拯救生命，一次一個傳感器

每年都有無數(shù)的動物在道路上受傷或死亡，無數(shù)的司機在這個過程中處于危險之中。隨著交通量的增加和氣候條件變得越來越不可預測，傳統(tǒng)的道路安全系統(tǒng)正在努力跟上。對于這個問題，我的建議是建立一個分散的道路監(jiān)控系統(tǒng)，監(jiān)測該地區(qū)的動物存在情況，以及道路狀況和空氣能見度，并實時調(diào)整交通規(guī)則，以提高道路安全，無論是對動物還是靠近野生動物自然棲息地的司機。

我的建議的動態(tài)特性也有助于解決一個共同的挑戰(zhàn)：司機經(jīng)常忽略的過于保守的速度限制。與依賴可能無法反映實際風險的靜態(tài)標志不同，分散式監(jiān)控允許限速和警報僅在必要時更改，使其更可信、更有效、更有可能被遵循。

這個項目的核心是一個簡單而有力的目標：為人類和動物提供更安全的道路。

一般概念

該項目可分為兩個部分：主要處理單元/道路標志顯示和用于野生動物探測的遠程跟蹤攝像機陣列。

在上面的圖像中，你可以看到四個低功率跟蹤攝像機監(jiān)視著道路周圍的區(qū)域。這些攝像機對一幀進行簡單的二值分類，以檢測是否存在某些動物。

檢測到后，將幀發(fā)送到主處理單元(標志本身)，然后進行更穩(wěn)健的分類以檢測動物的類型。這種分類的結(jié)果與其他路況數(shù)據(jù)相結(jié)合，以改變速度限制和相應的警告。

顯示

該顯示屏由兩個64x64像素的LED面板組成，類似于普通電子道路標志中使用的面板。為了控制它們，我使用Raspberry Pi Pico W作為驅(qū)動程序。每個面板顯示一個路標。

Pico有所有關(guān)于要顯示的標志的數(shù)據(jù)預加載在flash中，作為從GIMP導出的C數(shù)組，主處理單元只發(fā)送有關(guān)哪個標志打開，哪個標志要顯示的信息，以及在限速標志的情況下，有關(guān)限速的信息：

為了提高數(shù)據(jù)的可靠性，這些數(shù)據(jù)通過MODBUS協(xié)議串行發(fā)送。

使用Python和PyModbus在一個簡單的循環(huán)中測試了顯示代碼：

第一階段動物檢測

第一階段動物檢測在現(xiàn)場進行，采用低功耗ESP32-CAM模塊：

它的工作基本上是檢測動物的存在，并提醒主要處理單元。這個目的并不復雜，所以不需要過于復雜和超大的算法。為了檢測動物，我在Edge Impulse中創(chuàng)建了一個簡單的神經(jīng)網(wǎng)絡(luò)。這個網(wǎng)絡(luò)只有兩類：動物和非動物，它的足跡足夠小，可以很容易地適應ESP32-CAM的閃光燈。該網(wǎng)絡(luò)采用320x240灰度圖像：

在實際硬件上，一旦檢測到，ESP32-CAM使用MQTT通知主處理單元，并通過它發(fā)送整個幀以進行進一步處理。這個設(shè)備的主循環(huán)非常簡單：

同時，設(shè)備也可以通過MQTT進入深度睡眠狀態(tài)：

這個功能對于節(jié)省電力和防止跟蹤攝像機在野生動物警報最近已經(jīng)發(fā)布時發(fā)送檢測是有用的。

第二階段動物分類器

主處理單元接收到早期檢測后，進入第二階段分級機。該分類器更健壯，并使用ResNet架構(gòu)將檢測分類為特定的動物。就我而言，我創(chuàng)建了一個網(wǎng)絡(luò)，對波蘭常見的動物進行分類：

添加“empty”類來過濾掉第一階段的誤報。

網(wǎng)絡(luò)是使用Keras準備和訓練的。

第二階段分類是稍后將描述的更大運行時的一部分。

道路能見度分類器

道路能見度也是這個項目的一個重要方面。在能見度較低的情況下，跟蹤攝像機可能返回假陽性，或者更糟，產(chǎn)生假陰性。

為了防止這種情況，我們?yōu)檫@個項目設(shè)計了一個額外的網(wǎng)絡(luò)來估計道路上的空氣能見度。該網(wǎng)絡(luò)使用了在利用機場閉路電視片段通過視頻理解技術(shù)進行能見度預測中提出的模型：

為了訓練這個網(wǎng)絡(luò)，我使用了GRAM道路交通監(jiān)控數(shù)據(jù)集。問題是這個數(shù)據(jù)集不包含任何關(guān)于能見度的數(shù)據(jù)，所以我用人工創(chuàng)建的霧來增強這個數(shù)據(jù)集。

首先，為了生成逼真的霧，需要深度數(shù)據(jù)。該數(shù)據(jù)集也不包含任何深度數(shù)據(jù)，因為它只是CCTV單目攝像機的簡單記錄。為了生成深度數(shù)據(jù)，我使用了depth - anything：

然后，為了生成霧，對原始幀進行簡單的卷積：

該網(wǎng)絡(luò)需要以SIFT和光流數(shù)據(jù)的形式額外輸入圖像。這些是使用OpenCV生成的：

生成所有所需的數(shù)據(jù)后，使用Keras準備和訓練網(wǎng)絡(luò)。

這個網(wǎng)絡(luò)運行在Jetson Nano和接收幀從兩個樹莓派相機在立體聲配置運行：

該網(wǎng)絡(luò)也是稍后將描述的更大運行時的一部分。

將它們結(jié)合在一起

LED面板使用3D打印支架連接在一起。這些底座也有一個小空間用于DIN導軌，用于安裝Pico面板驅(qū)動器和Jetson Nano上的標志本身。

一切都是由降壓轉(zhuǎn)換器在5V供電。

標識本身被安裝在三腳架上進行測試。

運行邏輯

邏輯運行器在Jetson Nano上作為一系列并行運行的多個Python腳本運行：

?MQTT

?第二階段分級器

?相機用戶

?空氣能見度分級器

?運行時邏輯

?LED標識驅(qū)動

MQTT Runner只是一個簡單的paho-mqtt訂閱者/發(fā)布者，它等待來自跟蹤攝像機的消息，并在必要時使它們進入深度睡眠狀態(tài)。從這個運行器接收到的每個幀都被傳遞到第二階段分類器的隊列。

第二階段分類器在自己的獨立線程中無限循環(huán)運行。在每次循環(huán)迭代期間，它檢查隊列中是否有新的幀。然后通過Tensorflow模型處理每個新幀。然后將推斷的結(jié)果傳遞給運行時邏輯。

Camera Subscriber只是一個簡單的類，它以異步方式從附加的CSI攝像機獲取新幀。相機訂戶由空氣能見度分類器使用。

空氣能見度分類器也在單獨的線程中運行，從CSI攝像機中獲取幀，對其進行預處理，生成SIFT和Optical Flow圖像，然后通過Tensorflow模型進行推理。然后將推理的每個結(jié)果傳遞給運行時邏輯。

運行時邏輯結(jié)合了來自第二階段分類器和空氣能見度分類器的數(shù)據(jù)來估計安全的道路規(guī)則。數(shù)據(jù)通過兩個回調(diào)方法獲得：

然后，運行時邏輯在慢循環(huán)中運行，并使用這些值來更改道路規(guī)則。在這個項目中，有兩個標志的空間(每個LED面板一個)。最上面的是一個警告信號。這個星座的邏輯很簡單：

如果新檢測到的與當前檢測到的相同，則重置顯示該標志的計時器，并延長該標志的停留時間。如果新的檢測優(yōu)先級更高，比如野生動物比農(nóng)場動物更危險，那么立即應用野生動物警告。計時器結(jié)束后，如果有野生動物標志，如果在野生動物警告期間檢測到農(nóng)場動物，則顯示農(nóng)場動物警告。否則標志會關(guān)閉。

底部的標志是速度限制。它的邏輯是使用霧和動物數(shù)據(jù)以安全的方式調(diào)整速度限制：

__process_speed_sign的邏輯與__process_animal_sign非常相似。不同之處在于，如果有必要，它沒有應用更高優(yōu)先級的警告，而是降低了速度限制。

__lookup_speed的邏輯看起來有點復雜，但實際上它只是一個簡單的真值表，它取霧和動物存在的值：

從左到右依次為：

S(“小”霧)，M(“中”霧)，H(“高”霧)，A(農(nóng)場動物警告)，WA(野生動物警告)。這個真值表被最小化并實現(xiàn)為上述函數(shù)。

Sign Driver只是一個簡單的MODBUS客戶端，用于將運行時邏輯的判決寫入LED面板驅(qū)動程序：

系統(tǒng)內(nèi)運行的所有邏輯總結(jié)如下：

結(jié)論

總而言之，在我看來，該系統(tǒng)為道路安全提供了一種更智能、更敏感的方法，并尊重了駕駛員和野生動物的需求。通過正確的實施，該解決方案可以減少碰撞，挽救生命，并為自然和人類活動交叉的地區(qū)提供更智能的基礎(chǔ)設(shè)施。

本文編譯自hackster.io