ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỖ TRỢ PHÂN TÍCH LUỒNG GIAO THÔNG ĐƯỜNG BỘ
Nội dung chính của bài viết
Tóm tắt
Hiện nay, nhu cầu phát triển các hệ thống quản lý giao thông thông minh, bền vững đã xác định tầm quan trọng của các công nghệ trí tuệ nhân tạo trong việc phát hiện, theo dõi phương tiện di chuyển để quản lý luồng giao thông theo thời gian thực. Có nhiều thách thức cần giải quyết về khả năng phát hiện, phân loại, theo dõi sự di chuyển của các loại phương tiện giao thông. Để giải quyết, một mô hình hệ thống thông minh, hiệu quả, có hiệu suất hoạt động tốt đã được đề xuất bằng kết hợp giữa YOLO và DeepSORT. Hệ thống bao gồm hai pha hoạt động, pha đầu tiên phát hiện, nhận dạng các phương tiện giao thông bằng YOLO, pha thứ hai gán định danh và theo dõi quỹ đạo di chuyển của phương tiện giao thông bằng DeepSORT. Mô hình đề xuất đã huấn luyện trên bộ dữ liệu tự xây dựng, cho phép phát hiện và phân loại với độ chính xác 94%, các chỉ số recall, mAP50 mà mAP50-95 đạt lần lượt là 94%, 97% và 74%.
Từ khóa
Giám sát giao thông, YOLO, DeepSORT
Chi tiết bài viết
Tài liệu tham khảo
[2] X. Q. Li, L. K. Song, Y. S. Choy, and G. C. Bai (2023), Multivariate ensembles-based hierarchical linkage strategy for system reliability evaluation of aeroengine cooling blades, Aerosp Sci Technol, Vol.138.
[3] J. Redmon and A. Farhadi (2017), YOLO9000: Better, faster, stronger, in Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017.
[4] S. Ren, K. He, R. Girshick, and J. Sun (2017), Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, IEEE Trans Pattern Anal Mach Intell, Vol.39, No.6.
[5] E. Okafor, D. Udekwe, Y. Ibrahim, M. Bashir Mu’azu, and E. G. Okafor (2021), Heuristic and deep reinforcement learning-based PID control of trajectory tracking in a ball-and-plate system, Journal of Information and Telecommunication, Vol.5, No.2.
[6] S. Kumar, M. Jailia, S. Varshney, N. Pathak, S. Urooj, and N. A. Elmunim (2023), Robust Vehicle Detection Based on Improved You Look Only Once, Computers, Materials and Continua, Vol.74, No. 2.
[7] A. Malta, M. Mendes, and T. Farinha (2021), Augmented reality maintenance assistant using YOLOv5, Applied Sciences (Switzerland), Vol.11, No.11.
[8] M. Hussain (2023), YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection, Machines, Vol.11, No.7.
[9] N. Wojke, A. Bewley, and D. Paulus (2017), Simple online and realtime tracking with a deep association metric, in Proceedings - International Conference on Image Processing, ICIP.
[10] S. Kumar, M. Jailia, S. Varshney, N. Pathak, S. Urooj, and N. A. Elmunim (2022), Robust Vehicle Detection Based on Improved You Look Only Once, Computers, Materials and Continua, Vol.74, No.2, pp.3561-3577.
[11] Z. Xue, R. Xu, D. Bai, and H. Lin (2023), YOLO Tea: A Tea Disease Detection Model Improved by YOLOv5, Forests 2023, Vol.14, No.2, p.415.
[12] H. Kang and C. Chen (2020), Fast implementation of real-time fruit detection in apple orchards using deep learning, Comput Electron Agric, Vol.168, p.105108.
[13] R. Gandhi, Y. Pasrija, A. Chauhan, and R. Rani (2024), Multiple Object Detection and Tracking Using DeepSORT, pp.438-448.
[14] J. D. Borrero and J. Mariscal (2022), Predicting Time SeriesUsing an Automatic New Algorithm of the Kalman Filter, Mathematics, vol. 10, no. 16.
[15] X. Yang, N. Zhao, and S. Yu (2020), Combined Internal Trucks Allocation of Multiple Container Terminals with Hungarian Algorithm, J Coast Res, Vol.103, No.sp1.
Các bài báo được đọc nhiều nhất của cùng tác giả
- Phạm Trung Minh, Đỗ Thái Đan, Trương Bá Hoàng Hiệp, Hoàng Đức Long, Nguyễn Mạnh Nguyên, Lê Quyết Tiến, NGHIÊN CỨU XÂY DỰNG HỆ THỐNG PHẦN MỀM HỖ TRỢ NÂNG CAO CHẤT LƯỢNG CÔNG TÁC QUẢN LÝ, TƯ VẤN VÀ CHĂM SÓC SỨC KHỎE TINH THẦN CHO SINH VIÊN TRƯỜNG ĐẠI HỌC HÀNG HẢI VIỆT NAM , Tạp chí Khoa học Công nghệ Hàng hải: Tập 83 (2025): Số 83 (08/2025)