Condividi, , Google Plus, LinkedIn,

Stampa

Pubblicato in:

Deep Learning in azione sul viadotto di Millau

Il primo sito a beneficiare dell’ultima evoluzione della tecnologia di Citilog in termini di rilevamento automatico degli incidenti, con algoritmi ulteriormente migliorati grazie alla tecnologia Deep Learning

sfondo raet

(photo credit: www.amedeoliberatoscioli.blogspot.com)

Laddove esiste il traffico si verificheranno incidenti e si verificheranno ritardi. Per coloro che hanno il compito di mantenere libere le autostrade o le strade urbane e consentire il flusso del traffico la capacità di ridurre al minimo le interruzioni causate da incidenti è fondamentale per raggiungere questo obiettivo.

Le sale operative hanno il ruolo di monitorare e gestire il traffico, informare gli utenti del traffico e controllare i flussi di traffico in tempo reale, ogni giorno, tutto l’anno.

La videosorveglianza è infatti uno strumento chiave nel monitoraggio di reti stradali, intersezioni e infrastrutture critiche come tunnel e ponti: fornisce una visione in tempo reale del flusso di traffico e degli incidenti, inclusi arresti anomali, code e traffico lento, che potrebbero intralciare il regolare flusso del traffico.

viadotto di Millau
1. Il viadotto di Millau

Tuttavia, dati i limiti umani nell’attenzione e nella capacità di concentrazione, gli operatori non possono monitorare tutte le telecamere disponibili in ogni momento. Pertanto, l’analisi video fa crescente uso dell’intelligenza artificiale (AI) e delle tecnologie di apprendimento profondo (Deep Learning) per individuare tempestivamente e identificare i problemi del traffico.

Il numero di falsi allarmi è un fattore importante nella creazione di fiducia

Quando si verifica un evento sospetto, le telecamere intelligenti inviano un avviso insieme al video dalla posizione in modo che l’operatore della sala operativa possa effettuare ulteriori analisi e intraprendere le azioni appropriate. Il numero di falsi allarmi generati dall’impianto è ovviamente un fattore importante per creare fiducia nel sistema.

Se gli operatori devono ricontrollare molti allarmi che alla fine non risultano attendibili non solo è una perdita di produttività ma diminuisce la fiducia nel sistema. Altrettanto importante in quanto un numero limitato di falsi allarmi è che il sistema non dovrebbe perdere eventi e incidenti reali che richiedono un’azione tempestiva, poiché ciò renderebbe inutile l’intero sistema.

Anche il tempo impiegato per rilevare un incidente è un fattore importante. Se un incidente non viene rilevato abbastanza rapidamente, i rischi di incidenti secondari causati dal primo aumentano con il tempo che passa prima che venga intrapresa un’azione (ad esempio messaggi di avvertimento sui pannelli a messaggio variabile prima dell’incidente).

Raet
2. Un esempio di abbagliamento fari

E, come abbiamo tutti sperimentato, il flusso del traffico di solito rallenta in modo significativo non solo nella direzione dell’incidente stesso, ma anche nella carreggiata opposta a causa della curiosità: le persone vogliono sapere cosa è successo dall’altra parte della strada, il che spesso si traduce in ulteriori incidenti.

La Citilog, commercializzata in l’Italia dalla Società Raet (www.raetsrl.it), è specializzata da anni nella realizzazione di software di analitica che continua a sviluppare avvalendosi delle più recenti tecnologie sul mercato.

Nel campo dell’informatica, l’intelligenza artificiale (AI) ha visto diverse nuove scoperte negli ultimi anni. Soprattutto nel campo dell’elaborazione delle immagini, i concetti di Machine Learning e Deep Learning hanno notevolmente migliorato le possibilità di classificare eventi, azioni, persone e veicoli reali. 

L’obiettivo

Il viadotto di Millau è un punto critico della rete viaria francese ed europea, fornendo il collegamento tra il Nord Europa, le aree del Mediterraneo e la penisola iberica. Il viadotto è stato aperto al traffico il 16 Dicembre 2004, ha una lunghezza di 2.460 m e il suo punto più alto si trova a 245 m di altezza.

Dalla sua apertura, il Gruppo Eiffage gestisce il controllo del traffico da un centro di controllo dedicato che, fin dall’inizio, ha usato un impianto di videosorveglianza accoppiato a un sistema di rilevamento automatico degli incidenti (AID) fornito dalla Società Citilog.

Citilog
3. Le reti neurali del Deep Learning

La copertura del sistema AID è garantita da 14 telecamere ottiche e due telecamere termiche, incaricate di avvisare gli operatori nel caso di un incidente, un guasto o perdite di carico che potrebbero creare un potenziale pericolo per gli utenti del viadotto.

Il sistema tradizionale rilevava questi eventi di allarme con un numero limitato di falsi allarmi, tuttavia, in determinate condizioni meteorologiche, soprattutto in presenza di sole o forti piogge, le ombre dei cavi dei tiranti o i riflessi dell’acqua potevano generare un numero di falsi allarmi superiore a quello che gli operatori del centro di controllo vorrebbero ricevere.

Lo scopo del test condotto da Citilog è stato di valutare le prestazioni del più recente prodotto basato su Deep Learning con l’obiettivo di ridurre il numero medio di falsi allarmi, a meno di 1 per telecamera al giorno, mantenendo alto il tasso di rilevazione. 

La soluzione offerta dal Deep Learning

Il nuovo algoritmo CT-ADL, Citilog Applied Deep Learning, è stato testato in parallelo al sistema esistente, sulle 14 telecamere che controllano il viadotto.

Traffico
4. Ombre dovute ai guard rail

Il sistema CT-ADL sfrutta una rete neurale addestrata al riconoscimento di dati di traffico, tra cui un numero estremamente elevato di esempi con rilevamenti falsi e positivi, raccolti nel corso degli anni nelle numerose installazioni fornite da Citilog.

Lo scopo dell’apprendimento è stato quello di addestrare l’algoritmo nell’indentificare i veicoli rispetto a qualsiasi altro elemento visibile (ombre e riflessi nella maggior parte dei casi) che in genere portano a un falso rilevamento e quindi eliminare questi artefatti dal processo di analisi.

Al fine di confermare la stabilità e affidabilità di questa nuova tecnologia, il test è stato eseguito durante due periodi distinti, nell’estate del 2018 e in inverno del 2019.

I risultati

I risultati mostrano che, durante il periodo estivo in cui le ombre sono molto frequenti, il sistema con Deep Learning ha ridotto di dieci volte il rilevamento dei falsi allarmi, permettendo di ottenere un numero di falsi allarmi molto al di sotto dell’obiettivo prefissato, ovvero un falso allarme per telecamera ogni quattro giorni.

In inverno la riduzione è proporzionalmente inferiore perché il sistema esistente era già abbastanza stabile. 

Tecnologie
5. Ombre dovute ai pali

Il passo successivo

Convinto dai risultati di questo test, il Gestore del sistema (Compagnie Eiffage du Viaduc de Millau) ha deciso di integrare in maniera definitiva questa nuova generazione di algoritmi rilasciando la seguente dichiarazione: “Il sistema AID Citilog ha raggiunto le prestazioni richieste in termini di tasso di rilevamento, ma soprattutto, la capacità di questa nuova generazione di algoritmi di ridurre drasticamente il numero di falsi allarmi ha rafforzato la fiducia degli operatori nel sistema e di conseguenza ha aumentato la loro efficienza nella risoluzione dei problemi di traffico, aumentando il livello di servizio per i nostri utenti”.

Visto i risultati ottenuti e in considerazione che l’implementazione di questi nuovi algoritmi richiede solo un aggiornamento del server principale e ovviamente un aggiornamento generale del software, il nuovo sistema AID con Deep Learning è stato implementato a partire dal quarto trimestre del 2019.

>  Se questo articolo ti è piaciuto, iscriviti alla Newsletter mensile al link http://eepurl.com/dpKhwL  <