• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.3.2022.tde-27052022-081725
Document
Auteur
Nom complet
Joaquin Barreyro
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2022
Directeur
Jury
Yoshioka, Leopoldo Rideki (Président)
Sakurai, Cledson Akio
Santos, Alessandro Santiago dos
Titre en anglais
Vehicle classification based on binary images of optical barriers using convolutional neural networks.
Mots-clés en anglais
Axle count
Data augmentation
Intelligent transport systems
Transfer learning
Vehicle classification
Resumé en anglais
Intelligent Transport Systems are tools that facilitate the acquisition, processing, integration, and availability of information to manage the road transport network. A part of these systems is dedicated to identifying and classifying vehicles. The regulatory and inspection agencies of transport in Brazil define a set of vehicle categories based on the number of axles and double wheels. There are different approaches to solving the problem of classifying vehicles. The best score among the solutions found varies between 95% and 99%. These strategies use discrete sensors installed on the pavement, activated by mechanical effort, in the vehicle wheel's passage. This approach has some drawbacks, such as the impossibility of counting suspended axles, time degradation, and reliability loss. Thus, it is necessary to continually develop and improve the tools and computational techniques that allow the automatic classification of vehicles traveling on highways. We propose developing methods and computational models to improve vehicle axle counting in traffic analysis systems - a classification method based on binary images of vehicle profiles extracted from a curtain composed of optical sensors. The proposed method uses a modified AlexNet convolutional neural network. The last layers of the network were adapted to the vehicle classification problem. To train the network, we use transfer learning and data augmentation techniques. The method was tested using 5329 images consisting of 11 vehicle categories. Results achieved 98.39% accuracy, indicating that replacing a set of sensors by processing data only from the optical barrier may be a feasible alternative.
Titre en portugais
Classificação de veículos baseada em imagens binárias de barreiras ópticas usando redes neurais convolucionais.
Mots-clés en portugais
Praças de pedágio
Redes neurais
Sistemas inteligentes de transporte
Veículos (Classificação)
Resumé en portugais
Os Sistemas Inteligentes de Transporte (ITS) são um conjunto de ferramentas que facilitam a aquisição, processamento, integração e disponibilização da informação para os usuários e a administração do sistema de transporte. Uma das funcionalidades do ITS é voltada a identificar e classificar os veículos. No Brasil, as agências reguladoras e fiscalizadoras de transporte definem um conjunto de categorias de veículos baseadas na quantidade de eixos e rodas duplas. Dentre as diferentes abordagens existentes para classificar veículos, as soluções com melhor desempenho alcançam índices de acerto que variam entre 95% e 99%. A maoiria das estratégias utilizam sensores de pressão (piezo elétricos ou mecânicos) instalados no pavimento que detectam a passagem da roda do veículo. Esse tipo de solução apresenta alguns inconvenientes, como a impossibilidade de contar eixos suspensos, a degradação com o tempo e perda de confiabilidade. Diante disso, é necessário o desenvolvimento novas formas de classificação automática de veículos que trafegam pelas rodovias. Este trabalho propõe desenvolver um novo método de contagem de eixos veiculares em sistemas de análise de tráfego. Para isso foi desenvolvido um método de classificação baseado somente em imagens binárias dos perfis dos veículos, extraídas a partir de uma cortina constituída por barreiras ópticas. O método proposto utiliza uma rede neural convolucional (CNN). Utilizamos a rede AlexNet modificada, onde a última camada da rede foi adaptada ao padrão de classificação de veículos adotado pela Agência Reguladadora de Transporte do Estado de São Paulo (ARTESP). O treinamento da rede neural foi feito utilizando o método de Transfer Learning e a técnica de Data Augmentation. O método proposto foi avaliado utilizando um conjunto de 5329 imagens constituídas por 11 categorias de veículos. A acurácia do resultado alcançado foi de 98,39% de acertos, o que indica que a substituição de um conjunto de sensores pelo tratamento dos dados somente da barreira óptica poderá ser uma alternativa factível.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2022-05-27
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2022. Tous droits réservés.