Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Создание прототипа датчика подсчета проехавших машин. Презентация участников

444 views

Published on

Цель проекта: получить прототип автономного сенсора для подсчета автомобильного трафика с точностью выше 90%

  • Be the first to comment

  • Be the first to like this

Создание прототипа датчика подсчета проехавших машин. Презентация участников

  1. 1. Создание прототипа датчика подсчета проехавших машин Тримасова Лада Руководители: Алексей Шатерников Владислав Миронов
  2. 2. Актуальность Оценка нагрузки проезжей части востребована в большом диапазоне задач. Проблема существующих решений: • стоимость • инсталляция • автономность 2/14
  3. 3. Цели • Построение модели подсчета автомобильного трафика по аудио потоку с точностью более 90 процентов • Получение прототипа автономного сенсора для оценки нагрузки проезжей части 3/14
  4. 4. Этапы работы 1. Сбор данных 2. Разметка данных 3. Feature engineering 4. Подбор алгоритма машинного обучения 4/14
  5. 5. Сбор данных 1. Видео (для разметки) 2. Аудио (для построения модели) 5/14
  6. 6. Разметка данных Подсчет количества транспортных средств, проехавших мимо камеры, за секунду 6/14
  7. 7. Входные данные: • 5 x 10 минут аудиозаписей (различная интенсивность движения) Обработка данных: • Аудиозаписи делятся на интервалы по 1 минуте со скользящим окном 5 секунд. Предобработка данных 7/14
  8. 8. В качестве фичей с помощью библиотеки Essentia извлекаем из аудио потока: - Mel-frequency cepstrum Coefficients - Linear predictive Coefficient 8/14 Предобработка данных
  9. 9. Построение модели 1. sklearn.LinearModel 2. xgboost 3. Microsoft LightGBM 9/14
  10. 10. Оценка модели kfold-кроссвалидация: • перемешиваем данные аудиозаписей всех типов дорог, делим на фолды • перемешиваем аудиозаписи всех типов дорог, кроме одного, тестируем на оставшемся 10/14
  11. 11. Результаты CV Sklearn LinearModel xgboost Microsoft LightGBM все типы перемешаны 16% 9-10% 9-10% тестируем на неизвестном модели типе 72% 29-30% 29-30% Метрика: средняя относительная ошибка 11/14
  12. 12. Датчик для подсчета машин Планируется использовать Raspberry Pi - запись аудио сигнала - получение LPC & MFCC - оценка нагрузки дорожного движения 12/14
  13. 13. Планы 1. Исследовать влияние погодных условий на модель 2. Собрать и разметить больше данных, увеличить временной интервал предсказания 3. Улучшить результаты тестирования на неизвестном модели участке дороги 4. Попробовать другие устройства аудиозаписи 13/14
  14. 14. Использованые технологии 1. Python 2. HTML, javascript, css 14/14

×