Н.А. Андриянов1, А.Н. Алюнов2, М.А. Морозов3

1−3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 naandriyanov@fa.ru, 2 analyunov@fa.ru, 3 mikal12@yandex.ru

Постановка проблемы. Задача распознавания дорожных знаков в беспилотном автомобиле является, с одной стороны, хорошо известной задачей, для решения которой предложены глубокие нейронные сети, с другой стороны, это новая и сложная задача в плане реализации таких вычислительных алгоритмов на встраиваемых или одноплатных устройствах. Вместе с тем, подключение в автомобиль мощного сервера, требующего большого числа вычислений может быть весьма затруднительно.

Цель. Разработать интеллектуальную систему распознавания дорожных знаков на основе высокоточных алгоритмов обнаружения и распознавания дорожных знаков и осуществить перенос системы для исполнения на одноплатном компьютере NVIDIA Jetson Nano 2 GB.

Результаты. Разработаны алгоритмы распознавания и обнаружения объектов на изображениях на базе сверточных нейронных сетей семейства R-CNN. Выполнена дистилляция обученной модели, чтобы она была более легковесна и работала в производительном режиме на одноплатном компьютере. Получены высокие метрики по распознаванию – до 98% F-score на рабочей станции и до 92% F-score после дистилляции модели.

Практическая значимость. Разработанные дистиллированные модели могут быть полезны при внедрении системы распознавания в мобильных устройствах, поскольку такие модели не требуют больших вычислительных мощностей и гораздо менее требовательны к затратам электроэнергии, что, например, в случае внедрения таких систем в беспилотном транспорте играет очень важную роль.

Андриянов Н.А., Алюнов А.Н., Морозов М.А. Разработка интеллектуальной системы распознавания дорожных знаков на основе методов компьютерного зрения и дистилляции // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 27−35. DOI: https://doi.org/10.18127/j20700814-202305-04

1. Комзалов А.М., Шилов Н.Г. Применение современных технологий в системах помощи водителю автомобиля // Известия высших учебных заведений. Приборостроение. 2017. № 60(11). С. 1077−1082.
2. Smirnov A., Lashkov I. State-of-the-art analysis of available advanced driver assistance systems // Proc. of the 17th Conf. Open Innovations Assocciation Fruct. 2015. С. 345−349.
3. Андриянов Н.А., Орлов Е.А. Разработка модели машинного обучения для оценки состояния глаз водителя // Инженерный вестник Дона. 2022. № 5(89). С. 142−159.
4. Andriyanov N.A. Application of Computer Vision Systems for Monitoring the Condition of Drivers Based on Facial Image Analysis // Pattern Recognit. Image Anal. 2021. 31. P. 489−495. DOI: 10.1134/S1054661821030020.
5. Triki N., Karray M., Ksantini M. A Real-Time Traffic Sign Recognition Method Using a New Attention-Based Deep Convolutional Neural Network for Smart Vehicles // Appl. Sci. 2023. 13. 4793. DOI: 10.3390/app13084793.
6. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139−159. DOI: 10.18287/2412-6179-CO-922.
7. Zhou W., Fan H., Zhu J., Wen H., Xie Y. Research on Generalized Hybrid Probability Convolutional Neural Network // Appl. Sci. 2022. 12. 11301. DOI: 10.3390/app122111301.
8. Сикорский О.С. Обзор сверточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37−42.
9. Камалова Ю.Б., Андриянов Н.А. Распознавание микроскопических изображений пыльцевых зерен с помощью сверточной нейронной сети VGG-16 // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2022. № 22(3). С. 39−46.
10. Непомнящий О.В., Хантимиров А.Г., Аль-сагир М.М.И., Шабир С. Использование сверточной нейронной сети при анализе электрокардиограмм // Нейрокомпьютеры: разработка, применение. 2023. Т. 25. № 2. С. 58−65. DOI: 10.18127/j19998 554-202302-05.
11. Ахметзянов К.Р., Тур А.И., Кокоулин А.Н., Южаков А.А. Оптимизация вычислений нейронной сети // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2020. № 36. С. 117−130.
12. Андриянов Н.А., Папакостас Дж. Оптимизация сверточных сетей с помощью квантизации и OpenVINO при распознавании снимков багажа // Cб. трудов по материалам VIII Междунар. конф. и молодежной школы «Информационные технологии и нанотехнологии (ИТНТ-2022).  Самара. 2022. С. 33052.
13. Guo J.-M., Yang J.-S., Seshathiri S., Wu H.-W. A Light-Weight CNN for Object Detection with Sparse Model and Knowledge Distillation. Electronics 2022. 11. 575. DOI: 10.3390/electronics11040575.
14. Васильев К.К., Дементьев В.Е. Дважды стохастическая фильтрация пространственно неоднородных изображений // Радиотехника и электроника. 2020. Т. 65. № 5. С. 487−494.
15. Васильев К.К., Дементьев В.Е., Андриянов Н.А. Анализ эффективности оценивания изменяющихся параметров дважды стохастической модели // Радиотехника. 2015. № 6. С. 12−15.
16. URL: https://www.kaggle.com/datasets/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign (дата обращения 12.06.2023)
17. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks // Proc. 29th Conf on Neural Information Processing Systems (NeurIPS). 2015. V. 1. P. 91−99.