АВТОМАТИЧЕСКОЕ ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ С ПОМОЩЬЮ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
DOI:
https://doi.org/10.52167/1609-1817-2025-137-2-335-345Ключевые слова:
обнаружение дорожных знаков, анализ изображений, искусственный интеллект, CNN, классификацияАннотация
Эта исследовательская статья углубляется в область обнаружения и классификации дорожных знаков с использованием глубоких сверточных нейронных сетей (CNN). Используя надежные возможности CNN, исследование всесторонне исследует сложную среду методов компьютерного зрения, применяемых для задачи распознавания дорожных знаков. Основное внимание в этом исследовании уделяется проектированию и оценке архитектуры на основе CNN, обученной на наборе данных German Traffic Sign Recognition Benchmark (GTSRB), включающем более 50 000 аннотированных изображений дорожных знаков в 43 различных классах. Благодаря тщательному изучению теоретических основ и практической реализации исследование поясняет ключевую роль CNN в повышении точности и эффективности систем обнаружения дорожных знаков. Исследование оценивает производительность модели с использованием показателей точности, отзыва и показателя F1, последовательно демонстрируя способность модели минимизировать ложные срабатывания и при этом эффективно фиксировать соответствующие экземпляры дорожных знаков. Кроме того, это исследование подчеркивает важность тщательного подбора наборов данных, оптимизации моделей и совершенствования процедур обучения для повышения эффективности систем обнаружения дорожных знаков. Результаты этого исследования имеют далеко идущие последствия для интеллектуальных транспортных систем, автономных транспортных средств и безопасности дорожного движения, предлагая многообещающую траекторию развития быстро реагирующих и надежных технологий распознавания дорожных знаков.
Библиографические ссылки
[1] Haque, W. A., Arefin, S., Shihavuddin, A. S. M., & Hasan, M. A. (2021). DeepThin: A novel lightweight CNN architecture for traffic sign recognition without GPU requirements. Expert Systems with Applications, 168, 114481.
[2] Dewi, C., Chen, R. C., Jiang, X., & Yu, H. (2022). Deep convolutional neural network for enhancing traffic sign recognition developed on Yolo V4. Multimedia Tools and Applications, 81(26), 37821-37845.
[3] Hijji, M., Iqbal, R., Pandey, A. K., Doctor, F., Karyotis, C., Rajeh, W., ... & Aradah, F. (2023). 6G connected vehicle framework to support intelligent road maintenance using deep learning data fusion. IEEE Transactions on Intelligent Transportation Systems.
[4] Ahmed, S., Kamal, U., & Hasan, M. K. (2021). DFR-TSD: A deep learning based framework for robust traffic sign detection under challenging weather conditions. IEEE Transactions on Intelligent Transportation Systems, 23(6), 5150-5162.
[5] Mall, P. K., Narayan, V., Pramanik, S., Srivastava, S., Faiz, M., Sriramulu, S., & Kumar, M. N. (2023). FuzzyNet-Based Modelling Smart Traffic System in Smart Cities Using Deep Learning Models. In Handbook of Research on Data-Driven Mathematical Modeling in Smart Cities (pp. 76-95). IGI Global.
[6] Kim, B., Natarajan, Y., Preethaa, K. S., Song, S., An, J., & Mohan, S. (2024). Real-time assessment of surface cracks in concrete structures using integrated deep neural networks with autonomous unmanned aerial vehicle. Engineering Applications of Artificial Intelligence, 129, 107537.
[7] Bi, Z., Yu, L., Gao, H., Zhou, P., & Yao, H. (2021). Improved VGG model-based efficient traffic sign recognition for safe driving in 5G scenarios. International Journal of Machine Learning and Cybernetics, 12, 3069-3080.
[8] Tarbez, Y. (2023). Development in Deep Convolutional Neural Networks by using Machine Learning Framework. Applied Science and Engineering Journal for Advanced Research, 2(2), 8-13.
[9] Zhao, Q., Yang, L., & Lyu, N. (2024). A driver stress detection model via data augmentation based on deep convolutional recurrent neural network. Expert Systems with Applications, 238, 122056.
[10] Wani, N. A., Kumar, R., & Bedi, J. (2024). DeepXplainer: An interpretable deep learning based approach for lung cancer detection using explainable artificial intelligence. Computer Methods and Programs in Biomedicine, 243, 107879.
[11] Arya, D., Maeda, H., Ghosh, S. K., Toshniwal, D., Mraz, A., Kashiyama, T., & Sekimoto, Y. (2021). Deep learning-based road damage detection and classification for multiple countries. Automation in Construction, 132, 103935.
[12] Jayapal, P. K., Muvva, V. R., & Desanamukula, V. S. (2023). Stacked extreme learning machine with horse herd optimization: A methodology for traffic sign recognition in advanced driver assistance systems. Mechatronics and Intelligent Transportation Systems, 2(3), 131-145.
[13] Pan, Y. A., Guo, J., Chen, Y., Cheng, Q., Li, W., & Liu, Y. (2024). A fundamental diagram based hybrid framework for traffic flow estimation and prediction by combining a Markovian model with deep learning. Expert Systems with Applications, 238, 122219.
[14] Dewi, C., Chen, R. C., Yu, H., & Jiang, X. (2023). Robust detection method for improving small traffic sign recognition based on spatial pyramid pooling. Journal of Ambient Intelligence and Humanized Computing, 14(7), 8135-8152.
[15] Qu, Z., Cao, C., Liu, L., & Zhou, D. Y. (2021). A deeply supervised convolutional neural network for pavement crack detection with multiscale feature fusion. IEEE transactions on neural networks and learning systems, 33(9), 4890-4899.
[16] Zhu, J., Zhong, J., Ma, T., Huang, X., Zhang, W., & Zhou, Y. (2022). Pavement distress detection using convolutional neural networks with images captured via UAV. Automation in Construction, 133, 103991.
[17] Ya, T. U., Yun, L. I. N., Haoran, Z. H. A., Zhang, J., Yu, W. A. N. G., Guan, G. U. I., & Shiwen, M. A. O. (2022). Large-scale real-world radio signal recognition with deep learning. Chinese Journal of Aeronautics, 35(9), 35-48.
[18] Liu, Y., Peng, J., Xue, J. H., Chen, Y., & Fu, Z. H. (2021). TSingNet: Scale-aware and context-rich feature learning for traffic sign detection and recognition in the wild. Neurocomputing, 447, 10-22.
[19] Gamel, S. A., Hassan, E., El-Rashidy, N., & Talaat, F. M. (2024). Exploring the effects of pandemics on transportation through correlations and deep learning techniques. Multimedia tools and applications, 83(3), 7295-7316.
[20] Mishra, P., & Swetapadma, A. (2024). Sleep arousal detection for monitoring of sleep disorders using one-dimensional convolutional neural network-based U-Net and bio-signals. Data Technologies and Applications.
[21] Dewangan, D. K., & Sahu, S. P. (2023). Lane detection in intelligent vehicle system using optimal 2-tier deep convolutional neural network. Multimedia Tools and Applications, 82(5), 7293-7317.
[22] Li, G., Yan, W., Li, S., Qu, X., Chu, W., & Cao, D. (2021). A temporal–spatial deep learning approach for driver distraction detection based on EEG signals. IEEE Transactions on Automation Science and Engineering, 19(4), 2665-2677.
[23] Megalingam, R. K., Thanigundala, K., Musani, S. R., Nidamanuru, H., & Gadde, L. (2023). Indian traffic sign detection and recognition using deep learning. International Journal of Transportation Science and Technology, 12(3), 683-699.
[24] Shanmugavel, A. B., Ellappan, V., Mahendran, A., Subramanian, M., Lakshmanan, R., & Mazzara, M. (2023). A Novel Ensemble Based Reduced Overfitting Model with Convolutional Neural Network for Traffic Sign Recognition System. Electronics, 12(4), 926.
[25] Katzman, B. D., Alabousi, M., Islam, N., Zha, N., & Patlas, M. N. (2024). Deep learning for pneumothorax detection on chest radiograph: a diagnostic test accuracy systematic review and meta analysis. Canadian Association of Radiologists Journal, 08465371231220885.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Жан Батыр, Батырхан Омаров
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
