تشخیص وضعیت لغزندگی جاده با استفاده از تصاویر دوربین‌های جاده‌ایی مبتنی بر شبکه‌های عصبی پیچشی و یادگیری انتقالی

تشخیص وضعیت لغزندگی سطح جاده امری مهم در راستای افزایش امنیت جاده و سرنشینان و همچنین توسعه خودروهای خودران و فناوری‌های مرتبط با آن است. در این راستا پژوهش‌های مختلفی با روش‌ها و حسگرهای متفاوت، با استفاده از داده‌های گوناگونی نظیر تصویر، صوت و فرکانس موج صورت گرفته‌است. این مقاله بدون استفاده از حسگرها و روش‌های پرهزینه تنها با استفاده از تصاویر دوربین‌های مداربسته موجود در جاده‌ها و بهره‌گیری از شبکه‌های عصبی پیچشی انجام شده است. ایده اصلی پژوهش جاری استفاده از رویکرد یادگیری انتقالی است. بنابراین در ابتدا اهمیت و مزایای استفاده از یادگیری انتقالی، در قالب آموزش شبکه‌ای با ساختار inceptionnetv3 بیان شده است. در مرحله بعد با استفاده از چارچوبی جدید به نام gfnet، شبکه عصبی پیچشی resnet50 و شبکه عصبی بازگشتی با یکدیگر ترکیب و با استفاده از یادگیری انتقالی آموزش داده شده‌اند. درنهایت شبکه‌ای با توانایی تشخیص سطح جاده، در سه دسته خشک، خیس و برفی با دقتی بالغ ‌بر 96% به‌دست آمده است.

detection of slippery road conditions using the road cctv images based on the convolutional neural networks and transfer learning

the detection of slippery road conditions is one of the main factors needed in order to increase the road and passenger safety, as well as the development of autonomous vehicles and related technologies. in this regard, various researches have been done with different methods and sensors, using data in the different forms of image, sound and wave frequencies. in this article, we have detected the slippery road condition without the use of expensive sensors and methods by using cctv images of the roads and based on convolutional neural networks. the main idea of this research is the use of transfer learning approach. therefore, first, the importance and benefits of using transfer learning are presented in the form of network training with inceptionnetv3 architecture. in the next step, a resnet50 cnn and a recurrent neural network are combined using a new framework called gfnet and are trained by using transfer learning. finally, a tool with the ability to detect the road surface, in three classes of dry, wet and snow, has been obtained with an accuracy of 96.33%.