NIT Rourkela ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਟ੍ਰੈਫਿਕ ਪ੍ਰਬੰਧਨ ਹੱਲ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ

ਨੈਸ਼ਨਲ ਇੰਸਟੀਚਿਊਟ ਆਫ਼ ਟੈਕਨਾਲੋਜੀ (NIT), ਰੌਰਕੇਲਾ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵਿਕਾਸਸ਼ੀਲ ਦੇਸ਼ਾਂ ਵਿੱਚ ਟ੍ਰੈਫਿਕ ਪ੍ਰਬੰਧਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਦੇ ਉਦੇਸ਼ ਨਾਲ ਇੱਕ AI-ਅਧਾਰਤ ਮਲਟੀ-ਕਲਾਸ ਵ੍ਹੀਕਲ ਡਿਟੈਕਸ਼ਨ (MCVD) ਮਾਡਲ ਅਤੇ ਇੱਕ ਲਾਈਟ ਫਿਊਜ਼ਨ ਦੋ-ਦਿਸ਼ਾਵੀ ਵਿਸ਼ੇਸ਼ਤਾ ਪਿਰਾਮਿਡ ਨੈੱਟਵਰਕ (LFBFPN) ਟੂਲ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਸੁਧਾਰ ਕਰਨਾ ਹੋਵੇਗਾ।

ਸੰਤੋਸ਼ ਕੁਮਾਰ ਦਾਸ, ਇਲੈਕਟ੍ਰੋਨਿਕਸ ਅਤੇ ਸੰਚਾਰ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿਭਾਗ (ਈਸੀਈ) ਵਿੱਚ ਐਸੋਸੀਏਟ ਪ੍ਰੋਫੈਸਰ ਦੀ ਅਗਵਾਈ ਵਿੱਚ, ਖੋਜ ਟੀਮ ਨੇ ਇੱਕ ਬੁੱਧੀਮਾਨ ਵਾਹਨ ਖੋਜ (IVD) ਪ੍ਰਣਾਲੀ ਦਾ ਲਾਭ ਉਠਾਇਆ, ਜੋ ਚਿੱਤਰਾਂ ਅਤੇ ਵੀਡੀਓ ਵਿੱਚ ਵਾਹਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਕੰਪਿਊਟਰ ਦ੍ਰਿਸ਼ਟੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਸਿਸਟਮ ਟ੍ਰੈਫਿਕ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ, ਭੀੜ-ਭੜੱਕੇ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਭਵਿੱਖ ਦੀ ਸੜਕ ਦੀ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਲਈ ਅਸਲ-ਸਮੇਂ ਦੇ ਟ੍ਰੈਫਿਕ ਡੇਟਾ ਨੂੰ ਇਕੱਤਰ ਕਰਦਾ ਹੈ। ਇਸ ਖੋਜ ਦੇ ਸਿੱਟੇ ਵੱਕਾਰੀ ਜਰਨਲ ਆਈਈਈਈ ਟ੍ਰਾਂਜੈਕਸ਼ਨਜ਼ ਆਨ ਇੰਟੈਲੀਜੈਂਟ ਟਰਾਂਸਪੋਰਟੇਸ਼ਨ ਸਿਸਟਮ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਹਨ।

ਸ਼੍ਰੀ ਦਾਸ ਦੇ ਅਨੁਸਾਰ, ਜਦੋਂ ਕਿ IVD ਸਿਸਟਮ ਸੰਗਠਿਤ ਟ੍ਰੈਫਿਕ ਵਾਲੇ ਵਿਕਸਤ ਦੇਸ਼ਾਂ ਵਿੱਚ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ, ਉਹ ਮਿਸ਼ਰਤ ਆਵਾਜਾਈ ਵਾਲੇ ਵਿਕਾਸਸ਼ੀਲ ਦੇਸ਼ਾਂ ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ। ਭਾਰਤ ਵਰਗੇ ਦੇਸ਼ਾਂ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਵਾਹਨ – ਕਾਰਾਂ ਅਤੇ ਟਰੱਕਾਂ ਤੋਂ ਲੈ ਕੇ ਸਾਈਕਲ, ਰਿਕਸ਼ਾ, ਪਸ਼ੂ ਗੱਡੀਆਂ ਅਤੇ ਪੈਦਲ ਚੱਲਣ ਵਾਲੇ – ਅਕਸਰ ਨੇੜਿਓਂ ਚੱਲਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸਹੀ ਵਾਹਨ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ।

“ਰਵਾਇਤੀ IVD ਵਿਧੀਆਂ, ਜਿਵੇਂ ਕਿ ਸੈਂਸਰ ਸਿਸਟਮ ਜਿਵੇਂ ਕਿ ਰਾਡਾਰ ਅਤੇ ਲਾਈਟ ਡਿਟੈਕਸ਼ਨ ਅਤੇ ਰੇਂਜਿੰਗ (LIDAR), ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ, ਪਰ ਧੂੜ ਜਾਂ ਬਾਰਿਸ਼ ਵਰਗੀਆਂ ਪ੍ਰਤੀਕੂਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ, ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਥਾਪਿਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ” ਵੀਡੀਓ-ਅਧਾਰਿਤ ਸਿਸਟਮ ਬਹੁਤ ਵਧੀਆ ਵਾਅਦੇ ਰੱਖਦੇ ਹਨ, ਖਾਸ ਤੌਰ ‘ਤੇ ਭਾਰਤ ਲਈ, ਪਰ ਰਵਾਇਤੀ ਵੀਡੀਓ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ ਤੇਜ਼ੀ ਨਾਲ ਚੱਲ ਰਹੇ ਟ੍ਰੈਫਿਕ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੀਆਂ ਹਨ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸ਼ਕਤੀ ਦੀ ਮੰਗ ਕਰਦੀਆਂ ਹਨ, “ਉਸਨੇ ਕਿਹਾ।

“ਡੀਪ ਲਰਨਿੰਗ (DL) ਮਾਡਲ, ਇੱਕ ਕਿਸਮ ਦੀ ਨਕਲੀ ਬੁੱਧੀ (AI) ਜੋ ਮੌਜੂਦਾ ਡੇਟਾ ਤੋਂ ਸਿੱਖਦੀ ਹੈ, ਵੀਡੀਓ ਫੀਡਾਂ ਵਿੱਚ ਵਾਹਨਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦਾ ਇੱਕ ਕੁਸ਼ਲ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਟ੍ਰੈਫਿਕ ਚਿੱਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਉਹ ਅਕਸਰ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ। ਵੱਖੋ-ਵੱਖਰੇ ਆਕਾਰਾਂ ਅਤੇ ਕੋਣਾਂ ਦੇ ਵਾਹਨਾਂ ਦਾ ਸਹੀ ਢੰਗ ਨਾਲ ਪਤਾ ਲਗਾਓ, ਖਾਸ ਤੌਰ ‘ਤੇ ਵਿਅਸਤ, ਮਿਸ਼ਰਤ-ਟ੍ਰੈਫਿਕ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ। ਯੂਐਸ ਵਿੱਚ, ਅਜਿਹੀਆਂ ਗੁੰਝਲਦਾਰ ਸਥਿਤੀਆਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਲੇਬਲ ਕੀਤੇ ਡੇਟਾਸੈਟਾਂ ਦੀ ਘਾਟ ਹੈ, ”ਉਸਨੇ ਕਿਹਾ।

ਖੋਜ ਟੀਮ ਨੇ ਨਵਾਂ MCVD ਮਾਡਲ ਵਿਕਸਿਤ ਕੀਤਾ, ਜੋ ਕਿ ਟ੍ਰੈਫਿਕ ਚਿੱਤਰਾਂ ਤੋਂ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਐਕਸਟਰੈਕਟ ਕਰਨ ਲਈ ਵੀਡੀਓ ਡੀਨਟਰਲੇਸਿੰਗ ਨੈੱਟਵਰਕ (VDNET) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਵਾਹਨ ਆਕਾਰ ਅਤੇ ਆਕਾਰ ਵਿੱਚ ਵੱਖੋ-ਵੱਖ ਹੋਣ। ਉਹਨਾਂ ਨੇ ਐਕਸਟਰੈਕਟ ਕੀਤੇ ਵੇਰਵਿਆਂ ਨੂੰ ਹੋਰ ਸ਼ੁੱਧ ਕਰਨ ਲਈ ਲਾਈਟ ਫਿਊਜ਼ਨ ਬਾਇ-ਡਾਇਰੈਕਸ਼ਨਲ ਫੀਚਰ ਪਿਰਾਮਿਡ ਨੈੱਟਵਰਕ (LFBFPN) ਨਾਮਕ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਟੂਲ ਵੀ ਪੇਸ਼ ਕੀਤਾ।

“ਕੀ ਚੀਜ਼ LFBFPN ਨੂੰ ਵਿਲੱਖਣ ਬਣਾਉਂਦੀ ਹੈ ਉਹ ਇਹ ਹੈ ਕਿ ਇਹ ਇੱਕ ਸਧਾਰਨ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਸ਼ੁੱਧਤਾ ਦੀ ਕੁਰਬਾਨੀ ਦੇ ਬਿਨਾਂ ਮਾਡਲ ਦੀ ਜਟਿਲਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਫਿਰ ਸਿਸਟਮ ਇੱਕ ਹੋਰ ਡਿਵਾਈਸ ਦੁਆਰਾ ਵੇਰਵਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜਿਸਨੂੰ ਇੱਕ ਸੋਧਿਆ ਵਾਹਨ ਖੋਜ ਹੈਡ (MVDH) ਕਿਹਾ ਜਾਂਦਾ ਹੈ”, ਜੋ ਇਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਖੋਜਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਵਾਹਨਾਂ ਨੂੰ ਹਰ ਕਿਸਮ ਦੀਆਂ ਟ੍ਰੈਫਿਕ ਸਥਿਤੀਆਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ, ”ਦਾਸ ਨੇ ਕਿਹਾ।

MCVD ਮਾਡਲ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਇੱਕ ਸ਼ੁੱਧਤਾ ਸੁਧਾਰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਟੀਮ ਨੇ ਹੇਟਰੋਜੀਨਿਅਸ ਟ੍ਰੈਫਿਕ ਲੇਬਲਡ ਡੇਟਾਸੇਟ (HTLD) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਜਿਸ ਵਿੱਚ ਭਾਰਤ ਦੇ ਕਈ ਸ਼ਹਿਰਾਂ ਦਾ ਡੇਟਾ ਸ਼ਾਮਲ ਹੈ ਅਤੇ ਜਨਤਕ ਵਰਤੋਂ ਲਈ ਉਪਲਬਧ ਹੈ। ਮਾਡਲ ਦੀ ਅਸਲ-ਸਮੇਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਇੱਕ ਐਨਵੀਡੀਆ ਜੇਟਸਨ TX2, ਇੱਕ ਕਿਨਾਰੇ ਕੰਪਿਊਟਿੰਗ ਯੰਤਰ ‘ਤੇ ਵੀ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿੱਥੇ ਇਸ ਨੇ ਚੁਣੌਤੀਪੂਰਨ ਮੌਸਮ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਘੱਟ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ ਵੀ ਮਜ਼ਬੂਤ ​​ਗਤੀ ਅਤੇ ਸ਼ੁੱਧਤਾ ਬਣਾਈ ਰੱਖੀ।

“ਪੁਰਾਣੇ ਮਾਡਲਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਾਰ ਕਰਦੇ ਹੋਏ ਅਤੇ ਮਿਸ਼ਰਤ ਟ੍ਰੈਫਿਕ ਦੀਆਂ ਵਿਲੱਖਣ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹੋਏ, MCVD ਮਾਡਲ ਵਿਕਾਸਸ਼ੀਲ ਦੇਸ਼ਾਂ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਵਾਹਨ ਖੋਜ ਲਈ ਇੱਕ ਮਾਪਯੋਗ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਵਰਤੋਂ ਟ੍ਰੈਫਿਕ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ, ਭੀੜ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ,” ਅਤੇ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਸੜਕ ਸੁਰੱਖਿਆ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਿੱਚ, ਅਤੇ ਸੜਕ ਸੁਰੱਖਿਆ ਨੂੰ ਵਧਾ ਸਕਦਾ ਹੈ,” ਉਸਨੇ ਕਿਹਾ।

ਖੋਜ ਟੀਮ ਇਸ ਵਿਚਾਰ ‘ਤੇ ਆਧਾਰਿਤ ਟ੍ਰੈਫਿਕ ਕੰਟਰੋਲ ਸਿਸਟਮ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ‘ਤੇ ਕੰਮ ਕਰ ਰਹੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਸਟਾਰਟ-ਅੱਪ ਰਾਹੀਂ ਵਪਾਰਕ ਬਣਾਉਣ ਦੀ ਯੋਜਨਾ ਵੀ ਬਣਾ ਰਹੀ ਹੈ।