ЖОЛ БЕЛГІЛЕРІН АВТОМАТТЫ ТҮРДЕ КОНВОЛЮЦИЯЛЫҚ НЕЙРОНДЫҚ ЖЕЛІЛЕР КӨМЕГІМЕН АНЫҚТАУ ЖӘНЕ ТАНУ

Бұл зерттеу ауа райының қолайсыз жағдайларында жол белгілерін тану жүйелерін жақсарту мақсатында конволюциялық нейрондық желілерді (CNN) пайдалануға арналған. Жұмыста CNN негізінде құрылған жаңа модель қолданылып, неміс жол белгілерін тану тестінің (GTSRB) кеңейтілген деректер жиынтығы қарастырылады. Аталған деректер жиынтығында қырықтан астам класты қамтитын жазбалары бар 50 мыңнан астам кескіндер жинақталған. Ұсынылған модель жаңбыр, тұман және қар сияқты ауа райы факторларының көріну сапасына тигізетін әсерін төмендетуге арналған объектілерді бөлудің бейімделу қабаттарын пайдаланады. Әртүрлі ауа райы сценарийлерін модельдеу үшін деректерді көбейтудің озық әдістері қолданылады, бұл оқыту жиынтығының әртүрлілігін арттырады. Зерттеу барысында CNN-нің қолайсыз жағдайларда жол белгілерін анықтаудағы теориялық және практикалық жақсартулары талданып, модельдің тиімділігі дәлдік, жауаптылық және F1 көрсеткіші сияқты метрикалар арқылы тексерілді. Нәтижелер модельдің жалған позитивтер санын азайтуда және жол белгілерін дәл анықтауда тиімді екенін көрсетті. Мақалада деректер жиынтығын мұқият дайындаудың, модельдерді оңтайландырудың және анықтау жүйесінің жұмысын жақсарту үшін оқытуды жетілдірудің маңыздылығы айқындалады. Бұл зерттеу интеллектуалды көлік жүйелері, автономды көлік жүргізу және жол қауіпсіздігі салаларындағы сенімді жол белгілерін тану технологияларының болашақтағы дамуына оң ықпалын тигізеді.

1. Sun Y., Ge P., Liu D. Traffic sign detection and recognition based on convolutional neural network. 2019 Chinese automation congress (CAC), IEEE, 2019, pp. 2851–2854.

2. Ahmed S., Kamal U., & Hasan M.K. DFR-TSD: A deep learning based framework for robust traffic sign detection under challenging weather conditions. IEEE Transactions on Intelligent Transportation Systems, 2022, vol. 23, no. 6, pр. 5150–5162. https://doi.org/10.1109/TITS.2020.3048878/

3. Liu Z. et al. MR-CNN: A multi-scale region-based convolutional neural network for small traffic sign recognition. IEEE Access., 2019, vol. 7, pp. 57120–57128.

4. Lin C. et al. Transfer learning based traffic sign recognition using inception-v3 model. Periodica Polytechnica Transportation Engineering, 2019, vol. 47, no. 3, pp. 242–250.

5. Eskandarian A., Wu C., Sun C. Research advances and challenges of autonomous and connected ground vehicles. IEEE Transactions on Intelligent Transportation Systems, 2019, vol. 22, no. 2, pp. 683–711.

6. Janai J. et al. Computer vision for autonomous vehicles: Problems, datasets and state of the art // Foundations and Trends® in Computer Graphics and Vision, 2020, vol. 12, no. 1–3, pp. 1–308.

7. Singh I. et al. Dropout-VGG based convolutional neural network for traffic sign categorization. Congress on Intelligent Systems: Proceedings of CIS 2021, Singapore Springer Nature Singapore, 2022, vol 1, pp. 247–261.

8. Dang, T.P., Tran N.T., To V. H., & Tran Thi M.K. Improved YOLOv5 for real-time traffic signs recognition in bad weather conditions. The Journal of supercomputing, 2023, vol. 79, Issue. 10, pp. 10706–10724. https://link.springer.com/article/10.1007/s11227-023-05097-3.

9. Puli M. S., Sunitha M., Aluri O. S. B., Jain D.R., Rayabharapu M., & Venkatesh M. Deep Learning-Based Framework For Robust Traffic Sign Detection Under Challenging Weather Conditions. Journal of Survey in Fisheries Sciences, 2023, vol. 23, Issue. 6, pp. 5150–5162. https://doi.org/10.1109/TITS.2020.3048878.

10. Qian R., Yue Y., Coenen F., & Zhang B. Traffic sign recognition with convolutional neural network based on max pooling positions. In 2016 12th International conference on natural computation, fuzzy systems and knowledge discovery (ICNC-FSKD), 2016, pp. 578–582. IEEE. https://doi.org/10.1109/FSKD.2016.7603237.

11. Xu M. et al. A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 2023, vol. 137, p. 109347.

12. Cong S., Zhou Y. A review of convolutional neural network architectures and their optimizations. Artificial Intelligence Review, 2023, vol. 56, no. 3, pp. 1905–1969.

13. Tian Y. Artificial intelligence image recognition method based on convolutional neural network algorithm. Ieee Access., 2020, vol. 8, pp. 125731–125744.

14. Yacouby R., & Axman,D. Probabilistic extension of precision, recall, and f1 score for more thorough evaluation of classification models. In Proceedings of the first workshop on evaluation and comparison of NLP systems, 2020, pp. 79–91. https://doi.org/10.18653/v1/2020.eval4nlp-1.9.

15. Yao Z., Song X., Zhao L., & Yin Y. Real-time method for traffic sign detection and recognition based on YOLOv3-tiny with multiscale feature extraction. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2021, vol. 235, Issue. 7, pp. 1978–1991. https://doi.org/10.1177/0954407020980559.

16. Yucong S., & Shuqing, G. Traffic sign recognition based on HOG feature extraction. Journal of Measurements in Engineering, 2021, vol. 9, Issue. 3, pр. 142–155. https://doi.org/10.21595/jme.2021.22022.

17. Feng L., & Jia Y. Traffic sign recognition based on YOLOX in extreme weather. In 2022 Global Conference on Robotics, Artificial Intelligence and Information Technology (GCRAIT), 2022, pр. 299–303. https://doi.org/10.1109/GCRAIT55928.2022.00070.

18. Feng D. et al. Deep multi-modal object detection and semantic segmentation for autonomous driving: Datasets, methods, and challenges. IEEE Transactions on Intelligent Transportation Systems, 2020, vol. 22, no. 3, pp. 1341–1360.

19. Lin Z., Yih M., Ota J.M., Owens J., & Muyan-Ozcelik P. Benchmarking Deep Learning Frameworks and Investigating FPGA Deployment for Traffic Sign Classification and Detection. IEEE Transactions on Intelligent Vehicles, 2019, vol. 4, Issue. 3, pp. 385–395. https://doi.org/10.1109/TIV.2019.2919458.

20. Sun P., Zhang R.Y., Jiang T., Kong C., Xu W., Zhan M., Tomizuka L., Li Z., Yuan C., Wang & Luo, P. Sparse R-CNN: End-to-end object detection with learnable proposals, 2020. arXiv:2011.12450 https://doi.org/10.48550/arXiv.2011.12450.