Информационно - коммуникационные и химические технологии

Том_ 2 № 23 (2024) / 2024-06-30 / Кол. просмотров: 477

РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ В СЛОЖНЫХ ПОГОДНЫХ УСЛОВИЯХ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

Авторы

Казахский национальный университет имени аль-Фараби
Казахский национальный университет имени аль-Фараби
Казахский национальный университет имени аль-Фараби
Атырауский университет имени Х. Досмухамедова

Ключевые слова

CNN, распознавание дорожных знаков, искусственный интеллект, анализ изображений, классификация

DOI ссылка:

https://doi.org/10.58805/kazutb.v.2.23-471

Как цитировать

Батыр, Ж.А., и др. «РАСПОЗНАВАНИЕ ДОРОЖНЫХ ЗНАКОВ В СЛОЖНЫХ ПОГОДНЫХ УСЛОВИЯХ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ». Вестник КазУТБ, т. 2, вып. 23, июнь 2024 г., doi:10.58805/kazutb.v.2.23-471.

Аннотация

 

В исследовании рассматривается использование сверточных нейронных сетей (CNN) для улучшения систем распознавания дорожных знаков, особенно в сложных погодных условиях. В исследовании, основанном на новой модели CNN, используется расширенный набор данных немецкого теста распознавания дорожных знаков (GTSRB), который содержит более 50 000 изображений с надписями, охватывающих 43 категории. В модели представлены адаптивные слои выделения объектов, предназначенные для устранения проблем с видимостью, вызванных такими погодными факторами, как дождь, туман и снег. Для моделирования различных погодных сценариев применяются передовые методы увеличения объема данных, что увеличивает разнообразие обучающего набора данных. Это исследование не только рассматривает теоретические и практические усовершенствования, предоставленные CNNs для обнаружения дорожных знаков в неблагоприятных условиях, но и проверяет эффективность модели с помощью таких показателей, как точность, отзывчивость и показатель F1. Результаты подтверждают эффективность модели в минимизации ложных срабатываний и точной идентификации дорожных знаков. В документе подчеркивается важность тщательной подготовки набора данных, оптимизации моделей и усовершенствования обучения для повышения производительности системы обнаружения. Это положительно сказывается на интеллектуальных транспортных системах, автономном вождении и безопасности дорожного движения, что свидетельствует о будущем прогрессе в области надежных технологий распознавания дорожных знаков.