SmartTraffic-CNN: Deteksi dan Estimasi Jumlah Kendaraan Secara Otomatis Menggunakan Deep Learning dan Ekstraksi Fitur

Abstrak

Dengan laju urbanisasi yang cepat, jumlah kendaraan yang bepergian antar kota telah meningkat secara signifikan. Akibatnya, banyak masalah lalu lintas telah muncul, seperti kemacetan lalu lintas dan jumlah serta jenis kendaraan yang berlebihan. Untuk mengatasi masalah lalu lintas, pengumpulan data jalan sangat penting. Oleh karena itu, dalam penelitian ini, kami mengembangkan sistem pemantauan lalu lintas cerdas berbasis You Only Look Once (YOLO) dan Jaringan Saraf Tiruan Konvolusional Fuzzy (CFNN), yang merekam volume lalu lintas dan informasi jenis kendaraan dari jalan. Dalam sistem ini, YOLO digunakan terlebih dahulu untuk mendeteksi kendaraan dan dikombinasikan dengan metode penghitungan kendaraan untuk menghitung aliran lalu lintas. Kemudian, dua model efektif (CFNN dan Vector CFNN) dan metode fusi pemetaan jaringan diusulkan untuk klasifikasi kendaraan. Dalam eksperimen kami, metode yang diusulkan mencapai akurasi 90,45% pada dataset publik. Pada dataset publik ini, rata-rata presisi dan F-measure (F1) metode klasifikasi kendaraan YOLO-CFNN dan YOLO-VCFNN yang diusulkan mencapai 99%, lebih unggul dibandingkan metode lain. Pada jalan raya sebenarnya, metode YOLO-CFNN dan YOLO-VCFNN yang diusulkan tidak hanya memiliki skor F1 tinggi untuk klasifikasi kendaraan tetapi juga akurasi yang luar biasa dalam penghitungan kendaraan. Selain itu, sistem yang diusulkan dapat mempertahankan kecepatan deteksi lebih dari 30 frame per detik. Oleh karena itu, sistem pemantauan lalu lintas cerdas yang diusulkan cocok untuk klasifikasi dan penghitungan kendaraan secara real-time di lingkungan sebenarnya.

Identifier

• OpenAlex: https://openalex.org/W4417028878
• DOI: https://doi.org/10.33364/algoritma/v.22-2.2943