1. SISN
  2. Всі випуски
  3. Випуск 16, 2024
  4. Інтелектуальні системи допомоги водію на основі комп’ютерного зору та глибинного навчання

Інтелектуальні системи допомоги водію на основі комп’ютерного зору та глибинного навчання

SISN.
2024;
Випуск 16
: pp. 303 - 324
https://doi.org/10.23939/sisn2024.16.303
Автори:
  1. Артем Телюк
  2. Андрій Василюк
  3. Андрій Худий
1
Національний університет “Львівська політехніка”, кафедра інформаційних систем та мереж
2
Національний університет “Львівська політехніка”, кафедра інформаційних систем та мереж
3
Національний університет «Львівська політехніка», кафедра інформаційних систем та мереж

У статті представлено інтегровану інтелектуальну систему допомоги водію (ADAS), яка об’єднує кілька ключових функціональних модулів, як-от: система попередження про зіткнення, виявлення смуг руху, розпізнавання дорожніх знаків та виявлення ям на дорогах, що реалізовані за допомогою сучасних моделей глибинного навчання, зокрема YOLOv8n. Система оптимізована для роботи на пристроях Raspberry Pi або NVIDIA Jetson Nano із обмеженими обчислювальними ресурсами із застосуванням модульної архітектури та паралельного опрацювання даних для забезпечення швидкодії в режимі реального часу. В межах цього дослідження проведено огляд наявних рішень в ADAS та запропоновано нові підходи, що значно підвищують ефективність таких систем. Ключовими інноваціями є ефективний підхід до виявлення смуг руху на основі моделей виявлення об'єктів, виявлення дорожніх знаків у реальному часі з гнучким процесом екстракції та класифікації, а також нова система виявлення ям, оптимізована для відеозаписів із відеореєстратора. Крім того, запропонована система оповіщення водія за допомогою світлодіодної смуги дає змогу інтуїтивно привертати увагу до потенційних небезпек. Попередні результати підтверджують задовільну точність виявлення у всіх компонентах, проте для успішного впровадження на пристроях із низькими ресурсами потрібна додаткова оптимізація

intelligent driver assistance system
виявлення об'єктів на відеозображенні
глибинне навчання
“ режим реального часу”
YOLOv8n
lane detection
traffic signs
potholes.
  1. Kaur, G., Kumar, D. (2015). Lane detection techniques: A review. International Journal of Computer Applications, 112(10), 1–8.
  2. Saha, A., Roy, D. D., Alam, T., Deb, K. (2012). Automated road lane detection for intelligent vehicles. Global Journal of Computer Science and Technology, 12(6), 1–6.
  3. Rachel, M. J. S., Kalaiselvi, S., Salini, R. (2020). Lane detection using neural networks. International Research Journal of Engineering and Technology, 7(3), 3578–3582.
  4. Murthy, J. S., Siddesh, G. M., Lai, W.-C., Parameshachari, B. D., Patil, S. N., Hemalatha, K. L. (2022). ObjectDetect: A real-time object detection framework for advanced driver assistance systems using YOLOv5. Wireless Communications and Mobile Computing, 1–10. https://doi.org/10.1155/2022/9444360
  5. Buza, E., Omanovic, S., & Huseinovic, A. (n.d.). Pothole detection with image processing and spectral clustering. Recent Advances in Computer Science and Networking, 48-53.
  6. Joe, H., Blessingh, J., Cherian, J. (2020). An intelligent pothole detection system using deep learning. International Research Journal of Engineering and Technology, 7(2), 1591–1594.
  7. Jumaa, B. A., Abdulhassan, A. M., Abdulhassan, A. M. (2019). Advanced driver assistance system (ADAS): A review of systems and technologies. International Journal of Advanced Research in Computer Engineering & Technology, 8(6), 231–234.
  8. Golgire, V. (2021). Traffic sign recognition using machine learning: A review. International Journal of Engineering Research & Technology (IJERT), 10(5), 872–876.
  9. Tyagi, H., Saroj, V. K., Shahzad, M., Agarwal, A. (2023). Evolution of YOLO: Exploring the advancements in YOLOv8 for real-time wildlife detection. Journal of Computer Vision in Wildlife Monitoring, 1(2), 1–10.
  10. Tabernik, D., Skočaj, D. (2019). Deep learning for large-scale traffic-sign detection and recognition. IEEE Transactions on Intelligent Transportation Systems, 1524–9050. https://doi.org/10.1109/TITS.2019.2913588
  11. Make ML. (n.d.). Potholes dataset. https://makeml.app/datasets/potholes
  12. Jocher, G., Chaurasia, A., Qiu, J. (2023). Ultralytics YOLOv8 (Version 8.0.0) [Computer software]. https://github.com/ultralytics/ultralytics
  13. Rezaei, M., Terauchi, M., Klette, R. (2015). Robust vehicle detection and distance estimation under challenging lighting conditions. IEEE Transactions on Intelligent Transportation Systems. https://doi.org/10.1109/TITS.2015.2421482
  14. Budagam, D., Kumar, A., Ghosh, S., Shrivastav, A., Imanbayev, A., Akhmetov, I., Kaplun, D., Antonov, S., Rychenkov, A., Cyganov, G., Sinitca, A. (2024). Instance segmentation and teeth classification in panoramic Xrays. arXiv. https://doi.org/10.48550/arXiv.2406.03747
  15. Haque, M. R., Islam, M. M., Alam, K. S., Iqbal, H., Shaik, M. E. (2019). A computer vision-based lane detection approach. Khulna University of Engineering & Technology. Received: 25 October 2018; Accepted: 17 January 2019; Published: 08 March 2019. 
  16. Pan, X., Shi, J., Luo, P., Wang, X., Tang, X. (2018, February). Spatial as deep: Spatial CNN for traffic scene understanding. Proceedings of the AAAI Conference on Artificial Intelligence (AAAI).
  17. Souweidane, N., Smith, B. (2023). State of ADAS, Automation, and Connectivity. Center for Automotive Research, Ann Arbor, MI.
  18. Tomasch, E., Smit, S. (2023). Naturalistic driving study on the impact of an aftermarket blind spot monitoring system on driver behavior of heavy goods vehicles and buses on reducing conflicts with pedestrians and cyclists. Accident Analysis and Prevention, 192, 107242. https://doi.org/10.1016/j.aap.2023.107242