Aplikacja do rozpoznawania pionowych znaków drogowych

• Autorzy: Grochowski Szymon , Kula Sebastian

Identyfikatory

DOI

10.34767/SIMIS.2025.02.07

Warianty tytułu

EN

Application for recognizing vertical traffic signs

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono aplikację do rozpoznawania pionowych znaków drogowych z użyciem modelu sztucznej inteligencji, zaprojektowaną w celu poprawy bezpieczeństwa ruchu drogowego. Model został przetrenowany na przygotowanym zbiorze danych obejmującym zdywersyfikowane obrazy, wzbogacone technikami augmentacji. Aplikacja umożliwia wykrywanie znaków drogowych z kamery internetowej oraz nagrań wideo. Model sztucznej inteligencji wykazuje potencjał do zastosowań w systemach wsparcia kierowców i technologii autonomicznych pojazdów.

EN

This paper presents an application for recognizing vertical traffic signs using an artificial intelligence model, designed to enhance road safety. The model was trained on a prepared dataset comprising diversified images, enriched with augmentation techniques. The application enables the detection of traffic signs from webcam feeds and video recordings. The artificial intelligence model shows potential for use in driver assistance systems and autonomous vehicle technologies.

Słowa kluczowe

PL

sztuczna inteligencja; znaki drogowe; wizja komputerowa; uczenie maszynowe; detekcja obiektów

EN

artificial intelligence; traffic signs; computer vision; machine learning; object detection

• Wydawca: Instytut Informatyki Uniwersytet Kazimierza Wielkiego
• Czasopismo: Studia i Materiały Informatyki Stosowanej
• Rocznik: 2025
• Tom: T. 17, nr 2
• Strony: 38--41
• Opis fizyczny: Bibliogr. 7 poz., rys.

Twórcy

autor

Grochowski Szymon

• Uniwersytet Kazimierza Wielkiego Wydział Informatyki ul.Kopernika 1, 85-074 Bydgoszcz

autor

Kula Sebastian

• Zachodniopomorski Uniwersytet Technologiczny Wydział Telekomunikacji, Informatyki i Elektrotechniki ul. Żołnierska 49, 71-210 Szczecin

Bibliografia

• 1. Jan Matuszewski, "System inteligentny rozpoznawania znaków drogowych," Wojskowa Akademia Techniczna, Wydział Elektroniki, Instytut Radioelektroniki, DOI:10.15199/48.2016.01.10.
• 2. Salah Zaki, P., William, M. M., Soliman, B. K., Alexsan, K. G., Khalil, K., El-Moursy, M., "Traffic Signs Detection and Recognition System using Deep Learning."
• 3. A. Radha Rani, Y. Anusha, S.K. Cherishama, S. Vijaya Laxmi,Traffic sign detection and recognition using deep learning-based approach with haze removal for autonomous vehicle navigation,e-Prime -Advances in Electrical Engineering, Electronics and Energy,Volume 7,2024,100442,https://doi.org/10.1016/j.prime.2024.100442.
• 4. Mrinal Kanti Bhowmik, Computer Vision Object Detection In Adversarial Vision, CRC Press, 2023.
• 5. Dokumentacja YOLOv8, https://docs.ultralytics.com.
• 6. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, You Only Look
• 7. Darknet: Open Source Neural Networks in C https://pjreddie.com/darknet/Rysunek 1. Jednolita detekcja YOLO (źródło: https://arxiv.org/pdf/1506.02640.pdf)Rysunek 2. Architektura konwolucyjnej sieci neuronowej (źródło: https://www.mathworks.com/videos/introduction-to-deep-learning-what-are-convolutional-neural-networks--1489512765771.html).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).