معرفی سامانه ی هوشمند تشخیص علائم راهنمایی و رانندگی به کمک یادگیری عمیق برای کاهش تصادفات جاده ای

سامانه ی هوشمند تشخیص و شناسایی علایم راهنمایی و رانندگی با دریافت تصاویر از دوربین نصب شده بر روی خودرو، علایم ترافیکی موجود در مسیر خود را تشخیص داده و به راننده هشدار می‌دهد. این سامانه ها می توانند در خودروهای خودران و هوشمند نیز استفاده شوند و معمولاً دو بخش اصلی دارند: تشخیص علامت از سایر قسمت‌های تصویر و دیگری تشخیص و شناسایی نوع علائم ترافیکی. در این مقاله با استفاده از قدرت شبکه های کانولوشنی به شناسایی علائم ترافیکی پرداخته شده است. در واقع طراحی سامانه ی شناسایی علائم راهنمایی و رانندگی با مشکلات زیادی همراه است. ممکن است تصاویر گرفته شده به دلایل مختلف دارای نویز می باشند. شدت و ضعف نور محیط رنگ تصاویر را تغییر می دهند. یا ممکن است علائم کاملا مشابه استاندارد تعریف شده نباشند و از همه مهم تر اغلب کارهای انجام شده بر روی علائم ترافیکی کشورهای خارجی انجام گرفته است. در این مقاله جهت شناسایی و تشخیص هر یک از علائم ترافیکی سامانه ای ارائه گردیده است تا بتواند بر روی دیتاست های بومی و داخلی کار کرده و قدرت و سرعت تشخیص را که دو فاکتور مهم در خودروهای هوشمند تلقی می گردند را مهیا کند. نتایج عملکرد این سامانه نشان می دهد که دقت تشخیص علائم بر روی داده های آموزشی 99% و داده های تست 99% بوده و از خصوصیات بارز این سامانه نسبت به کارهای مشابه، سرعت بالای تشخیص علائم در هر نوع آب و هوا و شرایط نور و وجود نویز می باشد.

introducing an intelligent system for detecting traffic signs with deep learning to reduce road accidents

the intelligent system for detecting and recognition traffic signs detects traffic signs on its way and warns the driver by receiving images from the camera installed on the vehicle. these systems can also be used in self driving and smart vehicles and usually have two main parts: sign recognition from other parts of the image and the other detecting and recognizing the type of traffic signs. in this article, traffic signs are identified using the power of convolutional networks. in fact, designing a system for detecting traffic signs is associated with many problems: images taken may be noisy for a variety of reasons. intensity and dimming of ambient light change the color of images. or the signs may not be exactly the same as the standard defined, and most importantly most of the work has been done on foreign traffic signs. in this paper, a system is provided to detecting and recognition any of the traffic signs so that it can work on native and domestic datasets and consider the power and speed of detection, which are two important factors in smart vehicles. the performance results of this system show that the accuracy of traffic sign detection on training data and test data is 99% and one of the salient features of this system compared to similar tasks is the high speed of traffic sign detection in any type of weather and light conditions and the presence of noise.