31628

مدل‌سازي ترافيك و پايش وضعيت مسافران مترو با هوش مصنوعي و يك الگوريتم خوشه‌بندي

كارشناسي ارشد

مهندسي راه‌آهن گرايش كنترل علائم

1400

1403/07/14

دكتر بهمن قرباني واقعي

-

راه آهن

به منظور مدل‌‌سازي و كنترل ترافيك مترو، پايش دائمي وضعيت ازدحام و شمارش مسافران از روي تصاوير ايستگاه، مورد نياز مي‌باشد. هدف اصلي اين پژوهش توسعه الگوريتم‌هاي پيشرفته مانند YOLOv8 براي شمارش دقيق تعداد مسافران مترو است. براي اين منظور در اين مقاله ابتدا از روي تصاوير ايستگاه، الگوريتم YOLOv7 براي شناسايي و تشخيص تعداد مسافران طراحي مي‌شود كه علاوه بر تشخيص، قابليت رديابي افراد را نيز دارا باشد. هرچند اين مدل دقت قابل قبولي دارد، اما با چالش‌هايي مانند شمارش تابلوهاي منقش به شكل انسان به جاي انسان، عدم تشخيص و جداسازي ماموران مترو از مسافران و شمارش مسافران داخل قطار به عنوان افراد منتظر در ايستگاه، مواجه مي‌شود. براي رفع اين مشكلات، به طراحي و آموزش يك مدل جديد با استفاده از الگوريتم YOLOv8 روي آورده مي‌شود كه از قدرت و دقت بيشتري برخوردار است. ابتدا تصاوير لازم براي آموزش مدل جمع‌آوري شده و با انجام پيش‌پردازش‌هاي لازم شامل تبديل تصاوير به فرمت مناسب، نرمال‌سازي تصاوير، استخراج ويژگي‌ها و برش و حذف نويز، داده‌ها آماده پردازش ميشود و با كمك سايت Roboflow، تصاوير آماده‌شده برچسب‌گذاري شامل دسته هاي مسافر، مامور و قطار شده و مدل YOLOv8 آموزش داده مي‌شود. مدل YOLOv8 با دقت و سرعت بالاتري قادر به تشخيص مسافر و ماموران مترو نسبت به مدل YOLOv7 مي‌باشد. در ادامه، با استفاده از الگوريتم خوشه‌بندي ميانگين‌هاي k ( K- Means) مسافران به دسته‌هاي مختلف از نظر وضعيت ازدحام شامل خيلي شلوغ، شلوغ، متوسط، خلوت و خيلي خلوت، دسته‌بندي مي‌شوند. در اين راستا نرم‌افزار آموزش ديده با استفاده از مدل ناحيه‌بنديYOLOV8 ، قطار را تشخيص داده و سپس مسافران و ماموران را به تفكيك شناسايي، رديابي و شمارش مي‌كند. بعد از اتمام شمارش، تعداد افرادي كه در هر 150 فريم (5 ثانيه) به‌صورت زمان واقعي شمارش شده‌اند به مدل ترافيكي يك خط مترو ارائه مي‌شود. نتايج نشان مي‌دهد كه مدل YOLOv8 توانسته است با دقت بالاتري نسبت به YOLOv7، مسافران و مأموران مترو را به‌درستي شناسايي، رديابي و شمارش كند. همچنين، تحليل نمودار‌ها و پارامترهاي بدست امده از مدل ترافيكي نشان داد كه الگوريتم YOLOv8 براي تامين داده مورد نظر ( تعداد مسافران در زمان واقعي)، براي مدل ترافيكي موفق بود و منجر به بهبود دقت، سرعت و در نهايت توسعه مدل ترافيكي شد.

1403/09/12

Traffic Modeling and Monitoring of Metro Passengers Using Artificial Intelligence and a Clustering Algorithm

1/1/1900 12:00:00 AM

For metro traffic modeling and control, continuous monitoring of congestion levels and passenger counting from station images is essential. The primary goal of this study is to develop advanced algorithms such as YOLOv8 for accurate passenger counting in metro stations. Initially, YOLOv7 was employed to identify and track passengers in station images. Although YOLOv7 demonstrated acceptable accuracy, it faced challenges such as misidentifying human-like signs as passengers, failing to distinguish metro staff from passengers, and counting passengers inside trains as those waiting at the station. To address these challenges, a new model was designed and trained using the YOLOv8 algorithm, which offers higher accuracy and efficiency. The required training images were collected and pre-processed, including format conversion, normalization, feature extraction, cropping, and noise removal. These images were labeled into categories such as passengers, staff, and trains using the Roboflow platform, and the YOLOv8 model was trained accordingly. YOLOv8 exhibited superior speed and accuracy in identifying passengers and staff compared to YOLOv7. Furthermore, the k-means clustering algorithm was utilized to classify passengers based on congestion levels into categories such as very crowded, crowded, moderate, sparse, and very sparse. The trained software, leveraging the YOLOv8 region-based model, identified trains and subsequently distinguished, tracked, and counted passengers and staff separately. Upon completing the counting process, the number of individuals counted in every 150 frames (5 seconds) in real time was fed into a traffic model for a metro line. The results demonstrated that YOLOv8 significantly outperformed YOLOv7 in accurately identifying, tracking, and counting passengers and staff. Additionally, analysis of the charts and parameters derived from the traffic model confirmed the success of YOLOv8 in providing the required data (real-time passenger numbers), leading to improved accuracy, speed, and ultimately the advancement of the traffic modeling system.

كنترل ترافيك , هوش مصنوعي , الگوريتم‌ خوشه‌بندي , شمارش مسافران

Traffic control , artificial intelligence , clustering algorithm , passenger counting

ali naserian dotan

dr.bahman ghorbani vaghei