عمل نموذج تعلم اله لمعرفة اشارات المرور و فهمها

نموذج التعلم العميق للسيارات ذاتية القيادة لتقليل الحوادث بدقة عالية في التصنيف 99.2٪ وكشف 93٪.

استخدام تقنيات Keras و TensorFlow و python و jupyter الدفترية والتعلم العميق وتقنيات رؤية الكمبيوتر في التطوير.

الدقة في الكشف 93٪ وفي التصنيف 99.2٪.

أصبح نظام مساعدة السائقين على تجنب الحوادث أكثر أهمية حيث أن عدد المركبات على الطريق في زيادة هائلة. يتم استخدام أنظمة مساعدة السائق المتقدمة بشكل فعال في السيارات لتوفير المساعدة في الحفاظ على الممرات ، والتحذير من الاصطدام الأمامي ، ونظام مساعدة إشارات المرور للكشف عن النعاس للسائق ، وما إلى ذلك. مسار حركة السيارة. التعرف على إشارات المرور هو المكون الأساسي لنظام مساعدة المرور لتقديم الإرشادات والتحذير في الوقت المناسب للسائق فيما يتعلق بقيود حركة المرور والمعلومات. في السيارات ذاتية القيادة ، تستخدم مدخلات النظام لاتخاذ قرارات مناسبة من قبل السيارة على سبيل المثال ، لتقليل السرعة أو الاستعداد للانعطاف. يتضمن التعرف على إشارات المرور الكشف عن إشارات المرور وتصنيفها.

الجزء الأول هو نهج للتعرف على إشارات المرور على أساس YOLOv3. خط أنابيب التعرف على إشارات المرور ، يتكون من كاشف YOLOv3 تم تدريبه على اكتشاف إشارات المرور المرشحة ، ومعالج مسبق للصندوق المحيط ، والذي يوسع المربع المحيط المكتشف ، ويزيل ويغير حجم المربعات التي تحتوي على إشارات مرور مرشحة ، ومصنف قائم على CNN يصنف إشارة مرور المرشح على أنها تنتمي إلى واحدة من 43 فئة.

الجزء الثاني هو بنية شبكة المصنف في الجدول 1. في هذه البنية ، يتم استبدال الالتفاف n × n بـ n × 1 الالتواء متبوعًا بالتواء 1 × n ، مما يقلل من عدد عمليات الالتفاف ومعلمات الشبكة. هذا يؤدي إلى خفض التكلفة الحسابية وزيادة السرعة. يتبع Batch Normalization و ReLU كل الطبقات بخلاف الطبقة الكثيفة النهائية. تشكل الطبقة السادسة وحدة بداية حيث يتم استخدام نواة ذات أحجام مختلفة لاستخراج المعلومات من إخراج خريطة المعالم للطبقة السابقة. تكون خرائط المعالم الناتجة من طبقة البداية متسلسلة لدمج خرائط المعالم. تُستخدم طبقات التسرب أيضًا لتنظيم عمليات التنشيط في المراحل النهائية. للتعرف على فئات إشارات المرور البالغ عددها 43 ، يتم استخدام طبقة متصلة بالكامل بحجم إخراج يبلغ 43 مع تنشيط Softmax كطبقة أخيرة.