Heather Duncan, Oak Ridge Milli Laboratoriyası tərəfindən

redaktə edən: Gaby Clark , rəy verən: Robert Egan

 Redaktorların qeydləri

 GIST

Tercih edilən mənbə kimi əlavə edin

Tədqiqatçı Sally Ghanem, ORNL kəsişməsində keçən nəqliyyat vasitələrinin nömrə nişanlarını çəkmək üçün bir kamera quraşdırır və nəqliyyat vasitələrini tanıma proqram təminatı üçün məlumat dəstini yoxlayır. Müəllif: Alonda Hines/ORNL, ABŞ Energetika Nazirliyi

Enerji Departamentinin Ouk Ric Milli Laboratoriyasının tədqiqatçıları nüvə materiallarının hərəkəti də daxil olmaqla, qanunsuz fəaliyyətə işarə edə biləcək qeyri-adi nəqliyyat vasitələrinin nümunələrini aşkar etmək üçün dron, kamera və sensor məlumatlarını təhlil edən dərin öyrənmə alqoritmi hazırlayıblar. İş Future Transportation jurnalında dərc olunub .

Proqram təminatı, “həyat nümunələri” üçün əsas xətt yaratmaq məqsədilə zamanla müntəzəm trafik axınını izləyir və bununla da bir şeyin yerində olmadığını göstərə biləcək sapmaları aşkar etməyə imkan verir. Məsələn, adətən yalnız gündüz ziyarət edilən bir obyektdə gecə yük maşınlarının hərəkətində artım qanunsuz daşımaları aşkar edə bilər.

   Hubble yeni tip obyektlərin ilk nümunəsi olan Cloud-9-u araşdırırPlay Video

Tədqiqat, müəyyən nəqliyyat vasitələrini yan görünüşlərdən tanımaq üçün əvvəllər ORNL tərəfindən hazırlanmış bir texnologiyaya əsaslanır . ORNL-in aparıcı tədqiqatçısı Sally Ghanem bildirib ki, tədqiqatçılar bu proqram təminatının dərin öyrənmə şəbəkəsinin strukturunu mövcud tanıma sistemlərindən daha geniş imkanlar təmin etmək üçün təkmilləşdiriblər.

“Hazırkı təkrar identifikasiya modellərinin əksəriyyəti avtomobilin eyni bucaqlardan spesifik görünüşlərini tələb edir. Lakin bizim modelimizdə bu məhdudiyyətlərin heç biri yoxdur”, – deyə Qanem bildirib. “Biz əsasən istənilən məsafədən istənilən görünüş yarada və bunun eyni nəqliyyat vasitəsi olub-olmadığını müəyyən edə bilərik.” Bu o deməkdir ki, drondan görünən yük maşınının üst hissəsi yerdən yan görünüşlə uyğunlaşdırıla bilər.

Bu tanınma dəqiqliyi, proqram təminatını müşahidə kameralarından, yer sensorlarından və dronlardan yüz minlərlə ictimaiyyətə açıq görüntülər üzərində təlim etməklə və nəqliyyat vasitələrinin xüsusiyyətlərinə əsaslanan kompüter tərəfindən yaradılan görüntülərlə birləşdirməklə əldə edilmişdir. ORNL tədqiqatçısı Con Holliman geniş təlim ssenariləri yaratmaq üçün rəngləmə işlərini, perspektivləri və işıqlandırma şəraitini dəyişdirərək bir çox avtomobil və yük maşını markasının 3D rəqəmsal modellərini qurmuşdur. Əksər nəqliyyat vasitələri məlumat dəstlərindən fərqli olaraq, ORNL təlim görüntülərinə köhnə nəqliyyat vasitələri modelləri də daxil idi.

Şəkil dəsti, nəqliyyat vasitələrinin eyni marşrutla daxil olub-çıxdığı üçün seçilmiş üç ORNL kampus qovşağı ətrafında altı məlumat toplama zamanı çəkilmiş görüntülərlə genişləndirildi. “Təlim məlumatlarını təkmilləşdirmək üçün dronlardan istifadə edirik, çünki onlar çox çevikdir”, – deyə Qanem bildirib. “Dronlar bir nəqliyyat vasitəsini əhatə edə və bir çox bucaq əldə etmək üçün məsafələrini dəyişə bilər, beləliklə, peykdən və ya yol səviyyəsində toplanan şəkilləri simulyasiya edə bilərik.”

Bu çevikliyi nümayiş etdirmək üçün ORNL-dən Zach Ryan və Jairus Hines, ORNL-in Yüksək Axınlı İzotop Reaktoruna gedən yolda 80 fut yüksəklikdə uçan bir dron idarə etdilər və dronu fırladaraq nəqliyyat vasitələrini birdən çox perspektiv üçün növbə ilə izlədilər. Onlar həmçinin ağac budaqları və ya svetoforlar tərəfindən bir az gizlədilmiş nəqliyyat vasitələrinin arzuolunan görüntülərini, hətta elektrik və ya maqnit müdaxiləsinin yaratdığı bulanıq görüntüləri də lentə aldılar.

“Nə qədər aşağı qətnaməli şəkillər daxil etsək, model bir o qədər möhkəm olar”, – deyə Qanem bildirib. Qeyri-müəyyən görüntülər və gecə görüntüləri proqram təminatını bəzi peyk şəkillərində olduğu kimi, görünürlük zəif olduqda belə nəqliyyat vasitələrini daha dəqiq müəyyən etməyə öyrədir.

Qərəzliliyin qarşısını almaq üçün Qanem eyni bucaq və ya nəqliyyat vasitəsi tipində təkrarlanan şəkilləri aradan qaldırdı. O, həmçinin düzgün və səhv uyğunluqları olan alqoritmi öyrətdi və düzgün cütlərin fərqli perspektivləri təmsil etdiyinə əmin oldu. Bu üsullar alqoritmin yalnız ağ sedanların ön görünüşləri kimi aşkar oxşarlıqlara əsaslanaraq seçim etməsinin qarşısını alır.

“Modeli çətin cütlüklər üzərində yenidən məşq etdirməklə, onu çətin matçlarda daha bacarıqlı edirik”, – deyə Qanem bildirib.

Təlimdən sonra komanda proqramı düzgün və səhv uyğunluqlar arasında bərabər şəkildə bölünmüş 10.000 şəkil cütü ilə sınaqdan keçirdi. Sistemin 97%-dən çox dəqiqliyi sübut edildi.

Proqram təminatı bir sıra neyron şəbəkələrindən — beyinə bənzər şəkildə işləyən hesablama modellərindən — istifadə edir və bu şəbəkələr yalnız fərqli baxış bucaqlarını uyğunlaşdırmaqla yanaşı, nəticələrdən uzunmüddətli nümunələr çıxarmaq üçün də öyrədilə bilər. Qanem bildirib ki, “Layihə nüvə silahının yayılmamasını dəstəkləyir və bu da bizə daşınma fəaliyyətlərinin müəyyən bir yerdə baş verib-vermədiyini müəyyən etməyə imkan verir”.

Lakin alqoritm həmçinin müxtəlif sensorlar üzərində stikerlər, əziklər və ya digər fərqləndirici xüsusiyyətlərlə fərdi nəqliyyat vasitəsini izləmək üçün kifayət qədər dəqiqdir və nəqliyyat vasitəsi hər dəfə fərqli marşrutlar seçsə belə, eyni yerə təkrar səfərləri qeyd edir. Tədqiqatçılar alqoritmi vizual olmayan sensorlardan məlumatları daxil etmək üçün uyğunlaşdırmaq imkanlarını araşdırırlar. Bu, həmçinin gəmilər və təyyarələr kimi digər nəqliyyat vasitələrində təhlükəli və ya qanunsuz maddələrin daşınmasını müəyyən etmək üçün də tətbiq oluna bilər.

Layihəyə töhfə verən ORNL tədqiqatçıları və işçiləri arasında Ghanem, John Holliman, Ryan Kerekes, Andrew Duncan, Jairus Hines, Ken Dayman və keçmiş işçi Zach Ryan var. Yüksək axınlı izotop reaktoru DOE Elm Ofisinin istifadəçi obyektidir.

Daha çox məlumat: Sally Ghanem və digərləri, Nəzarətsiz Çoxsaylı Görünüşlərdən Nəqliyyat Vasitələrinin Yenidən İdentifikasiyası, Gələcək Nəqliyyat (2025). DOI: 10.3390/futuretransp5040202Oak Ridge Milli Laboratoriyası tərəfindən təmin edilir