Automatyczne rozpoznawanie pojazdów uprzywilejowanych

• Autorzy: Balcerek Julian , Pawłowski Paweł , Blajer Grzegorz , Filipkiewicz Jakub , Koćwin Kamil

Identyfikatory

DOI

10.15199/48.2023.10.57

Warianty tytułu

EN

Automatic recognition of emergency vehicles

• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule zaprezentowano system do automatycznego rozpoznawania pojazdów uprzywilejowanych występujących na terenie Polski, działający na podstawie analizy obrazów i wykorzystujący sztuczne sieci neuronowe. Przygotowano bazę obrazów do przeprowadze nia skuteczności klasyfikacji wybranych rodzajów pojazdów uprzywilejowanych, z uwzględnieniem ich gabarytów i możliwości wykrywania sygnałów świetlnych. Dla najlepszej konfiguracji przebadanych sieci neuronowych i rozdzielczości obrazów osiągnięto ponad 99% dokładność klasyfikacji.

EN

This article presents a system for automatic recognition of emergency vehicles in Poland, using artificial neural networks and image anal ysis. A database of images was prepared to carry out the classification tests of selected types of emergency vehicles, taking into account their di mensions and the ability to detect light signals. For the best configuration of the tested neural networks and image resolution, over 99% classification accuracy was achieved.

Słowa kluczowe

PL

rozpoznanie pojazdu uprzywilejowanego; system wizyjny; analiza obrazu; sztuczna sieć neuronowa

EN

recognition of emergency vehicle; vision system; image analysis; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 10
• Strony: 274--277
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Balcerek Julian

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0003-1317-9866

autor

Pawłowski Paweł

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0001-5373-5148

autor

Blajer Grzegorz

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

autor

Filipkiewicz Jakub

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

autor

Koćwin Kamil

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

Bibliografia

• [1] Ratajczak P., Pojazdy uprzywilejowane – obowiązki kierowców wobec pojazdów pomagających ratować ludzkie życie, https://d olnoslaska.policja.gov.pl/wr1/aktualnosci/biezace-inf/72097,Pojazdy-uprzywilejowane-obowiazki-kierowcow-wobec-pojazdow-pomagajacych-ratowac-.html, 07.07.2022 (dostęp: 01.04.2023).
• [2] Islam Z., Abdel-Aty M.A., Real-time Emergency Vehicle Event Detection Using Audio Data, ArXiv, abs/2202.01367, 2022.
• [3] Garg A., Gupta A.K., Shrivastava D., Didwania Y., Bora P.J., 2019, Emergency Vehicle Detection by Autonomous Vehicle, International Journal of Engineering Research & Technology (IJERT), Volume 08, Issue 05, May 2019.
• [4] Razalli H., Ramli R., Alkawaz M.H., Emergency Vehicle Recognition and Classification Method Using HSV Color Segmentation, 2020 16th IEEE International Colloquium on Signal Processing & Its Applications (CSPA), Langkawi, Malaysia, pp. 284-289, 2020, doi: 10.1109/CSPA48992.2020.9068695.
• [5] Cerence, Cerence Emergency Vehicle Detection (EVD), https://www.cerence.com, 2023 (dostęp: 01.04.2023).
• [6] Mercedes-Benz Group Media, Mercedes-Benz otrzymuje pierwszą na świecie międzynarodową homologację dla systemu jazdy warunkowo zautomatyzowanej, https://media.merce des-benz.pl/mercedes-benz-otrzymuje-pierwsza-na-swiecie-miedzynarodowa-homologacje-dla-systemu-jazdy-warunkowo-zautomatyzowanej/, 10.12.2021 (dostęp: 19.03.2023).
• [7] Tesla, Model 3, Instrukcja użytkownika, Wersja oprogramowania: 2023.6, Europe, Autopilot, Automatyczne kierowanie, Korzystanie z funkcji automatycznego kierowania, str. 113- 114,https://www.tesla.com/ownersmanual/model3/pl_pl/Owners _Manual.pdf, 28.02.2023 (dostęp: 01.04.2023).
• [8] Wang H., Yu Y., Cai Y., Chen X., Chen L., Liu Q., A Comparative Study of State-of-the-Art Deep Learning Algorithms for Vehicle Detection, in IEEE Intelligent Transportation Systems Magazine, vol. 11, no. 2, pp. 82-95, Summer 2019, doi: 10.1109/MITS.2019.2903518.
• [9] Google, Grafika Google, https://www.google.com/imghp?hl=PL (dostęp: 17. 01. 2023).
• [10] Obwieszczenie Ministra Infrastruktury i Budownictwa z dnia 27 października 2016 r. w sprawie ogłoszenia jednolitego tekstu rozporządzenia Ministra Infrastruktury w sprawie warunków technicznych pojazdów oraz zakresu ich niezbędnego wyposażenia, Dziennik Ustaw Rzeczypospolitej Polskiej, Poz. 2022, Warszawa, dnia 15 grudnia 2016 r.
• [11] Rozporządzenie Ministra Infrastruktury z dnia 3 stycznia 2022 r. zmieniające rozporządzenie w sprawie warunków technicznych pojazdów oraz zakresu ich niezbędnego wyposażenia, Dziennik Ustaw Rzeczypospolitej Polskiej, Poz. 122, Warszawa, dnia 18 stycznia 2022 r.
• [12] Yang L., Luo P., Loy C.C., Tang X., A large-scale car dataset for fine-grained categorization and verification, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, pp. 3973–3981, 2015, doi: 10.1109/CVPR.2015.7299023.
• [13] Mikrut R., Qarmin/czkawka, Multi functional app to find duplicates, empty folders, similar images etc., GitHub, https://github.com/qarmin/czkawka (dostęp: 17.01.2023).
• [14] Python Software Foundation, Python, https://www.python.org (dostęp: 17.04.2023).
• [15] Microsoft, Visual Studio Code, Code Editing. Redefined., https://code.visualstudio.com (dostęp: 17.04.2023).
• [16] Project Jupyter, Jupyter, https://jupyter.org (dostęp: 17.04.2023).
• [17] NVIDIA Corporation, GeForce GTX 1050 Ti, Specifications, 2021, https://www.nvidia.com/en-gb/geforce/graphics-cards/gef orce-gtx-1050-ti/specifications/ (dostęp: 17.04.2023).
• [18] Keras, Simple. Flexible. Powerful., https://keras.io (dostęp:17.04.2023).
• [19] Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Corrado G. S., Davis A., Dean J., Devin M., Ghemawat S., Goodfellow I., Harp A., Irving G., Isard M., Jozefowicz R., Jia Y., Kaiser L., Kudlur M., Levenberg J., Mané D., Schuster M., Monga R., Moore S., Murray D., Olah C., Shlens J., Steiner B., Sutskever I., Talwar K., Tucker P., Vanhoucke V., Vasudevan V., Viégas F., Vinyals O., Warden P., Wattenberg M., Wicke M, Yu Y., Zheng X., TensorFlow: Large-scale machine learning on heterogeneous systems, 2015, software available from tensor-flow.org.
• [20] Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q., Densely Connected Convolutional Networks, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, pp. 2261-2269, 2017, doi: 10.1109/CVPR.2017.243.
• [21] Tan M., Le Q. V., EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, Proceedings of the 36th International Conference on Machine Learning, Proceedings of Machine Learning Research, editors: Kamalika C., Salakhutdinov R., vol. 97, pp. 6105-6114, 2019.
• [22] Szegedy C., Liu W., Jia Y., Sermanet P., Reed S., Anguelov D., Erhan D., Vanhoucke V., Rabinovich A., Going deeper with convolutions, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, pp. 1-9, 2015, doi: 10.1109/CVPR.2015.7298594.
• [23] Howard A. G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M, Adam H., MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, arXiv:1704.04861, 2017, doi: 10.48550/arXiv.1704.04861.
• [24] He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 770-778, 2016, doi: 10.1109/CVPR.2016.90.
• [25] Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A. C., Fei-Fei L.,ImageNet Large Scale Visual Recognition Challenge, International Journal of Computer Vision, 115, pp. 211–252, 2015, doi: 10.1007/s11263-015-0816-y.
• [26] NumpPy, The fundamental package for scientific computing with Python, https://numpy.org (dostęp: 18.04.2023).
• [27] Pandas via NumFOCUS, Inc. Hosted by OVHcloud, https://pandas.pydata.org (dostęp: 18.04.2023).
• [28] Scikit-learn, Machine Learning in Python, https://scikit-learn.org/stable/ (dostęp: 18.04.2023).
• [29] The Matplotlib development team, Matplotlib: Visualization with Python, https://matplotlib.org (dostęp: 18.04.2023).