|
Porovnání technologií pro detekci průjezdu vozidla na vozovce
Mareková, Martina ; Frolka, Jakub (oponent) ; Krajsa, Ondřej (vedoucí práce)
Systém pre detekciu vozidiel a meranie rýchlosti je dôležitou súčasťou v analýze dopravy, rovnako ako v poskytovaní údajov pre inteligentné a automatizované dopravné značenia. Technológie sa rozdeľujú na dva druhy, a to intruzívne a neintruzívne metódy. Tradičné meranie dopravnej situácie je založené na technológií indukčných slučiek. Táto metóda je intruzívnou, teda vyžaduje zásah do vozovky a vyššiu náročnosť na jej údržbu. Neintruzívnymi metódami, medzi ktoré radíme video analýzu, mikrovlnne radary, geomagnetické radary, vážiace senzory a laserové snímače sa vyhýbame týmto problémom, avšak sú to drahšie alternatívy. Implementáciou radarov boli vykonané merania na úsekoch vozovky, na základe ktorých bol zobrazený výstup z mikrovlnných, vážiacich senzorov a indukčných slučiek. Stretávame sa spracovanými a nespracovanými výstupnými dátami senzorov, pre ktoré je vytvorené programové riešenie pre sledovanie priebehu merania senzorom alebo priame meranie presnosti spracovaných dát v porovnaní s konkurenčnými technológiami. Výsledky meraní ukázali, že efektívnosť jednotlivých implementovaných senzorov je dostatočná pre využitie v analýze dopravy. Rovnako ako je vhodná implementácia mikrovlnných radarov a videokamier pre analýzu videa ako náhradu konvenčnej metódy indukčných slučiek.
|
|
Klasifikace vozidel na základě odezvy indukčních senzorů
Halachkin, Aliaksei ; Klečka, Jan (oponent) ; Honec, Peter (vedoucí práce)
Táto práce se věnuje klasifikaci vozidel na základě odezvy indukčních senzorů. Během práci byla vytvořená anotovaná databáze vozidel obsahující vice něž 11000 tisíc záznamů z indukčních senzorů. Byli vyzkoušený různé klasifikační metody a jejich optimalizací. Za finální klasifikační model byla zvolená metoda založená na kombinaci k-nejbližších sousedů a logistické regresi –- lokálně vážená logistická regrese, která dosahuje úspěšnosti 94 \% pro 9 třid vozidel. Klasifikátor byl implementován v C++.
|
|
Porovnání technologií pro detekci průjezdu vozidla na vozovce
Mareková, Martina ; Frolka, Jakub (oponent) ; Krajsa, Ondřej (vedoucí práce)
Systém pre detekciu vozidiel a meranie rýchlosti je dôležitou súčasťou v analýze dopravy, rovnako ako v poskytovaní údajov pre inteligentné a automatizované dopravné značenia. Technológie sa rozdeľujú na dva druhy, a to intruzívne a neintruzívne metódy. Tradičné meranie dopravnej situácie je založené na technológií indukčných slučiek. Táto metóda je intruzívnou, teda vyžaduje zásah do vozovky a vyššiu náročnosť na jej údržbu. Neintruzívnymi metódami, medzi ktoré radíme video analýzu, mikrovlnne radary, geomagnetické radary, vážiace senzory a laserové snímače sa vyhýbame týmto problémom, avšak sú to drahšie alternatívy. Implementáciou radarov boli vykonané merania na úsekoch vozovky, na základe ktorých bol zobrazený výstup z mikrovlnných, vážiacich senzorov a indukčných slučiek. Stretávame sa spracovanými a nespracovanými výstupnými dátami senzorov, pre ktoré je vytvorené programové riešenie pre sledovanie priebehu merania senzorom alebo priame meranie presnosti spracovaných dát v porovnaní s konkurenčnými technológiami. Výsledky meraní ukázali, že efektívnosť jednotlivých implementovaných senzorov je dostatočná pre využitie v analýze dopravy. Rovnako ako je vhodná implementácia mikrovlnných radarov a videokamier pre analýzu videa ako náhradu konvenčnej metódy indukčných slučiek.
|
| |
|
Klasifikace vozidel na základě odezvy indukčních senzorů
Halachkin, Aliaksei ; Klečka, Jan (oponent) ; Honec, Peter (vedoucí práce)
Táto práce se věnuje klasifikaci vozidel na základě odezvy indukčních senzorů. Během práci byla vytvořená anotovaná databáze vozidel obsahující vice něž 11000 tisíc záznamů z indukčních senzorů. Byli vyzkoušený různé klasifikační metody a jejich optimalizací. Za finální klasifikační model byla zvolená metoda založená na kombinaci k-nejbližších sousedů a logistické regresi –- lokálně vážená logistická regrese, která dosahuje úspěšnosti 94 \% pro 9 třid vozidel. Klasifikátor byl implementován v C++.
|