Resumen

En los últimos años se ha producido un aumento considerable del número de vehículos, lo que ha sometido a las infraestructuras de transporte y al control del tráfico a una enorme presión. Disponer de información oportuna y precisa sobre el flujo de tráfico es esencial para el desarrollo de estrategias de control del tráfico. A pesar de los continuos avances y de la abundante bibliografía disponible sobre sistemas de transporte inteligentes (STI), se carece de un sistema práctico de recuento del tráfico que sea fácilmente desplegable en dispositivos periféricos. En este estudio, presentamos un sistema de bajo coste y eficaz basado en bordes que integra modelos de detección de objetos para realizar la detección, el seguimiento y el recuento de vehículos. En primer lugar, se creó un conjunto de datos de detección de vehículos (VDD) que representa las condiciones del tráfico en Vietnam. A continuación, se examinaron varios modelos de aprendizaje profundo para VDD en dos tipos diferentes de dispositivos de borde. Utilizando esta detección, presentamos un método de recuento ligero que se combina a la perfección con un método de seguimiento tradicional para aumentar la precisión del recuento. Por último, se obtiene la información de flujo de tráfico basada en las categorías de vehículos contados y sus direcciones. Los resultados experimentales indican claramente que el sistema propuesto alcanza la máxima velocidad de inferencia, en torno a 26,8 imágenes por segundo (FPS), con una precisión del 92,1 de precisión en el VDD. Esto demuestra que nuestra propuesta es capaz de producir información de alta precisión sobre el flujo de tráfico y puede aplicarse a los STI para reducir las tareas laboriosas en la gestión del tráfico.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:vdd, varios modelos de aprendizaje profundo, información precisa sobre el flujo de tráfico, información precisa sobre el flujo de tráfico, diferentes tipos de dispositivos de borde, sistema práctico de recuento de tráfico, sistema de transporte inteligente, método de recuento ligero, modelos de detección de objetos, velocidad de inferencia máxima
• Keywords:vdd, several deep learning models, accuracy traffic flow information, accurate traffic flow information, different edge device types, practical traffic counting system, intelligent transportation system, lightweight counting method, object detection models, top inference speed