing traffic accidents by real-time recognition of road signs with the help of surveillance cameras installed in the car. Certain technologies and software have been developed in various countries around the world to prevent traffic accidents, but these systems specialize in the rules of the road. Also, technologies for the prevention and prevention of road accidents in the territory of the Republic of Uzbekistan have not been developed.
Keywords: dynamic image, YOLO, artificial intelligence, model, road signs, classification, database, graphics processor.
Tadqiqotning asosiy natijalari quyidagi-cha umumlashtiriladi:
- Mavjud YOLOv5 tarmog'idan farqli o'la-roq, joriy versiya o'lchov o'zgarmasligi ta'si-rini kamaytirish uchun yaxshilandi va qo'shil-gan konvolyutsion neyron tarmoqdan foyda-lanildi. Shu bilan birga, u real vaqt rejimida yo'l belgilarini aniqlash va tanib olish uchun transport vositasining mobil terminaliga joy-lashtirilishi mumkin.
- Yangi avtomatik o'rganish ma'lumot-larini oshirish strategiyasi taklif etiladi. O'zbekistondagi yo'l belgilari ma'lumotlar ba-zasi yaratildi hamda YOLO formati uchun an-notatsiya va labeling qilindi, eng so'nggi ma'lu-motlarni ko'paytirish operatsiyalari qo'shildi. Takomillashtirilgan ma'lumotlarni ko'payti-rish usuli modelni o'qitish ta'siri va o'quv modeli mustahkamligini samarali yaxshilaydi, bu esa ko'proq amaliy ahamiyatga ega.
Material va metodlar
Real vaqt rejimida yo'l belgilarini aniqlash va tanib olish yo'l harakati xavfsizligi uchun zarur bo'lganligi sababli ushbu tadqiqot-da ishlatiladigan YOLO algoritmi yo'l belgi-lari obyektlarini aniqlash va klassifikatsi-yalash maqsadida O'zbekistondagi yo'l bel-gilari ma'lumotlar bazasi yaratildi [4, 12-b.]. Aniqlangan yo'l belgilari keyingi bosqichda ularni yo'l belgilarining 55 ta turidan biriga tasniflashi mumkin bo'lgan CNNga uzatildi
[20, 17-b.]. Ushbu usul boshqa rang segmen-tatsiyasi yoki konturli tahlil usullariga qara-ganda yuqori aniqlikni ko'rsatdi.
Video oqimidagi obyektlarni chuqur o'qi-tish yordamida klassifikatsiyalash bugun-gi kunda juda dolzarb va rivojlanayotgan masalalardan sanaladi. Klassifikatsiyalash muammosini hal qiladigan ko'plab tizimlar-ni hisobga oladigan bo'lsak, bunda ko'pincha harakatchanlik talab qilinadi [5, 7-b.]. Ushbu tadqiqotda Nvidia Jetson Nanoda yo'l belgi-larini klassifikatsiyalash muammosini hal qi-lish uchun YOLO konvolyutsion neyron tarmog'ini amalga oshirish taklif qilin-di. Mazkur platformaning asosiy xususi-yati Nvidia Jetson Nano grafik protses-sor mavjudligi bo'lib, dastlab uning uchun mo'ljallanmagan qurilmalarda chuqur neyron tarmoqlardan foydalanishga im-kon beradi [19, 14-b.]. YOLO CNN neyron tarmog'ining amalga oshirilgan algoritmi yo'l belgilarini klassifikatsiyalash muam-mosini doimiy video oqimida yuqori aniq-
O'rnatilgan qurilmalar - bu barcha operativ xotira, protsessor va boshqa qurilmalar bitta plataga biriktirilgan kompyu-ter tizimlaridir [10, 125-b.]. NVidia Jetson Nano barcha ishlov berish komponentlari, USB slotlari, quvvat portlari va boshqa ko'plab o'rnatilgan tizimlarga ega bo'lib, u ko'plab maqsadlar uchun kichik kompyu-ter sifatida ishlashga imkon beradi (3-rasm).
lik va tezlik bilan hal qilish imkonini beradi [6, 214-b.].
YOLO eng yaxshi obyektlarni aniqlash uchun CNNga asoslangan va real vaqt rejimi-da obyektlarni aniqlashda ajoyib natijalar ko'rsatdi. Uning yonida joylashgan R-CNN eng aniq [7, 3-b.], ammo obyektni sekinroq aniqlash algoritmlaridan biri bo'lib, bu tas-virni qayta ishlashning ushbu turi uchun ham ishlatilishi mumkin.
Turli vazifalarni hal qilish uchun avto-mobillarga o'rnatilgan bunday tizimlar hay-dovchiga yordam berish yoki uning o'rnini bosishga qaratilgan [8, 3-b.]. Asosiy muam-molardan biri kam quvvat iste'molli, real vaqt rejimida tanib olish uchun yetarli hisoblash quvvatiga ega qurilmani tanlashdir. Bu jara-yonda dasturiy ta'minot ham katta rol o'ynay-di, chunki biz mobil tizim taqdim etadigan re-surslardan foydalanishimiz kerak [9, 13-b.]. YOLOning takomillashtirilgan beshinchi versi-yasi va qo'shimcha konvolyutsion neyron tar-moqlaridan foydalanamiz (2-rasm).
3-rasm. Nvidia Jetson Nano va unga o'rnatilgan kuzatuv kamerasi
2-rasm. YOLO algoritmi yordamida aniqlangan yo'l belgisi
YOLO algoritmidagi tarmoq uchun kirish tasviri video oqimidan olingan va o'lcham-lari 416 x 416 pikselgacha o'zgartirilgan tasvirlarni ifodalaydi. Ushbu neyron tar-moq 106 ta qatlamni o'z ichiga oladi. Bu
qatlamlarning aksariyati konvolyutsion bo'lib [12, 18-b.], yuqori namunaviy qatlam-lar va o'tkazib yuborilgan ulanishlar bilan birga keladi. 4-rasmda YOLO tarmog'ining arxitekturasi ko'rsatilgan.
4-rasm. YOLO CNN arxitekturasi
O'quv jarayonida Nvidia Jetson Nano- [13, 7-b.]. YOLO algoritmi yordamida dinaga YOLO muvaffaqiyatli o'rnatilgandan mik tasvirlardan yo'l belgilarini aniqlash keyin undan yo'l belgilarini aniqlash va tanib olish modeli quyida ko'rsatilgan va tanib olishda foydalanish mumkin (5-rasm).
Kamera
YOLO Algoritmi
Bitta tasvirni airatib oKsh
1-
а о Konvolyutsion neyron tarmog'i
I
'Natijani Strlash. bon max supression
I
Г П
О (Obvekmi chizish i. _i
Щ Obyektni kuzatish
Yo'l belgisini tanish i
4
Bitta tasvirni ajratib oKsh
I
Aniqlangan yo'l belgisini kesib olish
" 1
О о о о
Yo'l belgisi uchun Konvolyutsion neyron tairaOQ. .
-- r- - - ЧМнинг
T
pjj^jCNatjjam soKshtirish
chegarani aniqlash " 1
r -i CNN uchun A obyektni chizish
Natija
5-rasm. Yo'l belgilaгini aniqlash va tanib olish modeli
Yo'l belgilarini aniqlash uchun o'qitilgan tarmoq yaxshi natijalar ko'rsatdi va mobil platformada real vaqt rejimida tasvirni qay-ta ishlash uchun YOLOdan foydalanish qobi-liyati yuqori ekanligi aniqlandi [14, 8-b.]. Real vaqt rejimida ishlashi uchun Nvidia Jetson
Nano kabi samarali qurilmalardan foydalanil-di. Shunday qilib, yuqori samaradorlikka ega bo'lgan mobil platforma YOLOning beshin-chi versiyasi bilan birgalikda haydovchilarga yordam berishning ilg'or tizimlari uchun yaxshi tanlovdir [15, 9-b.].
Tadqiqot natijalari
Ushbu maqolada qo'llaniladigan to'liq ma'lumotlar to'plamining yo'l belgisi 1428 ta tasvirni o'z ichiga oldi (original tasvirlar va ma'lumotlarni ko'paytirishdan keyingi tasvir-lar). Ulardan 1126 tasi o'qitish, 148 tasi test-lash va 154 tasi sinov uchun ishlatildi. Mazkur belgilar O'zbekiston Respublikasidagi shahar va ko'p avtomobil qatnovli yo'llarga o'rnatil-
gan 55 ta yo'l belgilari uchun ishlab chiqil-di (6-rasm). Shuningdek, haydovchi uchun uchinchi yordamchi ko'z sifatida o'rnatilgan kuzatuv kamerasi turli balandlik va ko'rinish-dagi yo'l belgilarini aniqlaydi, inson ko'ra ol-maydigan to'silgan belgilar bundan mustasno.
Bunda ma'lumotlar to'plamini chuqur o'qitish uchun 300 davrli va 32 batch o'lchov-li parametrlar tanlandi.
5.11.1 Qayirilish joyi
1.1 Shlagbumli 1.2 Shlagbumsiz temiryo'l temiryo'l
kesishmasi kesishmasi
1,20 Piyodalar o'tish joyi
3.3. Mexanik transport vositalarining harakatlanishi
3,26 Tovuch moslamalaridan foydalariish taqiqlanadi
3,27 To'xtash taqiqlanadi
01 s
1.3.1 Birizlitemir
1.3.2 Ko'p izli temiryo'l
1.6Teng 1.7Aylanma
ahamiyatli yo'llar harakatlanish kesishuvi bilan kesishuv
A A A A
1.11.1 Xavfli 1.11.2 Xavfli 1.12.1 Xavfli 1.12.2Xavfli
burilish burilish burilishlar burilishlar
3.4. Yuk avtomobillarining
3.5. Mototsikllar harakatlanishi taqiqlanadi harakatlanishi
taqiqlanadi
3.18.2 Chapga 3.19. Qayrilish
burilish taqiqlanadi
taqiqlanadi
2.4 Yo'l bering 2.5 To'xtamasdan 3.1 Kirish
harakatlanish taqiqlanadi
taqiqlanadi
3.20 Quvib o'tish taqiqlanadi
3.2, Harakatlanish taqiqlanadi
3.21 Quvib o'tish taqiqlangan hudud
3.24 Yuqori tezlik cheklangan
3.25 Yuqori tezlik cheklangan hudud
3,28 To'xtab turish 4.1.1
taqiqlanadi Harakatlanish
to'g'riga
4.1.3 4.1,4
Harakatlanish Harakatlanish
chapga to'g'riga yoki
4.1.5 4.2.1 To'siqni
Harakatlanish o'ngdan chetlab
to'g'riga yoki o'tish chapga
4.2,2 To'siqni chapdan chetlab o'tish
p I Al A
5.12 Avtobus va trolleybus to'xtash joyi
5.15.1 To'xtab turish joyi
5.16.1 Piyodalar o'tish joyi
5.16.2 Piyodalar 5.17.1
o'tish joyi Piyodalarning yer
ostidan o'tish joyi
5.17.2 Piyodalarning yer ostidan o'tish joyi
5.17.3 Piyodalarning yer ustidan o'tish joyi
5.17.4 Piyodalarning yer ustidan o'tish joyi
5.41.1 Suratva video
5.42Qizil ran g da o'ng tomonga burilish
6-rasm. Ma'lumotlar bazasidagi yo'l belgisi turlari
Butun jarayonda natijalar AMD Ryzen 7-5800 protsessori va Nvidia RTX 3050 4 GB grafik protsessorida olindi. CUDA Toolkit va cuDNN kutubxonasi GPUni faollashtirish va YOLO CNNda kompilyatsiya qilish uchun ishlatilgan. Dasturiy majmua 91% o'rtacha aniqlikni berdi (7-rasm).
Real vaqt rejimida yo'l belgilarini aniqlash va tanib olish kuzatuv kamerasidan olingan tasvirlarda amalga oshiriladi hamda tanib ol-ish natijalari 8-rasmda ko'rsatilganidek, disp-leyda ko'rinadi.
Dasturiy majmuaning apparat ta'minoti uchun zamonaviy sun'iy intellekt texnologi-yalaridan foydalanildi va mobil qurilma yasaldi.
Tasvirlardan obyektlarni aniqlashda quyi-dagi ishonchli va yuqori unumdor qurilma-lardan foydalanildi:
- Nvidia Jetson Nano grafik protsessori;
- sensor ekranli displey;
- kuzatuv kamerasi;
- USB bateriyasi.
05.00.00 - ТЕХНИКА ФАНЛАРИ 05.00.00 - ТЕХНИЧЕСКИЕ НАУКИ 05.00.00 - TECHNICAL SCIENCES
7-rasm. CNN yordamida mashinali o qitish natijasi
a)
b)
8-rasm. Dasturiy majmuaning umumiy ko rinishi: a) chapga qayrilish; b) to'xtash mumkin bo'lmagan belgilar aniqlangan natijasi
Yo'l belgilarini aniqlashda tavsiya gilari ma'lumotlar bazasida o'z uslubi-etilgan usulning afzalliklarini ko'rsatish mizni baholadik va uni original YOLOv5, uchun biz TT100K - Xitoydagi yo'l bel- YOLOv5-Lite, Efficientdet [23], YOLOv5-
face [24], M2det [25] usullari bilan sol-ishtirdik.
Tadqiqot natijalari tahlili
Ushbu tadqiqot yo'l harakati xavfsiz-ligida eng muhim bo'lgan inson faktoriga qaratilgan bo'lib, yo'l harakati hodisala-rini kamaytirish vazifasini bajaradi (11-rasm). Ijtimoiy samaradorlik sifatida hay-dovchilarni o'qitish maktablariga joriy qi-lish, iqtisodiy samara olish uchun yo'l-transport hodisalarining oldini olish nazar-da tutilgan.
Haydovchilarga 3 xil ko'rinishda ma'lu-motlar yetkaziladi:
- yo'l belgisining visual tasviri;
- yo'l belgisining matnli izohi;
- yo'l belgisining ovozli signali.
Mobil qurilma bo'lganligi sababli barcha ma'lumotlar qurilmaning o'zida saqlanadi.
Ushbu maqolada olib borilgan tadqiqot-lar va izlanishlar doirasida dastlabki natijalar olindi hamda shu asosida tahliliy xulosalar chiqarildi.
- Yandex dasturiy tizimida hech qanday yo'l harakati xavfsizligi masalasi qaralmagan hamda O'zbekistondagi yo'l belgilari ma'lumotlar bazasi yaratilmagan. Ushbu ish yo'l harakati xavfsizligiga doir qarorlar ijrosini sun'iy intellekt texnologiyalari yordamida ta'minlashga xizmat qiladi.
- Dasturiy majmua haydovchiga yordam-chi, ya'ni haydovchining charchagan holati, yo'ldagi chuqurliklar yoki yonidagi avtomo-bilga ko'proq e'tibor berishi va real vaqt re-jimida barcha yo'l infratuzilmasini ko'ra ol-masligini inobatga olgan holda yaratildi.
- Mazkur loyihani izchil davom ettirish maqsadida haydovchilarning yo'l haraka-ti xavfsizligi sohasidagi huquqbuzarliklarini ro'yxatga olish, statistik ma'lumotlarni be-rish masalalarini o'rganish va yechish kutil-gan natijalar olingandan keyin davom et-tiriladi.
Yo'l belgilarini aniqlash va tanib olish uchun tavsiya etilgan usulning yaxshiroq ish-lashini yanada intuitiv tarzda namoyish qilish uchun biz solishtiruv tadqiqotini o'tkazdik va natijalar quyidagi jadvalda ko'rsatilgan.
Jadval
YOLO usullarini intuitiv solishtirish
Usullar Model FPS mAP
YOLOv5s 14.6M 105 0.6018
YOLOv5s+Aug 16.3M 105 0.6131
YOLOv5s+AF-FPN 14.6M 95 0.6267
Bizning yondashuv 16.3M 95 0.6514
Ushbu jadvalda YOLOv5s modeli bo'yicha o'qitish komponentlarini bosqichma-bosqich qo'shish oqibatida solishtiruv natijasi ko'rsatilgan. Natijalardan ko'rinib turibdiki, standart YOLOv5s 60,18% mAPni ta'minladi. Ma'lumotlarni ko'paytirish va AF-FPNni birlashtirish mAPni mos ravishda 61,31 va 62,67 %ga yaxshilaydi. TT100K ma'lumotlar to'plamidagi usulimizning mAP ko'rsatki-chi standart YOLOv5s modelinikidan 4,96% yuqori, ya'ni tavsiya etilgan usul maqsad va tanib olishda samaradorlikka erishdi.
Xulosalar
Tadqiqot natijasida hozirgi videotasvir-lardan obyektlarni aniqlashda YOLO algo-ritmining beshinchi versiyasi va qo'shilgan konvolyotsion neyron tarmoqlari usullarini qo'llagan holda yuqori samaradorlikka eri-shildi. Real vaqt rejimida videotasvirlar-dan obyektlarni aniqlash murakkab va tur-li shovqinlarning ta'siri natijasida ko'plab muammolar kelib chiqadi. Bu muammolar-ni zamonaviy sun'iy intellekt va chuqur o'qitish usullari yordamida (YOLO, CNN) samarali yechish mumkin. Shuningdek, bu usullarni mobil qurilmalarga integratsiya qilish ham qulay. Real vaqt rejimida video-tasvirlarni qayta ishlash uchun markaziy protsessorlar quvvatini samarali hisoblash uchun yetarli emas. Bunda mobil qurilma-lar uchun Nvidia Jetson Nano grafik prot-sessori real vaqt rejimida tasvirlardan obyektlarni aniqlash va tanib olish masalasi-ni yechishda yetarli quvvatga ega va uni tavsiya qilamiz. Yetarli ma'lumotlar bazasi to'planganligi va 300 davrli yo'l belgilarini CNN yordamida chuqur o'qitish natijasida har xil ob-havo va kunning turli vaqtlarida dasturiy majmua 91% aniqlikni ko'rsatdi va ishonchli natijalar olindi. Rang va konturli
tahlilga asoslangan usullarni yo'l belgilarini aniqlashda ko'p xatoliklar kuzatiladi. Tak-lif etilayotgan usullar, takomillashtirilgan tarmoq qo'shimcha hisob-kitoblarni kirit-masdan ko'p miqyosli obyektlarni tanib olish aniqligini oshirishi mumkin; mAP dast-
labki tarmoqqa nisbatan 4,96 %ga oshdi. Ilmiy tadqiqotning davomi sifatida kuzatuv kamerasidan olingan tasvirlardagi obyektlar-ni aniqlash, ajratish, tanib olish va ular ustida turli statistik ma'lumotlar olish imkonini be-ruvchi masalalarni yechish ko'zda tutilgan.
REFERENCES
1. Zeng Y., Xu X., Fang Y., Zhao K. Traffic sign recognition using extreme learning classifier with deep convolutional features. Proceedings of the 2015 international conference on intelligence science and big data engineering (IScIDE 2015), Suzhou, China, 2015, June, vol. 9242, pp. 272-280.
2. Khamdamov U., Zaynidinov H. Parallel Algorithms for Bitmap Image Proceedings of 2018 10th International Conference on Communication Software and Networks (ICCSN), 2018, pp. 537-541. DOI: 10.1109/ICCSN.2018.8488270/.
3. Goodfellow I.J., Warde-Farley D., Mirza M., Courville A., Bengio Y. Maxout networks, in ICML'13, ed. S. Dasgupta, D. McAllester. 2013, pp. 1319-1327.
4. Lin G., Shen W. Research on convolutional neural network based on improved Relu piecewise activation function. Procedia Computer Science, 2018, vol. 131, pp. 977-984. DOI: 10.1016/j. procs.2018.04.239/.
5. Krizhevsky I. Sutskever G.E. Hinton, ImageNet classification with deep convolutional neural networks. NIPS', 2012.
6. Calin O. Deep Learning Architectures. Springer Series in the Data Sciences 2020. ISBN 978-3-030-36720-6, ISBN 978-3-030-36721-3 (eBook). DOI: 10.1007/978-3-030-36721-3/.
7. Eckle K., Schmidt-Hieber J. A comparison of deep networks with ReLU activation function and linear spline-type methods. Neural Networks, 2019, vol. 110, pp. 232-242. DOI: 10.1016/j. neunet.2018.11.005/.
8. Khamdamov R., Rakhmanov K., Saliev E., Karshiyev Z. Advantages using of the contour analysis method for detecting fire from video images. Proceedings of the 2021 International Conference on Information Science and Communications Technologies (ICISCT), 2021, pp. 1-4.
9. Chen Y., Zheng B., Zhang Z., Wang Q., Shen C., Zhang Q. Deep learning on mobile and embedded devices: State-of-the-art, challenges, and future directions. ACM Comput. Surveys, 2020, September, vol. 53, no. 4, pp. 1-37. DOI: 10.1145/3398209/.
10. Redmon J., Divvala S., Girshick R., Farhadi A. 2015 You Only Look Once: Unified, Real-Time Object Detection You Look Only Once, p. 10.
11. Umarov M., Muradov F., Azamov T. Traffic Sign Recognition Method Based on Simplified Gabor Wavelets and CNNs. Proceedings of the 2021 International Conference on Information Science and Communications Technologies (ICISCT), 2021, pp. 1-5. DOI: 10.1109/ICISCT52966.2021.9670118/.
12. Ren S., He K., Girshick R., Sun J. 2016 Faster R-CNN. Towards Real-Time Object Detection with Region Proposal Networks, p. 14.
13. Liu C., Li S., Chang F., Wang Y. Machine vision based traffic sign detection methods: Review, analyses and perspectives. IEEE Access, 2019, vol. 7, pp. 865-879.
14. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779-788.
15. Stallkamp J., Schlipsing M., Salmen J., Igel C. Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition. Neural Networks, no. 10.
16. Shao F.M., Wang X.Q., Meng F.J., Rui T., Wang D., Tang J. Real-Time Traffic Sign Detection and Recognition Method Based on Simplified Gabor Wavelets and CNNs. Sensors-Basel, 2018, no. 18 (10).
17. Zhang J., Huang M., Jin X., Li X. A Real-Time Chinese Traffic Sign Detection Algorithm Based on Modified YOLOv2. Algorithms. 2017, no. 10 (4).
18. Li J.A., Liang X.D., Wei Y., Xu T.F., Feng J.S., Yan S.C. Perceptual Generative Adversarial Networks for Small Object Detection. Proceedings of the Cvpr Ieee. 2017, pp. 1951-9.
19. Yang Y., Luo H., Xu H., Wu F. Towards real-time traffic sign detection and classification. IEEE Transactions on Intelligent Transportation Systems, 2015, no. 17 (7), pp. 2022-2031.
20. Sutskever I., Hinton G.E., Krizhevsky A. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 2012, pp. 1097-1105.
21. Liu Z.W, Shen C., Qi M.Y., Fan X. SADANet: Integrating Scale-Aware and Domain Adaptive for Traffic Sign Detection. Ieee Access, 2020, no. 8, p. 77920.
22. Chen Y.Y.L., Kong T., Qi L., Chu R,. Li L., Jia J. Scale-aware Automatic Augmentation for Object Detection. arXiv, 2021, p. 210317220.
23. Tan M.R.P., Le Q.V. EfficientDet: Scalable and Efficient Object Detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 10781-90.
24. Qi W.T., Qi Y., Liu J. YOLO5Face: Why Reinventing a Face Detector. 2021.
25. Zhang Q.T.S., Wang Y., Tang Z., Chen Y., Cai L., Ling H. M2Det A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, no. 33, pp. 9259-66.
Taqrizchi: Elov J.B., t.f.f.d. (PhD), "Telekommunikatsiyada boshqaruv tizimlarining apparat va dasturiy ta'minoti" kafedrasi dotsenti, Muhammad Al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti.