Βελτιστοποίηση και εκπαίδευση της λειτουργίας φαναριών σε διασταύρωση με χρήση μηχανικής όρασης και υπολογιστικής ευφυϊας

Abstract

Η παρούσα εργασία έχει ως σκοπό την μελέτη πιθανής λύσηςτου προβλήματος της άσκοπης κίνησης που δημιουργείται στις διασταυρώσεις λόγω της αδυναμίας κατανόησης της επικρατούσας κατάστασης από το σύστημα διαχείρισης της κυκλοφορίας σε πραγματικό χρόνο. Η αδυναμία αυτή έχει ως αποτέλεσμα την κατασπατάληση πόρων και χρόνου των χρηστών του συστήματος, την περιβαλλοντική επιβάρυνση και την μειωμένη ασφάλεια. Η λύση που θα προταθεί θα αποτελείται από την κάμερα που θα μεταδίδει την ζωντανή εικόνα, το υλικό που θα εκτελούνται τα προγράμματα και τα λογισμικά που θα πραγματοποιούν την επεξεργασία της ζωντανής εικόνας και την εξαγωγή συμπερασμάτων. Αρχικά θα παρουσιαστούν οι βιβλιοθήκες μηχανικής όρασης για την επεξεργασία της εικόνας, τα λογισμικά των νευρωνικών δικτύων που θα εξάγουν τις πληροφορίες από την εικόνα και οι πλατφόρμες που θα εκτελεστεί η επεξεργασία και θα αναφερθούν οι λόγοι επιλογής της βέλτιστης λύσης των RaspberryPi και Intel Neural Compute Stick 2. Στην συνέχεια, θα γίνει παρουσίαση των βημάτων εγκατάστασης και εκτέλεσης του OpenVINO σε Windows, της λήψης έτοιμων νευρωνικών δικτύων και της μετατροπής για το OpenVINO και θα δοκιμαστούν οι διάφορες επιλογές εκτέλεσης σε CPU, GPUκαι VPU. Στο επόμενο βήμα θα γίνει η εγκατάσταση, η δοκιμή και η επίλυση των προβλημάτων εκτέλεσης του OpenVINO στο RaspberryPi και η δοκιμή καλής λειτουργίας του NeuralComputeStick 2. Στο τελευταίο κομμάτι θα δοκιμαστούν προτεινόμενα νευρωνικά δίκτυα, θα παρουσιαστούν τα αποτελέσματα και θα εξαχθούν τα συμπεράσματα για την επιλογή της βέλτιστης λύσης και τις βελτιώσεις που θα απαιτηθούν.

This thesis was created to tackle the traffic congestion problem that is caused by the inability of the current traffic management systems to process real time data of the traffic. This weakness of the system leads to great loss of recourses and time for the users of the traffic infrastructure. Moreover, it adds to environmental pollution and reduced safety. The proposed solution will be composed from a camera to feed the live image, the software to process the image and execute inferencing and the appropriate hardware to host the above. At first the libraries for computer vision will be introduced, as well as the software dependencies for the neural networks that are responsible for the inferencing and final output and the hardware in which the all the data will be processed. Also, the reasons for selecting the combination of Raspberry Pi and Intel Neural Compute Stick 2 as the optimal choice, will be presented. Next, the steps for installing in Windowswill be presented, thetesting and troubleshooting processfor OpenVINO will be documented, as well as the download and conversion of neural networks and the various options of processing in CPU, GPU and VPU. In the end, the suggested neural networks have been tested and their performance will be measured.