Deteksjon av biler gjennom en bomstasjon ved bruk av maskinlæring

Abstract

Denne oppgaven undersøker to alternativer til objektdetekteringsalgoritmer for deteksjon av biler under Q-Free sine bomstasjoner. Algoritmene som oppgaven omhandler er YOLO og SSD, som begge er regnet som ledende algoritmer innenfor objektdeteksjon. Algoritmene er trent og evaluert på Q-Free sitt datasett bestående av video tatt av vidvinkelkamera plassert på Q-Free sine bomstasjoner. To varianter av datasettet er testet for begge modellene, ett med og et uten tomme veier. Algoritmene sammenlignes opp mot hverandre med mål om å oppnå en mest mulig presis og effektiv deteksjon slik at deteksjonene kan brukes til sporing av biler ved passering av en bomstasjon. Oppgaven har kun sett på lettvektversjonene til YOLO og SSD for at kjøring på lettvekt maskinvare skal være mulig for framtidig implementasjon i Q-Free sitt sporingssystem.

Algoritmene oppnår gode resultater for detektering av biler under bomstasjonene, hvor de beste resultatene for både SSD og YOLO ligger mellom 98% og 100% for mAP og på 98% for F1 nøyaktigheten. De visuelle resultatene viser derimot at det fortsatt er tilfeller der modellene predikerer feil som kan påvirke hvor god en sporing ville blitt.

This thesis examins two algorithmic options for object detection of cars driving through Q-Free's tollstations. The algorithms presented in this thesis are YOLO and SSD which are both regarded as "State-of-the-art" object detection algorithms. Both algorithms are trained and evaluated using a dataset provided by Q-Free intailing videos captured by a widelenscamera positioned at their tollstations. For this thesis, only lightweight versions of the YOLO and SSD algorithms are reviewed to ensure that the final models can run on lightweight hardware and be used in future implementations to Q-Frees preexsisting tracking system.

The results discussed in this thesis contains both an evaluation of the trained models aswell as a visualization of the detections in images. Both algorithms achives great results when evaluating the predicitons made to detect cars driving through a tollstation. The results for both lies between 98% and 100% mAP and 98% F1 accuracy; however the visual video-results show's mistakes made by the model when predicting that would cause an unreliable tracking.