論文の概要: Automated Level Crossing System: A Computer Vision Based Approach with Raspberry Pi Microcontroller

• arxiv url: http://arxiv.org/abs/2212.05932v1
• Date: Thu, 8 Dec 2022 12:03:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 18:09:15.139458
• Title: Automated Level Crossing System: A Computer Vision Based Approach with Raspberry Pi Microcontroller
• Title（参考訳）: 自動レベルクロスシステム:Raspberry Piマイクロコントローラを用いたコンピュータビジョンによるアプローチ
• Authors: Rafid Umayer Murshed, Sandip Kollol Dhruba, Md. Tawheedul Islam Bhuian, Mst. Rumi Akter (Department of Electrical and Electronic Engineering Bangladesh University of Engineering and Technology, Dhaka, Bangladesh)
• Abstract要約: 本研究は,階層交差接合の自動化のための深層学習に基づくアプローチを提案する。 マイクロコントローラ上でのコンピュータビジョンを用いた完全自動化技術を開発した。 このスキームは、現在の市場ソリューションよりも低コストで、踏切事故と死亡率を減らす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In a rapidly flourishing country like Bangladesh, accidents in unmanned level crossings are increasing daily. This study presents a deep learning-based approach for automating level crossing junctions, ensuring maximum safety. Here, we develop a fully automated technique using computer vision on a microcontroller that will reduce and eliminate level-crossing deaths and accidents. A Raspberry Pi microcontroller detects impending trains using computer vision on live video, and the intersection is closed until the incoming train passes unimpeded. Live video activity recognition and object detection algorithms scan the junction 24/7. Self-regulating microcontrollers control the entire process. When persistent unauthorized activity is identified, authorities, such as police and fire brigade, are notified via automated messages and notifications. The microcontroller evaluates live rail-track data, and arrival and departure times to anticipate ETAs, train position, velocity, and track problems to avoid head-on collisions. This proposed scheme reduces level crossing accidents and fatalities at a lower cost than current market solutions. Index Terms: Deep Learning, Microcontroller, Object Detection, Railway Crossing, Raspberry Pi
• Abstract（参考訳）: バングラデシュのような急速に繁栄する国では、無人の踏切での事故が日々増加している。 本研究は,水平交差接合の自動化と安全性確保のための深層学習に基づくアプローチを提案する。 そこで我々は,マイクロコントローラ上でコンピュータビジョンを用いた完全自動化技術を開発した。 Raspberry Piマイクロコントローラは、ライブビデオでコンピュータビジョンを用いて差し迫った列車を検知し、到着する列車が停止するまで交差点を閉鎖する。 ライブビデオアクティビティ認識およびオブジェクト検出アルゴリズムは、ジャンクション24/7をスキャンする。 自己制御型マイクロコントローラがプロセス全体を制御します。 永続的な無許可活動が特定されると、警察や消防団などの当局は自動メッセージや通知によって通知される。 マイクロコントローラは、ライブのレールトラックデータと到着と出発時間を評価し、ETA、列車の位置、速度、障害を予測し、正面衝突を避ける。 提案手法は,現在の市場ソリューションよりも低コストで踏切事故や死亡事故を減らす。 インデックス用語:ディープラーニング、マイクロコントローラ、オブジェクト検出、鉄道横断、Raspberry Pi

関連論文リスト

• Next-gen traffic surveillance: AI-assisted mobile traffic violation detection system [0.0]
  交通事故で毎日1300万人が命を落としている。 機械学習とコンピュータビジョンを活用する人工知能アルゴリズムの統合は、正確なトラフィックルールの実施を促進する。 本稿では、コンピュータビジョンと機械学習が、様々な交通違反を検出する堅牢なアルゴリズムの作成を可能にする方法について述べる。
  論文  参考訳（メタデータ） (2023-11-24T22:42:47Z)
• Waypoint-Based Imitation Learning for Robotic Manipulation [56.4287610994102]
  ウェイポイントラベリングは不特定であり、追加の人的監督が必要である。 模倣学習のためのAWE(Automatic Waypoint extract)を提案する。 AWEは、最先端のアルゴリズムの成功率を、シミュレーションで25%、実世界のバイマニュアル操作タスクで4-28%向上させることができる。
  論文  参考訳（メタデータ） (2023-07-26T17:45:55Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Decentralized Vehicle Coordination: The Berkeley DeepDrive Drone Dataset [103.35624417260541]
  分散車両調整は、未整備の道路環境において有用である。 我々はバークレーのDeepDrive Droneデータセットを収集し、近くのドライバーが観察する暗黙の「社会的エチケット」を研究する。 このデータセットは、人間のドライバーが採用する分散マルチエージェント計画と、リモートセンシング設定におけるコンピュータビジョンの研究に主に関心がある。
  論文  参考訳（メタデータ） (2022-09-19T05:06:57Z)
• Detection of road traffic crashes based on collision estimation [0.0]
  フレームワークは5つのモジュールで構成されている。 主な目的は、誤報の少ない精度で高い精度を達成し、パイプライニング技術に基づく単純なシステムを実装することである。
  論文  参考訳（メタデータ） (2022-07-26T13:21:15Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
  ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。 このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
  論文  参考訳（メタデータ） (2020-12-20T08:51:10Z)
• Improving Train Track Safety using Drones, Computer Vision and Machine Learning [0.0]
  世界中の列車事故によって引き起こされた数百万人の死者は、非効率で手動の線路検査によって引き起こされる。 政府機関は鉄道産業の安全運用を真剣に懸念している。 軌道欠陥による損失は、公的および民間投資における数十億ドルの損失と、ダウンタイムによる収益の損失をもたらす。
  論文  参考訳（メタデータ） (2020-06-04T23:17:23Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。