NINETYJOURNALNINETYJOURNAL

Journal Computer and TechnologyJournal Computer and Technology

Sepeda motor adalah mode transportasi dominan di negara-negara berkembang, tetapi volume tinggi menyebabkan pelanggaran lalu lintas dan kecelakaan. Identifikasi otomatis pengemudi sepeda motor penting untuk Sistem Transportasi Cerdas (ITS). Namun, model vision canggih seperti Segment Anything Model (SAM) atau YOLOv9 memerlukan sumber daya komputasi besar, membuatnya tidak praktis untuk deployment edge real-time. Selain itu, detektor objek standar sering kali gagal membedakan pengemudi aktif dari penonton. Untuk mengatasi ini, studi ini mengusulkan kerangka hybrid ringan yang menggabungkan YOLOv5 untuk deteksi spasial cepat dan SqueezeNet untuk verifikasi konteks semantik. Mekanisme utama adalah Crop-Union Context Verification, yang mengekstrak union spasial dari kotak batas pasangan orang-sepeda motor, memperluas proporsional, dan mengklasifikasikan wilayah yang dipotong menggunakan SqueezeNet untuk memverifikasi kehadiran pengemudi aktif. Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan selama preprocessing untuk meningkatkan kualitas gambar. Hasil eksperimen menunjukkan sistem hybrid berhasil mengidentifikasi pengemudi sepeda motor dengan kepercayaan spasial tinggi (YOLOv5: 0.84 untuk orang, 0.86 untuk sepeda motor) dan validasi konteks yang kuat (SqueezeNet Top-1 prediksi: moped, probabilitas 0.247). Dengan arsitektur Fire Module SqueezeNet (~1,2 juta parameter), kerangka ini mencapai efisiensi komputasi luar biasa tanpa mengorbankan kekuatan diskriminatif. Akhirnya, fusio spasial dan semantik memastikan ketahanan sistem. Pipeline ringan ini sangat layak untuk surveilans lalu lintas berbasis AI di perangkat edge dengan sumber daya terbatas, menawarkan solusi skalabel untuk infrastruktur kota cerdas dan penegakan hukum otomatis.

Kerangka hybrid YOLOv5-SqueezeNet berhasil mengidentifikasi pengemudi sepeda motor dengan akurasi tinggi melalui strategi validasi dua jalur.Modul pasangan spasial berbasis area union maksimum membangun asosiasi orang-kendaraan dengan skor kepercayaan tinggi (0.Verifikator konteks SqueezeNet secara independen mengonfirmasi asosiasi ini dengan mengidentifikasi kata kunci terkait sepeda motor (moped pada 0.100) dalam output klasifikasi Top-5, menghasilkan motor_hit = True.Fusio disjungtif dari dua sinyal ini menghasilkan putusan akhir OPERATOR dengan tingkat kepastian tinggi.Efisiensi komputasi kerangka ini menjadi keunggulan signifikan dibandingkan arsitektur berat saat ini.SqueezeNet dengan sekitar 1,2 juta parameter menambahkan beban minimal ke pipeline inferensi.Dengan YOLOv5s yang dieksekusi melalui ONNXRuntime dengan presisi FP16, seluruh sistem mencapai waktu inferensi cepat pada perangkat keras GPU.Efisiensi ini menjadikan arsitektur ini sebagai kandidat layak untuk deployment pada perangkat edge dengan sumber daya terbatas dalam Sistem Transportasi Cerdas, mengatasi kelemahan yang dilaporkan dalam literatur terkait impraktikalitas deployment model segmentasi berat (seperti SAM atau pipeline YOLOv9) pada perangkat terbenam.Integrasinya CLAHE dan koreksi gamma dalam tahap preprocessing terbukti penting untuk memastikan kinerja deteksi stabil di bawah kondisi pencahayaan berubah.Peningkatan kontras dan distribusi intensitas yang seimbang memastikan fitur visual kritis tetap terlihat, menjaga keandalan deteksi di berbagai skenario lingkungan termasuk pagi, senja, kondisi mendung, dan occlusion sebagian.

Penelitian lanjutan dapat mengembangkan algoritma pasangan berbasis metrik geometri tambahan seperti jarak Euclidean centroid dan skor overlapped berbasis IoU untuk meningkatkan presisi pasangan dalam lingkungan padat. Selain itu, fine-tuning domain spesifik dari klasifier SqueezeNet menggunakan dataset yang dikumpulkan dari wilayah union terpotong diharapkan meningkatkan kepercayaan prediksi. Integrasi algoritma pelacakan temporal (misalnya, DeepSORT atau ByteTrack) di antara frame video akan memungkinkan sistem untuk memverifikasi gerakan berkelanjutan dan koherensi spasial pengemudi yang terdeteksi, menambah dimensi validasi temporal yang memperkuat keandalan keputusan.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/chapter/10.1007/978-3-319-10602-1_48Client Challenge client challenge javascript disabled browser please enable proceed required part site link springer chapter 10 1007 978 3 319 10602 1 48
  2. A Hybrid YOLOv5-SqueezeNet Framework with Crop-Union Context Verification for Real-Time Motorcycle Rider... ojs.ninetyjournal.com/index.php/COMTECHNO/article/view/410A Hybrid YOLOv5 SqueezeNet Framework with Crop Union Context Verification for Real Time Motorcycle Rider ojs ninetyjournal index php COMTECHNO article view 410
  3. CMC | MVLA-Net: A Multi-View Lesion Attention Network for Advanced Diagnosis and Grading of Diabetic... techscience.com/cmc/v83n1/60111CMC MVLA Net A Multi View Lesion Attention Network for Advanced Diagnosis and Grading of Diabetic techscience cmc v83n1 60111
Read online
File size766.43 KB
Pages13
DMCAReport

Related /

ads-block-test