BSIBSI

JURNAL TEKNIK KOMPUTER AMIK BSIJURNAL TEKNIK KOMPUTER AMIK BSI

Level crossing di jalur kereta merupakan titik kritis dalam keselamatan, karena sering terjadi insiden yang melibatkan kendaraan dan pejalan kaki. Penelitian ini mengusulkan sistem deteksi dan peringatan berbasis visi yang menggabungkan model YOLOv8 untuk deteksi objek dengan algoritma pelacakan multi-objek ByteTrack. Sistem dirancang untuk berjalan secara real-time pada video pemantauan persimpangan sehingga dapat mengidentifikasi kendaraan, pejalan kaki, dan objek asing di zona rel. Deteksi yang konsisten dikombinasikan dengan mekanisme respons berpengandaian sinyal memungkinkan peringatan dini bagi operator atau sistem kontrol gerbang otomatis ketika kereta mendekat. Evaluasi pada dataset video beragam—yang diambil di berbagai kondisi pencahayaan dan cuaca—menunjukkan bahwa integrasi YOLOv8 dan ByteTrack meningkatkan konsistensi pelacakan, mengurangi false negative, dan menjaga latensi di bawah 50 ms per frame. Penelitian ini berkontribusi pada sistem keselamatan transportasi cerdas dan menawarkan solusi berbasis visi yang dapat diintegrasikan ke infrastruktur kereta yang ada.

Sistem deteksi dan pelacakan berbasis YOLOv8 dan ByteTrack secara konsisten mengidentifikasi objek di persimpangan rel dan menghasilkan peringatan real-time dalam waktu yang memenuhi batas latensi 50 ms.83 %) dan tidak ada false alert, presisi rendah (48.Kinerja latensi sistem menunjukkan bahwa banyak frame diproses dalam waktu di bawah 30 ms, namun masih ada perluasan optimasi untuk mengurangi latensi ringkasan.Secara keseluruhan, sistem menyediakan dasar yang solid untuk aplikasi keselamatan transportasi dan dapat dikembangkan lagi untuk integrasi sistem alarm fisik.

Berkantorikan studi lanjutan berupa (1) meneliti penerapan metode filter heuristik berbasis machine learning untuk mengurangi false‑positive pada deteksi, sehingga presisi dapat ditingkatkan tanpa mengorbankan recall tinggi; (2) mengevaluasi efektivitas integrasi sensor tambahan seperti laser LIDAR atau kamera multi‑sudut untuk memperkaya data dan menurunkan ketergantungan pada kondisi pencahayaan ekstrem; (3) mengimplementasikan sistem pembelajaran berkesinambungan (online learning) yang dapat memperbarui model YOLOv8 di edge device sehingga adaptasi terhadap kondisi operasi lokal dan pola perilaku pengguna dapat dilakukan secara real‑time, sekaligus meneliti dampaknya pada latensi dan akurasi wajar pada lingkungan persimpangan.

  1. Graph Neural Network for Robust Public Transit Demand Prediction | IEEE Journals & Magazine | IEEE... doi.org/10.1109/TITS.2020.3041234Graph Neural Network for Robust Public Transit Demand Prediction IEEE Journals Magazine IEEE doi 10 1109 TITS 2020 3041234
  2. CMC | YOLO-VSI: An Improved YOLOv8 Model for Detecting Railway Turnouts Defects in Complex Environments.... doi.org/10.32604/cmc.2024.056413CMC YOLO VSI An Improved YOLOv8 Model for Detecting Railway Turnouts Defects in Complex Environments doi 10 32604 cmc 2024 056413
  3. [2303.15334] ByteTrackV2: 2D and 3D Multi-Object Tracking by Associating Every Detection Box. bytetrackv2... arxiv.org/abs/2303.153342303 15334 ByteTrackV2 2D and 3D Multi Object Tracking by Associating Every Detection Box bytetrackv2 arxiv abs 2303 15334
Read online
File size687.2 KB
Pages11
DMCAReport

Related /

ads-block-test