Título del proyecto: JamFree
Introducción: La Gestión del Tráfico es un tema que nos impacta casi a diario. El uso de la tecnología y el análisis en tiempo real pueden conducir a una gestión del tráfico fluida. La razón común de la congestión del tráfico se debe a una mala priorización del tráfico.
Si bien la cantidad de vehículos aumenta a un ritmo acelerado, la infraestructura en las ciudades no puede igualar este crecimiento. Nuestra solución a este problema se puede utilizar para muchas ciudades urbanas donde los atascos durante las horas pico se están convirtiendo en algo rutinario, especialmente en los sectores internos donde se pueden ver largas colas de vehículos varados. Por lo tanto, hemos tratado de abordar el problema con la ayuda de nuestro proyecto en el que el enfoque sería minimizar la congestión vehicular. Lo hemos logrado con la ayuda del procesamiento de imágenes que se puede obtener de las cámaras de vigilancia y, eventualmente, implementar un mecanismo de retroalimentación en el funcionamiento de los semáforos donde la densidad del tráfico también se tendría en cuenta en el proceso de toma de decisiones.
OBJETIVO: El objetivo de nuestro truco es diseñar un sistema robusto y eficiente para resolver los problemas de atascos en las zonas urbanas.
PROBLEMA con el sistema actual: El sistema actual utiliza señales de tráfico que se basan en circuitos integrados de temporizador para controlar el tráfico. Supongamos una intersección de cuatro caminos en los que tres caminos tienen tráfico variable y un camino está vacío. El sistema actual solo mostrará una luz verde para la carretera vacía en su turno durante 2-3 minutos. y mientras tanto, el tráfico en las otras carreteras seguirá aumentando y, por lo tanto, provocará atascos.
Además, se desperdicia mucho combustible en las luces rojas porque la gente no apaga el motor.
HERRAMIENTAS UTILIZADAS:
ARQUITECTURA DE HARDWARE: Usaremos Raspberry Pi que está conectado a 4 conjuntos de LED que representan los semáforos. Las imágenes capturadas y las imágenes de referencia se alimentan a la Raspberry Pi. En la implementación real, tendremos una forma automatizada de hacerlo a través de una cámara de circuito cerrado de televisión.
ARQUITECTURA DE SOFTWARE:
Python
OpenCV (biblioteca de visión por computadora de código abierto)
ThingSpeak Cloud (para análisis de datos)
También se realizarán análisis de datos que ayudarán en la planificación y el análisis de tráfico en el futuro.
CORTAR A TAJOS:Planeamos diseñar un sistema para resolver el problema anterior utilizando técnicas de procesamiento de imágenes como detección de bordes, coincidencia de imágenes, etc. La implementación detallada se analiza en la presentación. Tomamos, digamos, una intersección de cuatro caminos, nuestro sistema tomará fotografías de los cuatro caminos y extraerá la densidad del tráfico en los cuatro caminos mediante la detección de bordes y luego comparará las imágenes procesadas con la imagen de referencia, es decir, la imagen de vacío. la carretera. Luego, según el porcentaje de coincidencia, asignará una cantidad fija de tiempo a cada señal de tráfico para que sea verde en consecuencia. El sistema utilizará la placa RaspberryPi para funcionar, que se puede fijar localmente en la señal. El motivo de R-Pi es que está fácilmente disponible y se puede interconectar con sensores, así como con Internet, por lo que podemos cargar los datos de tráfico continuamente en la nube (Usamos ThingSpeak Cloud en nuestra implementación). Estos datos se pueden utilizar para diversos fines analíticos en el futuro. Además, tenemos un análisis de muestra para el análisis de tráfico diario incluido en las instantáneas a continuación.
De esta forma, el número de atascos se reducirá significativamente y también se ahorrará mucho combustible.
MEJORAS FUTURAS: 1. Podemos aplicar algunas técnicas de procesamiento de imágenes adecuadas y permitir que el sistema detecte vehículos de emergencia como ambulancias y camiones de bomberos para dejarlos pasar lo antes posible, es decir, dar prioridad a dichos vehículos, lo que salvará muchas vidas y propiedades.
También podemos habilitar el sistema para detectar las matrículas de todos los vehículos y extraer la matrícula de los vehículos. De modo que, si es necesario, puede ayudar a la policía y otras autoridades a rastrear a los delincuentes identificando el número de placa del vehículo en el que se escapa el delincuente. También puede haber muchos otros usos de este módulo en el sistema. Algunas instantáneas de nuestra implementación se adjuntan en la sección de instantáneas. Construimos un modelo de intersección de carreteras usando termocol y le aplicamos el mismo algoritmo. obtuvimos mejores resultados como esperábamos. Además, analizamos y?d? tramado? ¿la? tráfico diario cargando valores de densidad de tráfico en la nube de ThingSpeak.
Repositorio de código de GitHub:
https://github.com/pranau97/dynamic-traffic-cam
Las instrucciones sobre cómo ejecutar el código se incluyen en el repositorio de GitHub mencionado anteriormente en el archivo Léame.
¡Usemos la tecnología para sacar adelante a nuestro país!
¡Gracias!
MIEMBROS DEL EQUIPO:
VAIBHAV KHANDELWAL
DIVYANSHI MANGAL
PRANAU KUMAR
Publicación traducida automáticamente
Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA