Un enfoque basado en visión computacional en tiempo real para la detección y clasificación de incidentes de tráfico
Autores: Basheer Ahmed, Mohammed Imran; Zaghdoud, Rim; Ahmed, Mohammed Salih; Sendi, Razan; Alsharif, Sarah; Alabdulkarim, Jomana; Albin Saad, Bashayr Adnan; Alsabt, Reema; Rahman, Atta; Krishnasamy, Gomathi
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque basado en visión computacional en tiempo real para la detección y clasificación de incidentes de tráfico
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Medidas de seguridad vial
Tecnologías de vigilancia de tráfico con inteligencia artificial
Detección de incidentes vehiculares
Detección de incidentes de tráfico en tiempo real
Enfoque de visión por computadora
Modelo de detección y seguimiento de vehículos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 53
Citaciones: Sin citaciones
Para mejorar constructivamente y potenciar las medidas de seguridad vial en Arabia Saudita, ha surgido un gran número de tecnologías de vigilancia del tráfico basadas en inteligencia artificial (IA), incluido Saher, a lo largo de los últimos años. Sin embargo, detectar rápidamente un incidente vehicular puede desempeñar un papel fundamental en mejorar la velocidad de respuesta de la gestión de incidentes, lo que a su vez minimiza las lesiones en carretera que han sido inducidas por la ocurrencia del accidente. Para lograr un efecto penetrante en el aumento de la demanda necesaria para la seguridad vial y la seguridad, este documento presenta un sistema de detección y alerta de incidentes de tráfico en tiempo real basado en un enfoque de visión por computadora. El marco propuesto consta de tres modelos, cada uno de los cuales está integrado en una interfaz prototipo para visualizar completamente la arquitectura general del sistema. Para empezar, el modelo de detección y seguimiento de vehículos utilizó el detector de objetos YOLOv5 con el rastreador DeepSORT para detectar y seguir los movimientos de los vehículos asignando un número de identificación único (ID) a cada vehículo. Este modelo logró una precisión media promedio (mAP) del 99.2%. En segundo lugar, un modelo de clasificación de accidentes de tráfico y gravedad logró un mAP del 83.3% al utilizar el algoritmo YOLOv5 para detectar y clasificar con precisión el nivel de gravedad de un accidente, enviando un mensaje de alerta inmediato al hospital más cercano si ha ocurrido un accidente grave. Por último, se utilizó el algoritmo ResNet152 para detectar la ignición de un incendio tras la ocurrencia del accidente; este modelo logró una tasa de precisión del 98.9%, con el envío automático de una alerta a la estación de bomberos si ocurriera este evento peligroso. Este estudio empleó una innovadora técnica de computación en paralelo para reducir la complejidad general y el tiempo de inferencia del sistema basado en IA para ejecutar el sistema propuesto de manera concurrente y paralela.
Descripción
Para mejorar constructivamente y potenciar las medidas de seguridad vial en Arabia Saudita, ha surgido un gran número de tecnologías de vigilancia del tráfico basadas en inteligencia artificial (IA), incluido Saher, a lo largo de los últimos años. Sin embargo, detectar rápidamente un incidente vehicular puede desempeñar un papel fundamental en mejorar la velocidad de respuesta de la gestión de incidentes, lo que a su vez minimiza las lesiones en carretera que han sido inducidas por la ocurrencia del accidente. Para lograr un efecto penetrante en el aumento de la demanda necesaria para la seguridad vial y la seguridad, este documento presenta un sistema de detección y alerta de incidentes de tráfico en tiempo real basado en un enfoque de visión por computadora. El marco propuesto consta de tres modelos, cada uno de los cuales está integrado en una interfaz prototipo para visualizar completamente la arquitectura general del sistema. Para empezar, el modelo de detección y seguimiento de vehículos utilizó el detector de objetos YOLOv5 con el rastreador DeepSORT para detectar y seguir los movimientos de los vehículos asignando un número de identificación único (ID) a cada vehículo. Este modelo logró una precisión media promedio (mAP) del 99.2%. En segundo lugar, un modelo de clasificación de accidentes de tráfico y gravedad logró un mAP del 83.3% al utilizar el algoritmo YOLOv5 para detectar y clasificar con precisión el nivel de gravedad de un accidente, enviando un mensaje de alerta inmediato al hospital más cercano si ha ocurrido un accidente grave. Por último, se utilizó el algoritmo ResNet152 para detectar la ignición de un incendio tras la ocurrencia del accidente; este modelo logró una tasa de precisión del 98.9%, con el envío automático de una alerta a la estación de bomberos si ocurriera este evento peligroso. Este estudio empleó una innovadora técnica de computación en paralelo para reducir la complejidad general y el tiempo de inferencia del sistema basado en IA para ejecutar el sistema propuesto de manera concurrente y paralela.