مدیریت هوشمند ترافیک با به‌کارگیری تکنیک‌های بینایی ماشین در شهرهای هوشمند

فناوری‌های شهر هوشمند عنصر مهمی برای مدیریت موثر صنعتی شدن سریع جهان امروزی هستند، زیرا می‌توانند به رفع مشکلات اقتصادی و زیست‌محیطی ناشی از افزایش جمعیت شهری کمک کنند. شهرهای هوشمند زیرساخت‌های سنتی و خدمات عمومی را با فناوری ادغام می‌کنند تا سیستمی کارآمدتر، پایدارتر و قابل دسترس‌تر ایجاد کنند و ضمن اینکه نیازهای ساکنان شهر را برآورده می‌کنند، درک سنتی مدیریت شهر را نیز متحول می‌کنند. سیستم‌های حمل‌و‌نقل هوشمند، که از اجزای کلیدی شهرهای هوشمند به‌شمار می‌آیند، برای بهبود ایمنی سیستم حمل‌و‌نقل، کاهش اثرات زیست‌محیطی، ترویج توسعه حمل‌و‌نقل پایدار و افزایش بهره‌وری، توسعه یافته‌اند. این سیستم‌ها راه‌حل‌های مدرنی را برای مشکلات مربوط به حمل‌ونقل، از جمله ترافیک و تصادفات ارائه می‌دهند و با استفاده از داده‌های جمع‌آوری شده از زیرساخت‌ها، شبکه‌ها و وسایل نقلیه، به کارآمدی سیستم حمل‌و‌نقل و تضمین ایمنی شهروندان کمک می‌کنند. سیستم حمل‌و‌نقل هوشمند به‌عنوان سیستم یکپارچه مدیریت حمل‌ونقل، متشکل از ارتباطات پیشرفته، پردازش اطلاعات و فناوری‌های مدیریت ترافیک، می‌تواند داده‌های بلادرنگ جمع‌آوری شده از منابع ناهمگن را بلافاصله پردازش کرده و آن‌ها را برای تسهیل تصمیم‌گیری موثر تجزیه و تحلیل کند. بینایی ماشین یکی از برجسته‌ترین زیرشاخه‌های کاربردی هوش مصنوعی است که سیستم‌ها را قادر می‌سازد تا اطلاعات معنا‌داری را از تصاویر دیجیتال و سایر ورودی‌های بصری استخراج کنند و همچنین بر اساس این اطلاعات تصمیم‌گیری و عمل کنند. بینایی ماشین، که بر پایه یادگیری ماشین از شبکه‌های عصبی عمیق استفاده می‌کند، راه‌حل‌هایی را ارائه می‌کند که می‌توانند در فرایند خودکارسازی سیستم‌های حمل‌و‌نقل و افزایش سطح ایمنی آن، به‌کار گرفته شوند. قابل تصور است که معماری‌های وسایل نقلیه خودران و مدیریت هوشمند ترافیک در شهرهای هوشمند تسلط خواهند یافت و سیستم‌های حمل‌ونقل را متحول خواهند کرد و در این راستا توسعه تکنیک‌های بینایی ماشین نقش مهمی ایفا خواهند کرد. در این مقاله میزان اثربخشی روش‌های یادگیری عمیق مبتنی بر بینایی ماشین در کاربردهای مدیریت ترافیک شامل تشخیص و شناسایی خودکار پلاک خودرو، تشخیص و شناسایی علائم ترافیکی، تشخیص و طبقه‌بندی خودرو، تشخیص عابر پیاده و تشخیص خطوط جاده مورد بررسی قرارگرفته است و لذا با جمع‌آوری تحقیقات از منابع مختلف و بررسی معماری‌های موثر شبکه‌های عصبی عمیق همراه با تعیین معیارهای ارزیابی عملکرد هر یک، نشان داده شده است که چگونه به‌کارگیری تکنیک‌های بینایی ماشین در مدیریت ترافیک، می‌تواند در هوشمندتر شدن سیستم‌های حمل‌ونقل در شهرهای هوشمند تاثیر به‌سزایی داشته باشد.

intelligent traffic management using machine vision techniques in smart cities

smart city technologies are an important element to effectively manage the rapid industrialization of today’s world, as they can help solve the economic and environmental problems caused by the increase in urban population. smart cities integrate traditional infrastructure and public services with technology to create a more efficient, sustainable and accessible system, while meeting the needs of city residents and transforming the traditional understanding of city management. intelligent transportation systems, which are key components of smart cities, have been developed to improve transportation system safety, reduce environmental impacts, promote sustainable transportation development, and increase productivity. these systems provide modern solutions to transportation-related problems, including traffic and accidents, and use data collected from infrastructure, networks, and vehicles to help improve the efficiency of the transportation system and ensure the safety of citizens. intelligent transportation system as an integrated transportation management system, consisting of advanced communication, information processing and traffic management technologies, can immediately process real-time data collected from heterogeneous sources and analyze them to facilitate effective decision-making. machine vision is one of the most prominent applied subfields of artificial intelligence, which enables systems to extract meaningful information from digital images and other visual inputs, as well as make decisions and act based on this information. machine vision, which uses deep neural networks based on machine learning, provides solutions that can be used in the process of automating transportation systems and increasing its safety level. it is conceivable that autonomous vehicle architectures and intelligent traffic management will dominate smart cities and transform transportation systems, and in this regard, the development of machine vision techniques will play an important role. in this article, the effectiveness of deep learning methods based on machine vision in traffic management applications, including automatic recognition and recognition of license plates, recognition and identification of traffic signs, recognition and classification of cars, recognition of pedestrians and recognition of road lines, has been investigated. research from different sources and the investigation of the effective architectures of deep neural networks along with the determination of performance evaluation criteria for each one, it has been shown how the use of machine vision techniques in traffic management can have a significant impact on making transportation systems smarter in smart cities.