Computer vision techniques to improve micromobility safety
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/385142
Correu electrònic de l'autorpaufabregat2000gmail.com
Realitzat a/ambCentre d'Innovació i Tecnologia de la UPC (CIT UPC)
Tipus de documentTreball Final de Grau
Data2023-02-28
Condicions d'accésAccés obert
Llevat que s'hi indiqui el contrari, els
continguts d'aquesta obra estan subjectes a la llicència de Creative Commons
:
Reconeixement-NoComercial-SenseObraDerivada 4.0 Internacional
Abstract
L'ús de vehicles de micromobilitat, concretament de patinets elèctrics o bicicletes, ha experimentat un auge a les àrees metropolitanes. Aquests vehicles comparteixen el carril amb vianants, cotxes i altres usuaris. La seguretat és imprescindible per a tots ells. Les tècniques de visió per computador com la detecció d'objectes, el seguiment d'objectes i la classificació del tipus de carril poden marcar una gran diferència i prevenir accidents. Aquest projecte proposa una xarxa neuronal multitasca que integra els models d'última generació YOLOv5, YOLOv7 i StrongSORT, entrenada per detectar i fer el seguiment d'objectes de la carretera i classificar el tipus de carril en temps real. L'aparell encarregat d'aquestes prediccions és un telèfon mòbil acoblat al vehicle; per tant, el model es quantifica i es poda per reduir els requisits de càlcul. El uso de vehículos de micromovilidad, concretamente patinetes eléctricos o bicicletas, ha experimentado un auge en las áreas metropolitanas. Estos vehículos comparten el carril con peatones, automóviles y otros usuarios. La seguridad es imprescindible para todos ellos. Las técnicas de visión por computadora, como la detección de objetos, el seguimiento de objetos y la clasificación del tipo de carril, pueden marcar una gran diferencia y evitar accidentes. Este proyecto propone una red neuronal multitarea que integra los modelos de última generación YOLOv5, YOLOv7 y StrongSORT, entrenada para detectar y rastrear objetos en la carretera y clasificar el tipo de carril en tiempo real. El dispositivo encargado de estas predicciones es un teléfono móvil acoplado al vehículo; por lo tanto, el modelo se cuantifica y se poda para reducir los requisitos de cálculo. The use of micromobility vehicles, namely electric scooters or bicycles, has experienced an upsurge in metropolitan areas. These vehicles share the lane with pedestrians, cars, and other users. Safety is a must for all of them. Computer vision techniques such as object detection, object tracking, and lane-type classification can make a huge difference and prevent crashes. This project proposes a multitask neural network integrating the state-of-the-art models YOLOv5, YOLOv7, and StrongSORT, trained to detect and track road objects and classify the lane type in real-time. The device in charge of these predictions is a mobile phone attached to the vehicle; therefore, the model is quantized and pruned to reduce computation requirements.
MatèriesArtificial intelligence, Neural networks (Computer science), Pattern recognition systems -- Mathematical models, Intel·ligència artificial, Xarxes neuronals (Informàtica), Reconeixement de formes (Informàtica) -- Models matemàtics
TitulacióGRAU EN CIÈNCIA I ENGINYERIA DE DADES/GRAU EN MATEMÀTIQUES
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFG_Pau_Fabregat.pdf | 21,23Mb | Visualitza/Obre |