การประยุกต์ใช้โมเดลการตรวจจับและติดตามยานพาหนะในการประมาณค่าตัวแปรกระแสจราจรบนวิธีการสำรวจโดยการเคลื่อนที่ของยานพาหนะ
Article Sidebar
Main Article Content
บทคัดย่อ
การสำรวจสภาพจราจรเป็นรากฐานสำคัญที่ใช้ในการวิเคราะห์ ออกแบบ วางแผน ประเมินและบริหารจัดการด้านการขนส่งและจราจร โดยวิธีการสำรวจโดยการเคลื่อนที่ของยานพาหนะหรือ Moving Observer Method (MOM) เป็นวิธีการสำรวจจราจรระดับมหภาคที่ถูกใช้อย่างแพร่หลายซึ่งง่ายต่อการใช้งาน ประหยัดเวลาและค่าใช้จ่ายในการดำเนินการ งานวิจัยนี้ได้นำเทคโนโลยีปัญญาประดิษฐ์มาประยุกต์ใช้กับการสำรวจ โดยใช้ YOLOv7 architecture ในการตรวจจับยานพาหนะ, StrongSORT architecture ในการติดตามยานพาหนะและเทคนิค Canny Edge กับ Hough Transform ในการตรวจจับเส้นจราจรเพื่อนำมาจำแนกประเภทและรูปแบบเคลื่อนที่ของยานพาหนะแล้วนำผลลัพธ์ที่ได้ไปใช้ในการประมาณค่าตัวแปรกระแสจราจรตามวิธีสำรวจ MOM โดยทดลองใช้กับชุดข้อมูลสำรวจบนถนนระหว่างเมือง 5 ช่วงถนนในประเทศไทยที่มี 1 ช่องจราจรต่อทิศทางแบบไม่มีเกาะกลางและมีความยาว 2 ถึง 5 กิโลเมตร โดยผลประเมินประสิทธิภาพของโมเดลในการจำแนกประเภทและรูปแบบการเคลื่อนที่ของยานพาหนะประกอบด้วย จำนวนรถทิศทางตรงข้าม รถที่แซงรถสำรวจและรถที่ถูกรถสำรวจแซงมีค่า F1-score เท่ากับ 93.25, 94.79, 64.62% ตามลำดับ ส่งผลให้ประสิทธิภาพในการประมาณค่าตัวแปรกระแสจราจรตามวิธี MOM ที่ประกอบด้วย อัตราการไหล ความเร็วเฉลี่ยและความหนาแน่นกระแสจราจรเมื่อเปรียบเทียบกับการใช้ข้อมูลจริงพบว่า มีความคลาดเคลื่อนโดยสัมบูรณ์เฉลี่ยเท่ากับ 2.36, 0.73 และ 2.86% ตามลำดับ และมีค่าความคลาดเคลื่อนสัมบูรณ์สูงสุดเท่ากับ 7.88, 5.80 และ 7.65% ตามลำดับ
Article Details
เอกสารอ้างอิง
Alhomaidat F, Ardekani S. A Statistical Comparison of Traffic Measurements from the Moving versus Stationary Observer Methods. Journal of Transportation Technologies. 2015;5: 204-13.
Mulligan A-M, Nicholson A. Uncertainty in traffic flow estimation using the moving-observer method. IPENZ Transportation Group Conference Papers; 2002.
Wardrop JG, Charlesworth G. A Method of Estimating Speed and Flow of Traffic from a Moving Vehicle. Proceedings of the Institution of Civil Engineers. 1954;3(1): 158-71.
Greenshields B, Bibbins J, Channing W, Miller H. A study of traffic capacity. Highway research board proceedings; 1935. p. 448-77.
Xiao Y, Tian Z, Yu J, Zhang Y, Liu S, Du S, et al. A review of object detection based on deep learning. Multimedia Tools and Applications. 2020;79(33): 23729-91.
Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017;39(6): 1137-49.
Wang C-Y, Bochkovskiy A, Liao H-YM. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:220702696. 2022.
Yang F, Zhang X, Liu B. Video object tracking based on YOLOv7 and DeepSORT. arXiv preprint arXiv:2207 02696. 2022.
Wojke N, Bewley A, Paulus D. Simple online and realtime tracking with a deep association metric. 2017 IEEE International Conference on Image Processing (ICIP); 2017. p. 3645-9.
Du Y, Song Y, Yang B, Zhao Y. StrongSORT: Make DeepSORT Great Again. arXiv e-prints. 2022: arXiv:2202.13514.
Zhang Y, Wang C, Wang X, Zeng W, Liu W. Fairmot: On the fairness of detection and re-identification in multiple object tracking. International Journal of Computer Vision. 2021;129(11): 3069-87.
Kumar A, Simon P. Review of Lane Detection and Tracking Algorithms in Advanced Driver Assistance System. International Journal of Computer Science and Information Technology. 2015;7: 65-78.
Priyadharshini P, Niketha P, Lakshmi KS, Sharmila S, Divya R. Advances in Vision based Lane Detection Algorithm Based on Reliable Lane Markings. 2019 5th International Conference on Advanced Computing & Communication Systems 2019. p. 880-5.
Guerrieri M, Parla G, Mauro R. Traffic Flow Variables Estimation: An Automated Procedure Based on Moving Observer Method. Potential Application for Autonomous Vehicles. Transport and Telecommunication Journal. 2019;20: 205-14.
Guerrieri M, Parla G. Deep Learning and YOLOv3 Systems for Automatic Traffic Data Measurement by Moving Car Observer Technique. Infrastructures. 2021;6(9): 134.
Kraisingsom S, Phawiakkharakun N. Traffic Congestion Index and Density Analysis Report in 2021. Bureau of Highway Safety, Department of Highways, Thailand; 2021.
Al-Bahr T, Puan OC, Hassan SA, Azhari SF, Al-Sabaeei AM, Mohammed HA. Statistical Evaluation of Moving Observer Method Accuracy for Measuring Traffic Flow Variables on Urban Roads. 2021 International Congress of Advanced Technology and Engineering (ICOTEN); 2021. p. 1-6.
Mortimer WJ. Moving vehicle method of estimating traffic volumes and speeds. Highway Research Board Bulletin. 1957;156: 14-26.
Al-Bahr TM, Puan OC, Hassan SA, Idham MK, Ismail CR. Parameters affecting fluctuation in traffic stream on urban roads. IOP Conference Series: Materials Science and Engineering. 2019;527(1): 012067.
Broström M. Real-time multi-camera multi-object tracker using YOLOv7 and StrongSORT with OSNet. Available from: https://github.com/mikel-brostrom/Yolov7_StrongSORT_OSNet. [Accessed 21th August 2020].
Vykari N. Understanding Hough Transform With A Lane Detection Model. Available from: https://blog.paperspace.com/understanding-hough-transform-lane-detection/. [Accessed 13th February 2022].
