RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Αθανασιά Κωνσταντίνα

2023-12-20T17:34:10Z

Athanasia Konstantina: Νέα σελίδα με '<li/> DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY <li/> [[ IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING RE...'

<li/> [[ DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY ]] 
<li/> [[ IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY]] 
<li/> [[ RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES]] 
<li/> [[ APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING]] 
<li/> [[ USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL]] 
[[category:ΔΠΜΣ ]]

USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL

2023-12-20T17:20:26Z

Athanasia Konstantina:

'''USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL'''

'''Πηγή:https://theicct.org/sites/default/files/publications/ICCT_remote-sensing_brief_201812.pdf'''

'''Συγγραφείς: Tim Dallmann'''

'''ΕΙΣΑΓΩΓΗ'''

Η αλματώδης με ξέφρενούς ρυθμούς, ανάπτυξη της τεχνολογίας στα τέλη του 20ου αιώνα, συνοδεύεται από μια εκτεταμένη οικολογική καταστροφή στον πλανήτη μας. Η ατμόσφαιρα του πλανήτη μας δέχεται σήμερα μια επιβάρυνση από ρυπογόνους παράγοντες σε τρομακτικό και συνεχώς αυξανόμενο ρυθμό. Οι ρύποι των ΙΧ αποτελούν μία από τις αιτίες του προβλήματος που επιβαρύνουν συνεχώς την κατάσταση. Η μέτρηση των εκπομπών καυσαερίων από τα οχήματα κατά την κανονική λειτουργία τους στο δρόμο είναι το κλειδί για κάθε αποτελεσματικό σύστημα ελέγχου της ατμοσφαιρικής ρύπανσης στον τομέα των μεταφορών. Ιδιαιτέρως σημαντικό είναι να επισημανθεί και να εντοπιστεί η διαφορά μεταξύ της απόδοσης των δοκιμών πιστοποίησης και των πραγματικών εκπομπών οχημάτων "πραγματικού κόσμου", προκειμένου να αποσαφηνιστεί η πραγματική υφιστάμενη κατάσταση. Το παρόν άρθρο επιχειρεί να παρουσιάσει τη μέθοδο παρακολούθησης και ελέγχου των εκπομπών των οχημάτων μέσω της αξιοποίησης της επιστήμης της τηλεπισκόπησης.
Η πιο ευρέως γνωστή μέθοδος δοκιμής εκπομπών οχημάτων κατά τη χρήση χρησιμοποιεί ένα φορητό σύστημα μέτρησης εκπομπών ή PEMS. Αυτό περιλαμβάνει δειγματοληψία και ανάλυση της εξάτμισης με εξοπλισμό τοποθετημένο σε ένα μεμονωμένο όχημα καθώς κυκλοφορεί πάνω από το δρόμο ή σε κλειστή διαδρομή, και παράγει λεπτομερή, ανά δευτερόλεπτο, καταγραφή των εκπομπών από αυτό το μεμονωμένο όχημα. Το PEMS χρησιμοποιείται ευρέως από ερευνητές και διαδραμάτισε βασικό ρόλο στην ανίχνευση εκτεταμένης φοροδιαφυγής και παραβίασης των κανονισμών εκπομπών οχημάτων από τους κατασκευαστές και έχει ενσωματωθεί στα πρωτόκολλα δοκιμών πιστοποίησης τόσο για βαρέα όσο και για ελαφρά οχήματα. Είναι όμως χρονοβόρο και ακριβό. Για αυτούς και άλλους λόγους, το PEMS δεν είναι εγγενώς κατάλληλο για την παρακολούθηση και την επιτήρηση του στόλου.
Η τηλεπισκόπηση ως μέσο μέτρησης των εκπομπών μηχανοκίνητων οχημάτων είναι λιγότερο γνωστή, αν και είναι μια καθιερωμένη ερευνητική τεχνική σε αυτόν τον τομέα καθώς και σε άλλους. Σε σύγκριση με τη δοκιμή PEMS είναι λιγότερο δαπανηρή τόσο σε χρόνο όσο και σε χρήμα. Η διακριτική ("απομακρυσμένη") φύση της τεχνικής την καθιστά κατάλληλη για την παρακολούθηση του στόλου.

'''ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ για την παρακολούθηση του φαινομένου'''

Τα συστήματα τηλεπισκόπησης χρησιμοποιούν φασματοσκόπια απορρόφησης για τη μη παρεμβατική μέτρηση των συγκεντρώσεων ρύπων στα καυσαέρια των εν χρήσει οχημάτων. Μια φωτεινή πηγή και ένας ανιχνευτής τοποθετούνται είτε δίπλα είτε πάνω από ένα οδόστρωμα, με το όργανο προσανατολισμένο έτσι ώστε η φωτεινή δέσμη που παράγεται από την πηγή να διασχίζει τα λοφία καυσαερίων των οχημάτων που διέρχονται. Οι ρύποι αλληλοεπιδρούν με το φως, επομένως η σχετική ποσότητα αυτών των ειδών που υπάρχουν στα καυσαέρια του οχήματος μπορεί να προσδιοριστεί μετρώντας πόσο φως ορισμένων μηκών κύματος απορροφάται καθώς η δέσμη φωτός διέρχεται από το λοφίο. Κάθε μέτρηση τηλεπισκόπησης διαρκεί λιγότερο από ένα δευτερόλεπτο και, όταν είναι επιτυχής, δίνει μια εκτίμηση της συγκέντρωσης των ρύπων σε σχέση με τη συγκέντρωση του CO2 στο νέφος των καυσαερίων. Τα συστήματα τηλεπισκόπησης μετρούν το μονοξείδιο του αζώτου (NO), το διοξείδιο του αζώτου (NO2), το μονοξείδιο του άνθρακα (CO), τους υδρογονάνθρακες (HC) και το διοξείδιο του άνθρακα (CO2). Οι εκπομπές σωματιδίων (PM) μετρούνται έμμεσα με χρήση αδιαφάνειας λοφίου. Οι εκπομπές διοξειδίου του θείου (SO2) και αμμωνίας (NH1) μπορούν επίσης να μετρηθούν χρησιμοποιώντας τηλεπισκόπηση.
Τα δεδομένα εκπομπών είναι περιορισμένης χρησιμότητας εάν δεν μπορούν να συνδεθούν με πληροφορίες σχετικά με το όχημα από το οποίο προέρχονται, συμπεριλαμβανομένου του τρόπου λειτουργίας του οχήματος τη στιγμή της μέτρησης. Τα συστήματα τηλεπισκόπησης ενσωματώνουν πρόσθετο εξοπλισμό για την απόκτηση αυτών των πληροφοριών. Μια κάμερα καταγράφει μια εικόνα του αριθμού πινακίδας του οχήματος, η οποία μπορεί να χρησιμοποιηθεί για την ανάκτηση των προδιαγραφών του οχήματος (π.χ. μάρκα, μοντέλο, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών) από βάσεις δεδομένων καταχώρησης. Μια άλλη συσκευή μετρά την ταχύτητα και τον ρυθμό επιτάχυνσης του οχήματος, η οποία παρέχει πληροφορίες σχετικά με το φορτίο του κινητήρα του οχήματος τη στιγμή της μέτρησης των εκπομπών. Τέλος, οι αισθητήρες μετρούν τις συνθήκες περιβάλλοντος, όπως η θερμοκρασία, η πίεση και η σχετική υγρασία.

Ένα πλήρες αρχείο τηλεπισκόπησης για ένα μεμονωμένο όχημα περιέχει τις ακόλουθες πληροφορίες:

 τη μέτρηση συγκέντρωσης κάθε είδους εκπομπών σε σχέση με το CO2 συγκριτικά με τη συγκέντρωση τους στον αέρα του περιβάλλοντος

 τη ταχύτητα και το ρυθμό επιτάχυνσης του οχήματος

 τις συνθήκες μέτρησης: χαρακτηριστικά δρόμου, θερμοκρασία και πίεση περιβάλλοντος και σχετική υγρασία

 τις προδιαγραφές του οχήματος, συμπεριλαμβανομένης της μάρκας, του μοντέλου, της κατηγορίας, έτος μοντέλου, τύπος και μέγεθος αμαξώματος, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών, τιμή CO₂ έγκρισης τύπου και μάζα άδειας οχήματος

Οι ερευνητές επισημαίνουν μέσω του άρθρου πως υπάρχουν δύο κύριοι προμηθευτές εξοπλισμού τηλεπισκόπησης και υπηρεσιών δοκιμών στις Ηνωμένες Πολιτείες και την Ευρωπαϊκή Ένωση: η Hager Environmental and Atmospheric Technologies (HEAT) και η Opus Inspection. Κάθε μία από αυτές τις εταιρείες έχει αναπτύξει συστήματα τηλεπισκόπησης που ακολουθούν τις γενικές αρχές που περιγράφονται παραπάνω. Ωστόσο, υπάρχουν σημαντικές διαφορές στις προσεγγίσεις μέτρησης που εφαρμόζουν οι δύο εταιρείες. Η πιο εύκολα εμφανής διαφορά μεταξύ των δύο, που απεικονίζεται στο Σχήμα 1, είναι η τοποθέτηση της φωτεινής πηγής και των μονάδων ανιχνευτή σε σχέση με το οδόστρωμα. Το όργανο Opus, το RSD5000, εφαρμόζει μια γεωμετρία κατά μήκος του δρόμου, όπου το όργανο τοποθετείται στο πλάι του δρόμου και η φωτεινή δέσμη διασχίζει οριζόντια το λοφίο της εξάτμισης. Αντίθετα, το όργανο τηλεπισκόπησης HEAT EDAR είναι τοποθετημένο πάνω από ένα οδόστρωμα με τη φωτεινή δέσμη να περνά κατακόρυφα μέσα από τα στόμια εξάτμισης των οχημάτων δοκιμής. Από πρακτική άποψη, η γεωμετρία από πάνω προς τα κάτω του οργάνου EDAR διευκολύνει τη διενέργεια μετρήσεων σε τοποθεσίες με πολλές λωρίδες και καθιστά τη μέτρηση λιγότερο ευαίσθητη στο ύψος και τον προσανατολισμό της εξάτμισης του οχήματος δοκιμής. Από την άλλη πλευρά, η τοποθέτηση στο δρόμο και η εύκολη μεταφορά του RSD5000 υποστηρίζουν σχετικά γρήγορη εγκατάσταση και αυξάνουν την ευελιξία ανάπτυξης του οργάνου. Το όργανο HEAT EDAR διακρίνεται περαιτέρω από το Opus RSD5000 στη χρήση λέιζερ ως πηγή φωτός. Το λέιζερ σαρώνεται σε όλο το πλάτος του οδοστρώματος, επιτρέποντας τη μέτρηση ολόκληρου του νέφους εξάτμισης του οχήματος.

[[Εικόνα:athanasia5.1.png| thumb| center|'''Eικόνα 1:'''Σχηματική ρύθμιση των τριών μονάδων της συσκευής τηλεπισκόπησης. Κορυφή, ρύθμιση για διασταύρωση
Τηλεπισκόπηση: η πηγή φωτός με τον ανακλαστικό καθρέφτη στην άλλη πλευρά του δρόμου και το φως
ανιχνευτής; τους ανιχνευτές ταχύτητας και επιτάχυνσης· και το καταγραφικό πινακίδων. Κάτω, ρύθμιση για
σύστημα τηλεπισκόπησης από πάνω προς τα κάτω (EDAR)...]]

'''ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''

Σε σύγκριση με μια δοκιμή PEMS, μια μεμονωμένη εγγραφή τηλεπισκόπησης παρέχει περιορισμένο αριθμό δεδομένων σχετικά με τις επιδόσεις εκπομπών ενός οχήματος. Το δείγμα τηλεπισκόπησης διαρκεί λιγότερο από 1 δευτερόλεπτο και οι μετρούμενες εκπομπές είναι αντιπροσωπευτικές μιας μεμονωμένης κατάστασης οδήγησης, όπως ορίζεται από την ταχύτητα και την επιτάχυνση του οχήματος και τον βαθμό δρόμου. Η δοκιμή τηλεπισκόπησης είναι συγκρίσιμη με δεδομένα αξίας ενός δευτερολέπτου από μια δοκιμή PEMS, η οποία μπορεί να διαρκέσει έως και αρκετές ώρες. Το μικρό μήκος δοκιμής θα πρέπει να θεωρείται ως χαρακτηριστικό της μεθόδου τηλεπισκόπησης και όχι ως περιορισμός. Η προσέγγιση επιτρέπει τη μέτρηση των πραγματικών εκπομπών από έναν πολύ μεγάλο αριθμό οχημάτων σε σύντομο χρονικό διάστημα και με οικονομικά αποδοτικό τρόπο. Ένα μόνο όργανο τηλεπισκόπησης μπορεί να μετρήσει τις εκπομπές χιλιάδων οχημάτων κάθε μέρα. Ενώ κάθε μεμονωμένη μέτρηση είναι μόνο ένα στιγμιότυπο των εκπομπών από ένα μόνο όχημα, το συνολικό δείγμα μπορεί να παρέχει λεπτομερείς πληροφορίες για τις εκπομπές όχι μόνο από τον μετρούμενο στόλο αλλά και από συγκεκριμένες υποομάδες εντός αυτού. Εάν οι μετρήσεις τηλεπισκόπησης πραγματοποιούνται σε πολλές τοποθεσίες σε μια αστική περιοχή ή ακόμα και σε τοποθεσίες σε διαφορετικές γεωγραφικές περιοχές με παρόμοιους στόλους οχημάτων, το συνδυασμένο σύνολο δεδομένων μπορεί να προσφέρει μια πλούσια προοπτική για τις πραγματικές επιδόσεις εκπομπών σε μια σειρά συνθηκών οδήγησης και περιβάλλοντος . Το αποτέλεσμα μιας μέτρησης τηλεπισκόπησης είναι η συγκέντρωση ενός δεδομένου ρύπου στο στόμιο εξάτμισης του υπό δοκιμή οχήματος σε σχέση με το CO, συγκέντρωση στα καυσαέρια. Αυτή η τιμή τυπικά μετατρέπεται σε ειδικό συντελεστή εκπομπής καυσίμου, ο οποίος είναι ένα μέτρο της μάζας του ρύπου που εκπέμπεται από το όχημα ανά μάζα καυσίμου που καίγεται (γραμμάρια ανά κιλό καυσίμου, g/kg). Αναπτύχθηκαν μέθοδοι για την περαιτέρω μετατροπή των ειδικών για το καύσιμο συντελεστών εκπομπών σε ρυθμούς εκπομπών ειδικών για την απόσταση (γραμμάρια ανά χιλιόμετρο, g/km) προκειμένου να γίνει σύγκριση με τα ρυθμιστικά όρια και τα μοντέλα συντελεστών εκπομπών. Μέχρι στιγμής, αυτές οι μέθοδοι έχουν εφαρμοστεί μόνο σε συγκεντρωτικά δείγματα εγγραφών τηλεπισκόπησης για συγκεκριμένες ομάδες οχημάτων, όχι σε μεμονωμένα δείγματα οχημάτων. Οι περισσότερες αναλύσεις δεδομένων τηλεπισκόπησης συγκεντρώνουν μεμονωμένα αρχεία εκπομπών οχημάτων για την αξιολόγηση των εκπομπών για συγκεκριμένες ομάδες οχημάτων. Αυτές οι ομαδοποιήσεις μπορούν, για παράδειγμα, να είναι ανά τύπο οχήματος, τύπο καυσίμου, πιστοποιημένο πρότυπο εκπομπών και/ή έτος μοντέλου, κατασκευαστή και μοντέλο ή οικογένεια οχημάτων. Εάν υπάρχουν επαρκή δεδομένα, μπορεί να πραγματοποιηθεί περαιτέρω ανάλυση του τρόπου με τον οποίο οι εκπομπές για κάθε υποομάδα ποικίλλουν ανάλογα με το φορτίο του κινητήρα ή τη θερμοκρασία περιβάλλοντος. Γενικά, όσο πιο λεπτός είναι ο βαθμός ευκρίνειας της ανάλυσης, τόσο περισσότερα δεδομένα τηλεπισκόπησης απαιτούνται για την παροχή στατιστικά ισχυρών αποτελεσμάτων.

'''ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''

Επειδή η τηλεπισκόπηση επιτρέπει στους ερευνητές να συλλέγουν οικονομικά δεδομένα εκπομπών από μια σειρά οχημάτων, μπορεί να συμβάλει σε διάφορα προγράμματα, πολιτικές και αποφάσεις που σχετίζονται με την ποιότητα του αέρα.

 Προσδιορισμός μεμονωμένων υψηλών ή χαμηλών εκπομπών

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον εντοπισμό οχημάτων που κατά πάσα πιθανότητα έχουν είτε ελαττωματικό σύστημα ελέγχου εκπομπών είτε κάποιο που έχει παραβιαστεί. Ομοίως, η τηλεπισκόπηση μπορεί να αναγνωρίσει οχήματα στα οποία, κατά πάσα πιθανότητα, το σύστημα ελέγχου εκπομπών λειτουργεί σωστά και πλήρως. Αυτή η δυνατότητα θα μπορούσε να χρησιμοποιηθεί για διάφορους σκοπούς, όπως η υποστήριξη και η βελτίωση της ακρίβειας και κάλυψης υφιστάμενων προγραμμάτων περιοδικής τεχνικής επιθεώρησης (PTI), η υποστήριξη προγραμμάτων οδικής επιθεώρησης ή η υποστήριξη ενός "προγράμματος καθαρής οθόνης που επιτρέπει στους οδηγούς να παρακάμπτουν τις περιοδικές εκπομπές καυσαερίων δοκιμής πιστοποίησης με την επαλήθευση ότι οι εκπομπές του οχήματός τους βρίσκονται εντός ενός ορίου.

 Βελτίωση των μοντέλων εκπομπών ρύπων και ποιότητας αέρα

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τη δημιουργία πραγματικών παραγόντων εκπομπών σε πολλά επίπεδα ευαισθησίας ανάλογα με τη διαθεσιμότητα δεδομένων. Παράγοντες εκπομπών μπορεί να είναι οι εξής: ο τύπος οχήματος (π.χ. ελαφρύ ή βαρέως τύπου), ο τύπος καυσίμου (π.χ. βενζίνη ή ντίζελ), πρότυπο εκπομπών (π.χ. Euro 5 ή Euro 6), ο κατασκευαστής (π.χ. Volkswagen ή Renault), η οικογένεια οχημάτων (όλα τα οχήματα με τον ίδιο κινητήρα) ή μοντέλο οχήματος. Οι πραγματικοί παράγοντες εκπομπών θα μπορούσαν να χρησιμοποιηθούν ως στοιχεία εισόδου σε διάφορα μοντέλα εκπομπών, εργαλεία πρόβλεψης ποιότητας αέρα ή μοντέλα κυκλοφορίας και θα επέτρεπαν σημαντική βελτίωση στην ακρίβεια των εκροών τέτοιων μοντέλων.

 Καθοδήγηση νέων πολιτικών

Τοπικές, περιφερειακές, εθνικές και σε επίπεδο Ευρωπαϊκής Ένωσης αρχές εργάζονται για την ανάπτυξη ή τη βελτίωση πολιτικών που θα μπορούσαν να επεξεργάζονται καλύτερα τα δεδομένα που λαμβάνονται από την τηλεπισκόπηση. Για παράδειγμα, οι πόλεις που εξετάζουν την εφαρμογή ζώνης χαμηλών εκπομπών ή απαγόρευσης οχημάτων θα μπορούσαν να χρησιμοποιήσουν τα δεδομένα για να προβλέψουν την αποτελεσματικότητα διαφορετικών επαναλήψεων πολιτικής. Ομοίως, οι κυβερνήσεις που εξετάζουν ένα πρόγραμμα απόσυρσης και αντικατάστασης οχημάτων θα μπορούσαν να προσδιορίσουν τους στόχους οχημάτων με τις υψηλότερες εκπομπές, για μέγιστο αντίκτυπο. Οι υπεύθυνοι χάραξης πολιτικής που αναπτύσσουν κανονισμούς εκπομπών για νέα οχήματα μπορούν να χρησιμοποιήσουν δεδομένα πραγματικού κόσμου για να εντοπίσουν περιορισμούς ή ελαττώματα σε υφιστάμενους κανονισμούς.

 Παρακολούθηση της αποτελεσματικότητας της πολιτικής.

Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι πολιτικές παράγουν τα επιδιωκόμενα αποτελέσματά τους, π.χ. εάν το σχέδιο χρέωσης συμφόρησης/τοξικότητας μιας πόλης έχει οδηγήσει σε μετρήσιμη μείωση της ρύπανσης.

 Παρακολούθηση της αποτελεσματικότητας των τεχνολογιών που προωθούνται

Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι τεχνολογίες προάγουν και επιτυγχάνουν τα επιδιωκόμενα αποτελέσματα τους, δηλαδή επιδιώκεται ο έλεγχος της αποτελεσματικότητας των τεχνολογιών στον πραγματικό κόσμο και του τρόπου με τον οποίο αυτές αλλάζει με το χρόνο.

 Αποτελεσματικό έλεγχο ολόκληρου του στόλου

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί από δημόσιους ή ιδιωτικούς ιδιοκτήτες στόλου να παρακολουθούν την «υγεία» του στόλου τους. Ένας ιδιοκτήτης στόλου θα μπορούσε, για παράδειγμα, να δημιουργήσει ένα σύστημα απομακρυσμένης ανίχνευσης για δειγματοληψία της εξάτμισης του οχήματος για πολλές ημέρες, εβδομάδες ή μήνες και να χρησιμοποιήσει τα δεδομένα για τον εντοπισμό υψηλών εκπομπών που πρέπει να επισκευαστούν ή να αντικατασταθούν.

 Κατανόηση του αντίκτυπου συγκεκριμένων συνθηκών οδήγησης

Συνθήκες οδήγησης όπως : το είδος του οχήματος, η ταχύτητα, η θερμοκρασία περιβάλλοντος, το υψόμετρο και ο βαθμός του δρόμου επηρεάζουν τις πραγματικές εκπομπές ρύπων. Μερικές πόλεις ή περιοχές μπορεί να έχουν συγκεκριμένες συνθήκες οδήγησης—για παράδειγμα, πιο απότομες κατηγορίες, πιο ακραίες θερμοκρασίες ή υψηλότερο υψόμετρο—που προκαλούν το προφίλ εκπομπών εκεί να διαφέρει από τον μέσο όρο. Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον προσδιορισμό κάθε είδους οδήγησης και να το συνδυάσει με τις εκπομπές των αερίων ρύπων.

 Σύνδεση με τις αποφάσεις της αγοράς

Η τηλεπισκόπηση παρέχει βασικές πληροφορίες για κάθε είδος οχήματος και για κάθε μοντέλο οχήματος. Οι πληροφορίες σχετικά με τις πραγματικές εκπομπές μιας συγκεκριμένης μάρκας και μοντέλου οχήματος μπορούν να επηρεάσουν τις αποφάσεις αγοράς τόσο μικρών (σε επίπεδο μεμονωμένου καταναλωτή) όσο και μεγάλων (π.χ. στόλοι δημοτικών λεωφορείων).

[[Εικόνα:athanasia5.2.png| thumb| center|'''Eικόνα 2:'''Εννοιολογικό διάγραμμα που δείχνει πιθανές εφαρμογές τηλεπισκόπησης οχημάτων σε ένα
βελτιωμένο πρόγραμμα ελέγχου εκπομπών οχημάτων...]]
[[category:Αμμοδοχείο]]

Αρχείο:Athanasia5.2.png

2023-12-20T17:18:48Z

Athanasia Konstantina:

USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL

2023-12-20T17:18:13Z

Athanasia Konstantina:

'''USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL'''

'''Πηγή:https://theicct.org/sites/default/files/publications/ICCT_remote-sensing_brief_201812.pdf'''

'''Συγγραφείς: Tim Dallmann'''

'''ΕΙΣΑΓΩΓΗ'''

Η αλματώδης με ξέφρενούς ρυθμούς, ανάπτυξη της τεχνολογίας στα τέλη του 20ου αιώνα, συνοδεύεται από μια εκτεταμένη οικολογική καταστροφή στον πλανήτη μας. Η ατμόσφαιρα του πλανήτη μας δέχεται σήμερα μια επιβάρυνση από ρυπογόνους παράγοντες σε τρομακτικό και συνεχώς αυξανόμενο ρυθμό. Οι ρύποι των ΙΧ αποτελούν μία από τις αιτίες του προβλήματος που επιβαρύνουν συνεχώς την κατάσταση. Η μέτρηση των εκπομπών καυσαερίων από τα οχήματα κατά την κανονική λειτουργία τους στο δρόμο είναι το κλειδί για κάθε αποτελεσματικό σύστημα ελέγχου της ατμοσφαιρικής ρύπανσης στον τομέα των μεταφορών. Ιδιαιτέρως σημαντικό είναι να επισημανθεί και να εντοπιστεί η διαφορά μεταξύ της απόδοσης των δοκιμών πιστοποίησης και των πραγματικών εκπομπών οχημάτων "πραγματικού κόσμου", προκειμένου να αποσαφηνιστεί η πραγματική υφιστάμενη κατάσταση. Το παρόν άρθρο επιχειρεί να παρουσιάσει τη μέθοδο παρακολούθησης και ελέγχου των εκπομπών των οχημάτων μέσω της αξιοποίησης της επιστήμης της τηλεπισκόπησης.
Η πιο ευρέως γνωστή μέθοδος δοκιμής εκπομπών οχημάτων κατά τη χρήση χρησιμοποιεί ένα φορητό σύστημα μέτρησης εκπομπών ή PEMS. Αυτό περιλαμβάνει δειγματοληψία και ανάλυση της εξάτμισης της εξάτμισης με εξοπλισμό τοποθετημένο σε ένα μεμονωμένο όχημα καθώς κυκλοφορεί πάνω από το δρόμο ή σε κλειστή διαδρομή, και παράγει λεπτομερή, ανά δευτερόλεπτο, καταγραφή των εκπομπών από αυτό το μεμονωμένο όχημα. Το PEMS χρησιμοποιείται ευρέως από ερευνητές και διαδραμάτισε βασικό ρόλο στην ανίχνευση εκτεταμένης φοροδιαφυγής και παραβίασης των κανονισμών εκπομπών οχημάτων από τους κατασκευαστές και έχει ενσωματωθεί στα πρωτόκολλα δοκιμών πιστοποίησης τόσο για βαρέα όσο και για ελαφρά οχήματα. Είναι όμως χρονοβόρο και ακριβό. Για αυτούς και άλλους λόγους, το PEMS δεν είναι εγγενώς κατάλληλο για την παρακολούθηση και την επιτήρηση του στόλου.
Η τηλεπισκόπηση ως μέσο μέτρησης των εκπομπών μηχανοκίνητων οχημάτων είναι λιγότερο γνωστή, αν και είναι μια καθιερωμένη ερευνητική τεχνική σε αυτόν τον τομέα καθώς και σε άλλους. Σε σύγκριση με τη δοκιμή PEMS είναι λιγότερο δαπανηρή τόσο σε χρόνο όσο και σε χρήμα. Η διακριτική ("απομακρυσμένη") φύση της τεχνικής την καθιστά κατάλληλη για την παρακολούθηση του στόλου.

'''ΒΑΣΙΚΕΣ ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ για την παρακολούθηση του φαινομένου'''

Τα συστήματα τηλεπισκόπησης χρησιμοποιούν φασματοσκόπια απορρόφησης για τη μη παρεμβατική μέτρηση των συγκεντρώσεων ρύπων στα καυσαέρια των εν χρήσει οχημάτων. Μια φωτεινή πηγή και ένας ανιχνευτής τοποθετούνται είτε δίπλα είτε πάνω από ένα οδόστρωμα, με το όργανο προσανατολισμένο έτσι ώστε η φωτεινή δέσμη που παράγεται από την πηγή να διασχίζει τα λοφία καυσαερίων των οχημάτων που διέρχονται. Οι ρύποι αλληλοεπιδρούν με το φως, επομένως η σχετική ποσότητα αυτών των ειδών που υπάρχουν στα καυσαέρια του οχήματος μπορεί να προσδιοριστεί μετρώντας πόσο φως ορισμένων μηκών κύματος απορροφάται καθώς η δέσμη φωτός διέρχεται από το λοφίο. Κάθε μέτρηση τηλεπισκόπησης διαρκεί λιγότερο από ένα δευτερόλεπτο και, όταν είναι επιτυχής, δίνει μια εκτίμηση της συγκέντρωσης των ρύπων σε σχέση με τη συγκέντρωση του CO2 στο νέφος των καυσαερίων. Τα συστήματα τηλεπισκόπησης μετρούν το μονοξείδιο του αζώτου (NO), το διοξείδιο του αζώτου (NO2), το μονοξείδιο του άνθρακα (CO), τους υδρογονάνθρακες (HC) και το διοξείδιο του άνθρακα (CO2). Οι εκπομπές σωματιδίων (PM) μετρούνται έμμεσα με χρήση αδιαφάνειας λοφίου. Οι εκπομπές διοξειδίου του θείου (SO2) και αμμωνίας (NH1) μπορούν επίσης να μετρηθούν χρησιμοποιώντας τηλεπισκόπηση.
Τα δεδομένα εκπομπών είναι περιορισμένης χρησιμότητας εάν δεν μπορούν να συνδεθούν με πληροφορίες σχετικά με το όχημα από το οποίο προέρχονται, συμπεριλαμβανομένου του τρόπου λειτουργίας του οχήματος τη στιγμή της μέτρησης. Τα συστήματα τηλεπισκόπησης ενσωματώνουν πρόσθετο εξοπλισμό για την απόκτηση αυτών των πληροφοριών. Μια κάμερα καταγράφει μια εικόνα του αριθμού πινακίδας του οχήματος, η οποία μπορεί να χρησιμοποιηθεί για την ανάκτηση των προδιαγραφών του οχήματος (π.χ. μάρκα, μοντέλο, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών) από βάσεις δεδομένων καταχώρησης. Μια άλλη συσκευή μετρά την ταχύτητα και τον ρυθμό επιτάχυνσης του οχήματος, η οποία παρέχει πληροφορίες σχετικά με το φορτίο του κινητήρα του οχήματος τη στιγμή της μέτρησης των εκπομπών. Τέλος, οι αισθητήρες μετρούν τις συνθήκες περιβάλλοντος, όπως η θερμοκρασία, η πίεση και η σχετική υγρασία.

Ένα πλήρες αρχείο τηλεπισκόπησης για ένα μεμονωμένο όχημα περιέχει τις ακόλουθες πληροφορίες:

 τη μέτρηση συγκέντρωσης κάθε είδους εκπομπών σε σχέση με το CO2 συγκριτικά με τη συγκέντρωση τους στον αέρα του περιβάλλοντος

 τη ταχύτητα και το ρυθμό επιτάχυνσης του οχήματος

 τις συνθήκες μέτρησης: χαρακτηριστικά δρόμου, θερμοκρασία και πίεση περιβάλλοντος και σχετική υγρασία

 τις προδιαγραφές του οχήματος, συμπεριλαμβανομένης της μάρκας, του μοντέλου, της κατηγορίας, έτος μοντέλου, τύπος και μέγεθος αμαξώματος, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών, τιμή CO₂ έγκρισης τύπου και μάζα άδειας οχήματος

Οι ερευνητές επισημαίνουν μέσω του άρθρου πως υπάρχουν δύο κύριοι προμηθευτές εξοπλισμού τηλεπισκόπησης και υπηρεσιών δοκιμών στις Ηνωμένες Πολιτείες και την Ευρωπαϊκή Ένωση: η Hager Environmental and Atmospheric Technologies (HEAT) και η Opus Inspection. Κάθε μία από αυτές τις εταιρείες έχει αναπτύξει συστήματα τηλεπισκόπησης που ακολουθούν τις γενικές αρχές που περιγράφονται παραπάνω. Ωστόσο, υπάρχουν σημαντικές διαφορές στις προσεγγίσεις μέτρησης που εφαρμόζουν οι δύο εταιρείες. Η πιο εύκολα εμφανής διαφορά μεταξύ των δύο, που απεικονίζεται στο Σχήμα 1, είναι η τοποθέτηση της φωτεινής πηγής και των μονάδων ανιχνευτή σε σχέση με το οδόστρωμα. Το όργανο Opus, το RSD5000, εφαρμόζει μια γεωμετρία κατά μήκος του δρόμου, όπου το όργανο τοποθετείται στο πλάι του δρόμου και η φωτεινή δέσμη διασχίζει οριζόντια το λοφίο της εξάτμισης. Αντίθετα, το όργανο τηλεπισκόπησης HEAT EDAR είναι τοποθετημένο πάνω από ένα οδόστρωμα με τη φωτεινή δέσμη να περνά κατακόρυφα μέσα από τα στόμια εξάτμισης των οχημάτων δοκιμής. Από πρακτική άποψη, η γεωμετρία από πάνω προς τα κάτω του οργάνου EDAR διευκολύνει τη διενέργεια μετρήσεων σε τοποθεσίες με πολλές λωρίδες και καθιστά τη μέτρηση λιγότερο ευαίσθητη στο ύψος και τον προσανατολισμό της εξάτμισης του οχήματος δοκιμής. Από την άλλη πλευρά, η τοποθέτηση στο δρόμο και η εύκολη μεταφορά του RSD5000 υποστηρίζουν σχετικά γρήγορη εγκατάσταση και αυξάνουν την ευελιξία ανάπτυξης του οργάνου. Το όργανο HEAT EDAR διακρίνεται περαιτέρω από το Opus RSD5000 στη χρήση λέιζερ ως πηγή φωτός. Το λέιζερ σαρώνεται σε όλο το πλάτος του οδοστρώματος, επιτρέποντας τη μέτρηση ολόκληρου του νέφους εξάτμισης του οχήματος.

[[Εικόνα:athanasia5.1.png| thumb| center|'''Eικόνα 1:'''Σχηματική ρύθμιση των τριών μονάδων της συσκευής τηλεπισκόπησης. Κορυφή, ρύθμιση για διασταύρωση
Τηλεπισκόπηση: η πηγή φωτός με τον ανακλαστικό καθρέφτη στην άλλη πλευρά του δρόμου και το φως
ανιχνευτής; τους ανιχνευτές ταχύτητας και επιτάχυνσης· και το καταγραφικό πινακίδων. Κάτω, ρύθμιση για
σύστημα τηλεπισκόπησης από πάνω προς τα κάτω (EDAR)...]]

'''ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''

Σε σύγκριση με μια δοκιμή PEMS, μια μεμονωμένη εγγραφή τηλεπισκόπησης παρέχει περιορισμένο αριθμό δεδομένων σχετικά με τις επιδόσεις εκπομπών ενός οχήματος. Το δείγμα τηλεπισκόπησης διαρκεί λιγότερο από 1 δευτερόλεπτο και οι μετρούμενες εκπομπές είναι αντιπροσωπευτικές μιας μεμονωμένης κατάστασης οδήγησης, όπως ορίζεται από την ταχύτητα και την επιτάχυνση του οχήματος και τον βαθμό δρόμου. Η δοκιμή τηλεπισκόπησης είναι συγκρίσιμη με δεδομένα αξίας ενός δευτερολέπτου από μια δοκιμή PEMS, η οποία μπορεί να διαρκέσει έως και αρκετές ώρες. Το μικρό μήκος δοκιμής θα πρέπει να θεωρείται ως χαρακτηριστικό της μεθόδου τηλεπισκόπησης και όχι ως περιορισμός. Η προσέγγιση επιτρέπει τη μέτρηση των πραγματικών εκπομπών από έναν πολύ μεγάλο αριθμό οχημάτων σε σύντομο χρονικό διάστημα και με οικονομικά αποδοτικό τρόπο. Ένα μόνο όργανο τηλεπισκόπησης μπορεί να μετρήσει τις εκπομπές χιλιάδων οχημάτων κάθε μέρα. Ενώ κάθε μεμονωμένη μέτρηση είναι μόνο ένα στιγμιότυπο των εκπομπών από ένα μόνο όχημα, το συνολικό δείγμα μπορεί να παρέχει λεπτομερείς πληροφορίες για τις εκπομπές όχι μόνο από τον μετρούμενο στόλο αλλά και από συγκεκριμένες υποομάδες εντός αυτού. Εάν οι μετρήσεις τηλεπισκόπησης πραγματοποιούνται σε πολλές τοποθεσίες σε μια αστική περιοχή ή ακόμα και σε τοποθεσίες σε διαφορετικές γεωγραφικές περιοχές με παρόμοιους στόλους οχημάτων, το συνδυασμένο σύνολο δεδομένων μπορεί να προσφέρει μια πλούσια προοπτική για τις πραγματικές επιδόσεις εκπομπών σε μια σειρά συνθηκών οδήγησης και περιβάλλοντος . Το αποτέλεσμα μιας μέτρησης τηλεπισκόπησης είναι η συγκέντρωση ενός δεδομένου ρύπου στο στόμιο εξάτμισης του υπό δοκιμή οχήματος σε σχέση με το CO, συγκέντρωση στα καυσαέρια. Αυτή η τιμή τυπικά μετατρέπεται σε ειδικό συντελεστή εκπομπής καυσίμου, ο οποίος είναι ένα μέτρο της μάζας του ρύπου που εκπέμπεται από το όχημα ανά μάζα καυσίμου που καίγεται (γραμμάρια ανά κιλό καυσίμου, g/kg). Αναπτύχθηκαν μέθοδοι για την περαιτέρω μετατροπή των ειδικών για το καύσιμο συντελεστών εκπομπών σε ρυθμούς εκπομπών ειδικών για την απόσταση (γραμμάρια ανά χιλιόμετρο, g/km) προκειμένου να γίνει σύγκριση με τα ρυθμιστικά όρια και τα μοντέλα συντελεστών εκπομπών. Μέχρι στιγμής, αυτές οι μέθοδοι έχουν εφαρμοστεί μόνο σε συγκεντρωτικά δείγματα εγγραφών τηλεπισκόπησης για συγκεκριμένες ομάδες οχημάτων, όχι σε μεμονωμένα δείγματα οχημάτων. Οι περισσότερες αναλύσεις δεδομένων τηλεπισκόπησης συγκεντρώνουν μεμονωμένα αρχεία εκπομπών οχημάτων για την αξιολόγηση των εκπομπών για συγκεκριμένες ομάδες οχημάτων. Αυτές οι ομαδοποιήσεις μπορούν, για παράδειγμα, να είναι ανά τύπο οχήματος, τύπο καυσίμου, πιστοποιημένο πρότυπο εκπομπών και/ή έτος μοντέλου, κατασκευαστή και μοντέλο ή οικογένεια οχημάτων. Εάν υπάρχουν επαρκή δεδομένα, μπορεί να πραγματοποιηθεί περαιτέρω ανάλυση του τρόπου με τον οποίο οι εκπομπές για κάθε υποομάδα ποικίλλουν ανάλογα με το φορτίο του κινητήρα ή τη θερμοκρασία περιβάλλοντος. Γενικά, όσο πιο λεπτός είναι ο βαθμός ευκρίνειας της ανάλυσης, τόσο περισσότερα δεδομένα τηλεπισκόπησης απαιτούνται για την παροχή στατιστικά ισχυρών αποτελεσμάτων.

'''ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''

Επειδή η τηλεπισκόπηση επιτρέπει στους ερευνητές να συλλέγουν οικονομικά δεδομένα εκπομπών από μια σειρά οχημάτων, μπορεί να συμβάλει σε διάφορα προγράμματα, πολιτικές και αποφάσεις που σχετίζονται με την ποιότητα του αέρα.

 Προσδιορισμός μεμονωμένων υψηλών ή χαμηλών εκπομπών

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον εντοπισμό οχημάτων που κατά πάσα πιθανότητα έχουν είτε ελαττωματικό σύστημα ελέγχου εκπομπών είτε κάποιο που έχει παραβιαστεί. Ομοίως, η τηλεπισκόπηση μπορεί να αναγνωρίσει οχήματα στα οποία, κατά πάσα πιθανότητα, το σύστημα ελέγχου εκπομπών λειτουργεί σωστά και πλήρως. Αυτή η δυνατότητα θα μπορούσε να χρησιμοποιηθεί για διάφορους σκοπούς, όπως η υποστήριξη και η βελτίωση της ακρίβειας και κάλυψης υφιστάμενων προγραμμάτων περιοδικής τεχνικής επιθεώρησης (PTI), η υποστήριξη προγραμμάτων οδικής επιθεώρησης ή η υποστήριξη ενός "προγράμματος καθαρής οθόνης που επιτρέπει στους οδηγούς να παρακάμπτουν τις περιοδικές εκπομπές καυσαερίων δοκιμής πιστοποίησης με την επαλήθευση ότι οι εκπομπές του οχήματός τους βρίσκονται εντός ενός ορίου.

 Βελτίωση των μοντέλων εκπομπών ρύπων και ποιότητας αέρα

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τη δημιουργία πραγματικών παραγόντων εκπομπών σε πολλά επίπεδα ευαισθησίας ανάλογα με τη διαθεσιμότητα δεδομένων. Παράγοντες εκπομπών μπορεί να είναι οι εξής: ο τύπος οχήματος (π.χ. ελαφρύ ή βαρέως τύπου), ο τύπος καυσίμου (π.χ. βενζίνη ή ντίζελ), πρότυπο εκπομπών (π.χ. Euro 5 ή Euro 6), ο κατασκευαστής (π.χ. Volkswagen ή Renault), η οικογένεια οχημάτων (όλα τα οχήματα με τον ίδιο κινητήρα) ή μοντέλο οχήματος. Οι πραγματικοί παράγοντες εκπομπών θα μπορούσαν να χρησιμοποιηθούν ως στοιχεία εισόδου σε διάφορα μοντέλα εκπομπών, εργαλεία πρόβλεψης ποιότητας αέρα ή μοντέλα κυκλοφορίας και θα επέτρεπαν σημαντική βελτίωση στην ακρίβεια των εκροών τέτοιων μοντέλων.

 Καθοδήγηση νέων πολιτικών

Τοπικές, περιφερειακές, εθνικές και σε επίπεδο Ευρωπαϊκής Ένωσης αρχές εργάζονται για την ανάπτυξη ή τη βελτίωση πολιτικών που θα μπορούσαν να επεξεργάζονται καλύτερα τα δεδομένα που λαμβάνονται από την τηλεπισκόπηση. Για παράδειγμα, οι πόλεις που εξετάζουν την εφαρμογή ζώνης χαμηλών εκπομπών ή απαγόρευσης οχημάτων θα μπορούσαν να χρησιμοποιήσουν τα δεδομένα για να προβλέψουν την αποτελεσματικότητα διαφορετικών επαναλήψεων πολιτικής. Ομοίως, οι κυβερνήσεις που εξετάζουν ένα πρόγραμμα απόσυρσης και αντικατάστασης οχημάτων θα μπορούσαν να προσδιορίσουν τους στόχους οχημάτων με τις υψηλότερες εκπομπές, για μέγιστο αντίκτυπο. Οι υπεύθυνοι χάραξης πολιτικής που αναπτύσσουν κανονισμούς εκπομπών για νέα οχήματα μπορούν να χρησιμοποιήσουν δεδομένα πραγματικού κόσμου για να εντοπίσουν περιορισμούς ή ελαττώματα σε υφιστάμενους κανονισμούς.

 Παρακολούθηση της αποτελεσματικότητας της πολιτικής.

Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι πολιτικές παράγουν τα επιδιωκόμενα αποτελέσματά τους, π.χ. εάν το σχέδιο χρέωσης συμφόρησης/τοξικότητας μιας πόλης έχει οδηγήσει σε μετρήσιμη μείωση της ρύπανσης.

 Παρακολούθηση της αποτελεσματικότητας των τεχνολογιών που προωθούνται

Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι τεχνολογίες προάγουν και επιτυγχάνουν τα επιδιωκόμενα αποτελέσματα τους, δηλαδή επιδιώκεται ο έλεγχος της αποτελεσματικότητας των τεχνολογιών στον πραγματικό κόσμο και του τρόπου με τον οποίο αυτές αλλάζει με το χρόνο.

 Αποτελεσματικό έλεγχο ολόκληρου του στόλου

Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί από δημόσιους ή ιδιωτικούς ιδιοκτήτες στόλου να παρακολουθούν την «υγεία» του στόλου τους. Ένας ιδιοκτήτης στόλου θα μπορούσε, για παράδειγμα, να δημιουργήσει ένα σύστημα απομακρυσμένης ανίχνευσης για δειγματοληψία της εξάτμισης του οχήματος για πολλές ημέρες, εβδομάδες ή μήνες και να χρησιμοποιήσει τα δεδομένα για τον εντοπισμό υψηλών εκπομπών που πρέπει να επισκευαστούν ή να αντικατασταθούν.

 Κατανόηση του αντίκτυπου συγκεκριμένων συνθηκών οδήγησης

Συνθήκες οδήγησης όπως : το είδος του οχήματος, η ταχύτητα, η θερμοκρασία περιβάλλοντος, το υψόμετρο και ο βαθμός του δρόμου επηρεάζουν τις πραγματικές εκπομπές ρύπων. Μερικές πόλεις ή περιοχές μπορεί να έχουν συγκεκριμένες συνθήκες οδήγησης—για παράδειγμα, πιο απότομες κατηγορίες, πιο ακραίες θερμοκρασίες ή υψηλότερο υψόμετρο—που προκαλούν το προφίλ εκπομπών εκεί να διαφέρει από τον μέσο όρο. Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον προσδιορισμό κάθε είδους οδήγησης και να το συνδυάσει με τις εκπομπές των αερίων ρύπων.

 Σύνδεση με τις αποφάσεις της αγοράς

Η τηλεπισκόπηση παρέχει βασικές πληροφορίες για κάθε είδος οχήματος και για κάθε μοντέλο οχήματος. Οι πληροφορίες σχετικά με τις πραγματικές εκπομπές μιας συγκεκριμένης μάρκας και μοντέλου οχήματος μπορούν να επηρεάσουν τις αποφάσεις αγοράς τόσο μικρών (σε επίπεδο μεμονωμένου καταναλωτή) όσο και μεγάλων (π.χ. στόλοι δημοτικών λεωφορείων).

[[Εικόνα:athanasia5.2.png| thumb| center|'''Eικόνα 2:'''Εννοιολογικό διάγραμμα που δείχνει πιθανές εφαρμογές τηλεπισκόπησης οχημάτων σε ένα
βελτιωμένο πρόγραμμα ελέγχου εκπομπών οχημάτων...]]
[[category:Αμμοδοχείο]]

USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL

2023-12-20T17:13:55Z

Athanasia Konstantina: Νέα σελίδα με ''''USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL''' '''Πηγή:https://theicct.org/sites/default/files/publications/ICCT_remote-sensing_b...'

Αρχείο:Athanasia5.1.png

2023-12-20T17:13:44Z

Athanasia Konstantina:

APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING

2023-12-20T17:02:48Z

Athanasia Konstantina:

'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''

'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''

'''Συγγραφείς: Yongcheng Liu'''

'''Εισαγωγή'''

Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος.

'''Τι ορίζεται ως έξυπνη πόλη?'''

Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της <<έξυπνης>> με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια <<έξυπνη πόλη – smart city>> ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:
 Έξυπνη και αποδοτικότερη οικονομία
 Έξυπνη και βιώσιμη αστική κινητικότητα
 Έξυπνο και υπό προστασία περιβάλλον
 Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες
 Έξυπνη και ποιοτικότερη διαβίωση
 Έξυπνη διακυβέρνηση

[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]

'''Εφαρμογές τηλεπισκόπησης'''

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης'''

Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000 θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπhσης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''

Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια. Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''

Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.

''' Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''

Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων'''
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών'''

Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS.
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''

Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.

[[category:Αμμοδοχείο]]

APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING

2023-12-20T17:01:23Z

Athanasia Konstantina:

'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''

'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''

'''Συγγραφείς: Yongcheng Liu'''

'''Εισαγωγή'''

Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος.

'''Τι ορίζεται ως έξυπνη πόλη?'''

Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της <<έξυπνης>> με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια <<έξυπνη πόλη – smart city>> ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:
 Έξυπνη και αποδοτικότερη οικονομία
 Έξυπνη και βιώσιμη αστική κινητικότητα
 Έξυπνο και υπό προστασία περιβάλλον
 Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες
 Έξυπνη και ποιοτικότερη διαβίωση
 Έξυπνη διακυβέρνηση

[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]

'''Εφαρμογές τηλεπισκόπησης'''

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης'''

Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000 θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπhσης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''

Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια. Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''

Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.

''' Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''

Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων'''
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών'''

Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS.
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''

Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.

[[category:Αμμοδοχείο]]

APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING

2023-12-20T16:59:00Z

Athanasia Konstantina:

'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''

'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''

'''Συγγραφείς: Yongcheng Liu'''

'''Εισαγωγή'''

Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος.

'''Τι ορίζεται ως έξυπνη πόλη?'''

Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της <<έξυπνης>> με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια <<έξυπνη πόλη – smart city>> ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:
 Έξυπνη και αποδοτικότερη οικονομία
 Έξυπνη και βιώσιμη αστική κινητικότητα
 Έξυπνο και υπό προστασία περιβάλλον
 Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες
 Έξυπνη και ποιοτικότερη διαβίωση
 Έξυπνη διακυβέρνηση

[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]

'''Εφαρμογές τηλεπισκόπησης'''

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης'''

Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000 θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπhσης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''

Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια. Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''

Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.

''' Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''

Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών
Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS.
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''

Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.

[[category:Αμμοδοχείο]]

APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING

2023-12-20T16:57:09Z

Athanasia Konstantina:

'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''

'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''

'''Συγγραφείς: Yongcheng Liu'''

'''Εισαγωγή'''

Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος.

'''Τι ορίζεται ως έξυπνη πόλη?'''

Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της <<έξυπνης>> με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια <<έξυπνη πόλη – smart city>> ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:
 Έξυπνη και αποδοτικότερη οικονομία
 Έξυπνη και βιώσιμη αστική κινητικότητα
 Έξυπνο και υπό προστασία περιβάλλον
 Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες
 Έξυπνη και ποιοτικότερη διαβίωση
 Έξυπνη διακυβέρνηση

[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]

'''Εφαρμογές τηλεπισκόπησης'''

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης'''

Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000 θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπhσης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''
Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια. Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''

Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.

''' Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''

Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών
Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS.
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''

Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia4.1.png

2023-12-20T16:53:20Z

Athanasia Konstantina:

APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING

2023-12-20T16:52:52Z

Athanasia Konstantina: Νέα σελίδα με ''''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING''' '''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remo...'

'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''

'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''

'''Συγγραφείς: Yongcheng Liu'''

'''Εισαγωγή'''

Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος.

'''Τι ορίζεται ως έξυπνη πόλη?'''

Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της <<έξυπνης>> με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια <<έξυπνη πόλη – smart city>> ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:
 Έξυπνη και αποδοτικότερη οικονομία
 Έξυπνη και βιώσιμη αστική κινητικότητα
 Έξυπνο και υπό προστασία περιβάλλον
 Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες
 Έξυπνη και ποιοτικότερη διαβίωση
 Έξυπνη διακυβέρνηση
 Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης

[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]

'''Εφαρμογές τηλεπισκόπησης'''

Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000 θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπισης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''
Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια. Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων.

''' Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''

Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.

''' Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''

Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας.
Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών
Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS.
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.

'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''

Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.

'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:40:18Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

[[Εικόνα:athanasia3.2.png| thumb| center|'''Eικόνα 2:'''Οι ουρές οχημάτων μετά τη μείωση του γραφήματος Delaunay.Οι ουρές με κινούμενα οχήματα επισημαίνονται με πράσινο χρώμα, ενώ οι ουρές με σταματημένα ή σταθμευμένα οχήματα σημειώνονται με κόκκινο χρώμα..]]

[[Εικόνα:athanasia3.3.png| thumb| center|'''Eικόνα 3:'''Yπερυψωμένες διασταυρώσεις μεταξύ δρόμων..]]

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
[[Εικόνα:athanasia3.4.png| thumb| center|'''Eικόνα 4:'''Επιλεγμένα οχήματα κοντά σε φανάρια και σε περιοχές διασταυρώσεων..]]

'''Ταξινόμηση οχημάτων με βάση τη ασαφή λογική'''

Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο

'''Σύνολο δεδομένων'''

Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

[[Εικόνα:athanasia3.5.png| thumb| center|'''Eικόνα 5:'''α) Αποτελέσματα για το διαχωρισμό των ουρών στάθμευσης και της κυκλοφορίας που προκαλούνται από σταματημένες ουρές, (β) Αποτελέσματα ταξινόμησης οχημάτων στάθμευσης και κυκλοφορίας που προκαλούνται από σταματημένα οχήματα
..]]

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia3.5.png

2023-12-20T16:40:11Z

Athanasia Konstantina:

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:36:45Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

[[Εικόνα:athanasia3.2.png| thumb| center|'''Eικόνα 2:'''Οι ουρές οχημάτων μετά τη μείωση του γραφήματος Delaunay.Οι ουρές με κινούμενα οχήματα επισημαίνονται με πράσινο χρώμα, ενώ οι ουρές με σταματημένα ή σταθμευμένα οχήματα σημειώνονται με κόκκινο χρώμα..]]

[[Εικόνα:athanasia3.3.png| thumb| center|'''Eικόνα 3:'''Yπερυψωμένες διασταυρώσεις μεταξύ δρόμων..]]

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
[[Εικόνα:athanasia3.4.png| thumb| center|'''Eικόνα 4:'''Επιλεγμένα οχήματα κοντά σε φανάρια και σε περιοχές διασταυρώσεων..]]

'''Ταξινόμηση οχημάτων με βάση τη ασαφή λογική'''

Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia3.4.png

2023-12-20T16:36:37Z

Athanasia Konstantina:

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:23:27Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

[[Εικόνα:athanasia3.2.png| thumb| center|'''Eικόνα 2:'''Οι ουρές οχημάτων μετά τη μείωση του γραφήματος Delaunay.Οι ουρές με κινούμενα οχήματα επισημαίνονται με πράσινο χρώμα, ενώ οι ουρές με σταματημένα ή σταθμευμένα οχήματα σημειώνονται με κόκκινο χρώμα..]]

[[Εικόνα:athanasia3.3.png| thumb| center|'''Eικόνα 3:'''Yπερυψωμένες διασταυρώσεις μεταξύ δρόμων..]]

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia3.3.png

2023-12-20T16:23:04Z

Athanasia Konstantina:

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:20:22Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

[[Εικόνα:athanasia3.2.png| thumb| center|'''Eικόνα 2:'''Οι ουρές οχημάτων μετά τη μείωση του γραφήματος Delaunay.Οι ουρές με κινούμενα οχήματα επισημαίνονται με πράσινο χρώμα, ενώ οι ουρές με σταματημένα ή σταθμευμένα οχήματα σημειώνονται με κόκκινο χρώμα..]]

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia3.2.png

2023-12-20T16:20:12Z

Athanasia Konstantina:

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:16:54Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:13:52Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.
[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:11:30Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.
[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia3.1.jpg

2023-12-20T16:11:21Z

Athanasia Konstantina:

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:05:09Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:04:36Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''

'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''

'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
'''Σύνολο δεδομένων'''
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:03:38Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''
'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''
'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
Σύνολο δεδομένων
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:02:12Z

Athanasia Konstantina:

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''
'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''
'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα ακριακής εικόνας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
Σύνολο δεδομένων
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

''' Αποτελέσματα'''
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπισης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES

2023-12-20T16:00:39Z

Athanasia Konstantina: Νέα σελίδα με ''''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES''' '''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHIC...'

'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''
'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''
'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''

'''ΕΙΣΑΓΩΓΗ'''

Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα είναι ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροεικόνων. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.

'''ΜΕΘΟΔΟΛΟΓΙΑ'''

Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει.

[['''Πως γίνεται η διάκριση οχημάτων σε ουρές?''']]
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης.

[['''Οχήματα κοντά σε διασταυρώσεις και φανάρια''']]
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.
Ταξινόμηση οχημάτων με βάση τη ασαφή λογική
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:
• ταχύτητα οδήγησης
• απόσταση από διασταύρωση δρόμου/φανάρι
• κατηγορία δρόμου
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα.
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με "Και".
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα "Parking high" και "Parking low" έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ. Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει "εμπλέκεται στην κυκλοφορία" και ο όρος υψηλός "στάθμευση".
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.

'''ΠΕΙΡΑΜΑΤΑ'''

Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα ακριακής εικόνας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο
Σύνολο δεδομένων
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα.
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους.

'[['' Αποτελέσματα''']]
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα που σταθμεύουν .

'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε "moving", "stop" και "parking" εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπισης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T14:02:27Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]
[[Εικόνα:athanasia2.4.png| thumb| center|'''Eικόνα 5:'''Επιδόσεις στη βάση δεδομένων VEDAI και ISPRS...]]

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.
[[Εικόνα:athanasia2.5.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων VEDAI....]]

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα.
[[Εικόνα:athanasia2.6.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων ISPRS....]]

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.6.png

2023-12-20T14:02:18Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T14:00:59Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]
[[Εικόνα:athanasia2.4.png| thumb| center|'''Eικόνα 5:'''Επιδόσεις στη βάση δεδομένων VEDAI και ISPRS...]]

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.
[[Εικόνα:athanasia2.5.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων VEDAI....]]

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.5.png

2023-12-20T14:00:49Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:58:40Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]
[[Εικόνα:athanasia2.4.png| thumb| center|'''Eικόνα 5:'''Επιδόσεις στη βάση δεδομένων VEDAI και ISPRS...]]

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.4.png

2023-12-20T13:58:29Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:56:00Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.7.png

2023-12-20T13:55:38Z

Athanasia Konstantina: ανέβασμα νέας έκδοσης του "Αρχείο:Athanasia2.7.png"

Αρχείο:Athanasia2.7.png

2023-12-20T13:41:55Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:37:05Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:35:46Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.jpg| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:33:42Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Αρχείο:athanasia2.3.jpg| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων. (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:31:16Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
[[Εικόνα:athanasia2.3.jpg| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων. (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.3.png

2023-12-20T13:31:05Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:25:21Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.2.jpg

2023-12-20T13:24:59Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:22:17Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:16:40Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).
Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

Αρχείο:Athanasia2.1.jpg

2023-12-20T13:16:26Z

Athanasia Konstantina:

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:07:44Z

Athanasia Konstantina:

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''

Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).
Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.

-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY

2023-12-20T13:05:20Z

Athanasia Konstantina: Νέα σελίδα με ''''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY''' '''Πηγή:https://www.researchgate.net/publication/374278863_Imp...'

'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''
'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi and Alaa O. Khadidos

'''ΕΙΣΑΓΩΓΗ'''
Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.

'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ'''

Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :
 Η βελτιωμένη ανίχνευση οχήματος RefineDet
 Η ταξινόμηση βάση CAE
 Ο συντονισμός υπερπαραμέτρων βάση το QDMO

'''Ανίχνευση οχήματος'''

Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).
Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.

'''Ταξινόμηση οχημάτων'''

Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου.

'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ'''

Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI και τη βάση δεδομένων ISPRS Potsdam.
 Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων.
 Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης.
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω.

Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.

 '''VEDAI'''

Τα παραπάνω σχήματα παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα.

 '''ISPRS'''

Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα

Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα

'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ'''

Σε αυτή τη μελέτη, οι ερευνητές εστίασαν στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή.

[[category:Αμμοδοχείο]]

DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY

2023-12-20T11:43:09Z

Athanasia Konstantina:

'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων
'''Πηγή''':'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''

'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz

'''1.ΕΙΣΑΓΩΓΗ'''

Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο <<DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY>> επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους.

'''2.ΜΕΘΟΔΟΣ'''

Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται.
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.)

'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ'''

1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού.
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης.
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου.

'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ'''

Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής:
 Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις )
 Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων
 Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )

2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ

Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής :
'''S=B*g(V)+L'''
Όπου:
'''S-> απόσταση οχήματος από το προηγούμενο και το επόμενο του
'''g(V)-> η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m'''
'''L-> μήκος οχήματος σε m'''
Β-> αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )'''
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής: D=1km/S
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα.

'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ'''

Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται.

[[Εικόνα:athanasia.1.1.jpg| center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]

Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8 παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h.
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ).
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.

'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ'''

Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών.

[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]
[[category:Αμμοδοχείο]]