Анализ уровня вождения для дальнейшего оценивания с помощью распознавания действий водителя с видеорегистратора
ВВЕДЕНИЕ
Автомобильная безопасность и повышение качества вождения являются одними из главных приоритетов современного общества. Статистика аварий на дорогах свидетельствует о необходимости разработки новых методов и подходов к анализу уровня вождения для эффективной оценки и повышения квалификации водителей. В последние годы возрастает интерес к использованию видеорегистраторов для наблюдения за действиями водителей и анализа их поведения на дороге.
Цель данной выпускной квалификационной работы – анализ уровня вождения с использованием технологий распознавания действий водителя на основе видеорегистратора. Это открывает новые возможности для объективной оценки и анализа навыков вождения, а также позволяет разрабатывать мероприятия по повышению безопасности и эффективности дорожного движения.
В данной работе предложен метод анализа видеоданных с использованием современных алгоритмов компьютерного зрения и машинного обучения. Этот метод позволит автоматически распознавать и классифицировать действия водителя на основе видеофрагментов, полученных с видеорегистратора. Результаты анализа будут использованы для оценки уровня вождения и предоставления обратной связи водителю для повышения безопасности и качества вождения.
В данной работе будут рассмотрены следующие основные вопросы: а) обзор существующих метод
СОДЕРЖАНИЕ
ВВЕДЕНИЕ 5
1 Анализ предметной области 8
1.1 Анализ работы грузовых транспортных компаний, имеющих собственный автопарк 8
1.2 Технология оценки уровня вождения. Обзор существующих подходов и проблематики 9
Выводы по разделу 10
2 Моделирование бизнес процессов 11
2.1 Обоснование выбора нотации UML 11
2.2 Основные бизнес-процессы компаний, имеющих собственный автопарк 14
2.3 Описание бизнес-процессов после внедрения ПО 19
Выводы по разделу 22
3 Разработка нейронной сети 23
3.1 Обоснование программного обеспечения 23
3.1.1 Библиотека TensorFlow 23
3.1.2 Язык программирования Python 27
3.1.3 Библиотека Keras 29
3.2 Нейронные сети 30
3.3 Архитектура нейронной сети 32
3.4 Обучение нейронной сети 34
3.4 Тестирование нейронной сети 40
Выводы по разделу 42
4 Руководство пользователя 43
4.1 Введение: Нейронная сеть для классификации изображений 45
4.2 Назначения и условия применения: Нейронная сеть для классификации изображений 45
4.3 Назначения и условия применения: Нейронная сеть для классификации изображений 46
4.4 Описание операций: Нейронная сеть для классификации изображений 48
4.5 Аварийные ситуации: Нейронная сеть для классификации изображений 49
4.6 Рекомендации к освоению: Нейронная сеть для классификации изображений 50
5 Экономическое обоснование проекта 52
ЗАКЛЮЧЕНИЕ 54
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 55
Приложение А 57
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Каллан Р.Основные концепции нейронных сетей. – СПб.: Вильямс, 2003. – 288 c.
2. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. – М.: Мир, 1992. – 184 с.
3. Документация по Python [Электронный ресурс] / URL: https://www.python.org/doc/ (дата обращения 10.05.2023)
4. Нейроны головного мозга – строение, классификация и проводящие пути [Электронный ресурс]. – URL: https://sortmozg.com/structure/nejrony-golovnogo-mozga (дата обращения 2.05.2023)
5. Хайкин С. Нейронные сети: полный курс. – М.: Вильямс, 2006. – 1104 с.
6. Google Research Team. Tensorflow: Large-scale machine learning on heterogeneous distributed systems. arXiv:1603.04467 [cs.DC], 2016.
7. Нейронная сеть [Электронный ресурс]. – URL: https://ru.wikipedia.org/wiki/Нейронная_сеть (дата обращения 12.05.2023 г.).
8. Блог программиста. Основы UML. [Электронный ресурс]. URL: https://pro-prof.com/archives/2769 (дата обращения: 10.05.2023).
9. Теория и практика UML [Электронный ресурс]. - http://www.it-gost.ru/articles/view_articles/97 (дата обращения 15.05.2023 г.).
10. Keras: библиотека глубокого обучение на Python [Электронный ресурс]. URL: https://ru-keras.com/home (дата обращения 13.05.2023)
11. В. Д. Чабаненко. Модификации метода стохастического градиентного спуска для задач машинного обучения с большими объемами данных. Master’s thesis, Московский государственный университет имени М.В. Ломоносова, 2016.
12. Себастьян Рашка «Python и машинное обучение: машинное и глубокое обучение с использованием python, scikit-learn и tensorflow». - Москва, 2019 - ISBN: 978-5-907114-52-4
13. Тарик Рашид «Создаем нейронную сеть». – Вильямс, 2017 – ISBN: 978-5-9909445-7-2.
14. Предварительно
Диаграммы UML подразделяют на два типа — это структурные диаграммы и диаграммы поведения.
Структурные диаграммы показывают статическую структуру системы и ее частей на разных уровнях абстракции и реализации, а также их взаимосвязь. Элементы в структурной диаграмме представляют значимые понятия системы и могут включать в себя абстрактные, реальные концепции и концепции реализации.
Диаграммы классов используются при моделировании ПС наиболее часто. Они являются одной из форм статического описания системы с точки зрения ее проектирования. Диаграмма классов не отображает динамическое поведение объектов изображенных на ней классов. На диаграммах классов показываются классы, интерфейсы и отношения между ними.
Диаграмма пакетов — это структурная схема UML, которая показывает пакеты и зависимости между ними. Она позволяет отображать различные виды системы, например, легко смоделировать многоуровневое приложение.
Диаграмма прецедентов описывает функциональные требования системы с точки зрения прецедентов. По сути дела, это модель предполагаемой функциональности системы (прецедентов) и ее среды (актеров).
Диаграммы поведения показывают динамическое поведение объектов в системе, которое можно описать, как