拯救生命，一次一個(gè)傳感器

每年都有無(wú)數(shù)的動(dòng)物在道路上受傷或死亡，無(wú)數(shù)的司機(jī)在這個(gè)過(guò)程中處于危險(xiǎn)之中。隨著交通量的增加和氣候條件變得越來(lái)越不可預(yù)測(cè)，傳統(tǒng)的道路安全系統(tǒng)正在努力跟上。對(duì)于這個(gè)問(wèn)題，我的建議是建立一個(gè)分散的道路監(jiān)控系統(tǒng)，監(jiān)測(cè)該地區(qū)的動(dòng)物存在情況，以及道路狀況和空氣能見(jiàn)度，并實(shí)時(shí)調(diào)整交通規(guī)則，以提高道路安全，無(wú)論是對(duì)動(dòng)物還是靠近野生動(dòng)物自然棲息地的司機(jī)。

我的建議的動(dòng)態(tài)特性也有助于解決一個(gè)共同的挑戰(zhàn)：司機(jī)經(jīng)常忽略的過(guò)于保守的速度限制。與依賴可能無(wú)法反映實(shí)際風(fēng)險(xiǎn)的靜態(tài)標(biāo)志不同，分散式監(jiān)控允許限速和警報(bào)僅在必要時(shí)更改，使其更可信、更有效、更有可能被遵循。

這個(gè)項(xiàng)目的核心是一個(gè)簡(jiǎn)單而有力的目標(biāo)：為人類(lèi)和動(dòng)物提供更安全的道路。

一般概念

該項(xiàng)目可分為兩個(gè)部分：主要處理單元/道路標(biāo)志顯示和用于野生動(dòng)物探測(cè)的遠(yuǎn)程跟蹤攝像機(jī)陣列。

在上面的圖像中，你可以看到四個(gè)低功率跟蹤攝像機(jī)監(jiān)視著道路周?chē)膮^(qū)域。這些攝像機(jī)對(duì)一幀進(jìn)行簡(jiǎn)單的二值分類(lèi)，以檢測(cè)是否存在某些動(dòng)物。

檢測(cè)到后，將幀發(fā)送到主處理單元(標(biāo)志本身)，然后進(jìn)行更穩(wěn)健的分類(lèi)以檢測(cè)動(dòng)物的類(lèi)型。這種分類(lèi)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(yīng)的警告。

顯示

該顯示屏由兩個(gè)64x64像素的LED面板組成，類(lèi)似于普通電子道路標(biāo)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(dòng)程序。每個(gè)面板顯示一個(gè)路標(biāo)。

Pico有所有關(guān)于要顯示的標(biāo)志的數(shù)據(jù)預(yù)加載在flash中，作為從GIMP導(dǎo)出的C數(shù)組，主處理單元只發(fā)送有關(guān)哪個(gè)標(biāo)志打開(kāi)，哪個(gè)標(biāo)志要顯示的信息，以及在限速標(biāo)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(guò)MODBUS協(xié)議串行發(fā)送。

使用Python和PyModbus在一個(gè)簡(jiǎn)單的循環(huán)中測(cè)試了顯示代碼：

第一階段動(dòng)物檢測(cè)

第一階段動(dòng)物檢測(cè)在現(xiàn)場(chǎng)進(jìn)行，采用低功耗ESP32-CAM模塊：

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

在實(shí)際硬件上，一旦檢測(cè)到，ESP32-CAM使用MQTT通知主處理單元，并通過(guò)它發(fā)送整個(gè)幀以進(jìn)行進(jìn)一步處理。這個(gè)設(shè)備的主循環(huán)非常簡(jiǎn)單：

同時(shí)，設(shè)備也可以通過(guò)MQTT進(jìn)入深度睡眠狀態(tài)：

這個(gè)功能對(duì)于節(jié)省電力和防止跟蹤攝像機(jī)在野生動(dòng)物警報(bào)最近已經(jīng)發(fā)布時(shí)發(fā)送檢測(cè)是有用的。

第二階段動(dòng)物分類(lèi)器

主處理單元接收到早期檢測(cè)后，進(jìn)入第二階段分級(jí)機(jī)。該分類(lèi)器更健壯，并使用ResNet架構(gòu)將檢測(cè)分類(lèi)為特定的動(dòng)物。就我而言，我創(chuàng)建了一個(gè)網(wǎng)絡(luò)，對(duì)波蘭常見(jiàn)的動(dòng)物進(jìn)行分類(lèi)：

添加“empty”類(lèi)來(lái)過(guò)濾掉第一階段的誤報(bào)。

網(wǎng)絡(luò)是使用Keras準(zhǔn)備和訓(xùn)練的。

第二階段分類(lèi)是稍后將描述的更大運(yùn)行時(shí)的一部分。

道路能見(jiàn)度分類(lèi)器

道路能見(jiàn)度也是這個(gè)項(xiàng)目的一個(gè)重要方面。在能見(jiàn)度較低的情況下，跟蹤攝像機(jī)可能返回假陽(yáng)性，或者更糟，產(chǎn)生假陰性。

為了防止這種情況，我們?yōu)檫@個(gè)項(xiàng)目設(shè)計(jì)了一個(gè)額外的網(wǎng)絡(luò)來(lái)估計(jì)道路上的空氣能見(jiàn)度。該網(wǎng)絡(luò)使用了在利用機(jī)場(chǎng)閉路電視片段通過(guò)視頻理解技術(shù)進(jìn)行能見(jiàn)度預(yù)測(cè)中提出的模型：

為了訓(xùn)練這個(gè)網(wǎng)絡(luò)，我使用了GRAM道路交通監(jiān)控?cái)?shù)據(jù)集。問(wèn)題是這個(gè)數(shù)據(jù)集不包含任何關(guān)于能見(jiàn)度的數(shù)據(jù)，所以我用人工創(chuàng)建的霧來(lái)增強(qiáng)這個(gè)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?yàn)樗皇荂CTV單目攝像機(jī)的簡(jiǎn)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(duì)原始幀進(jìn)行簡(jiǎn)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(zhǔn)備和訓(xùn)練網(wǎng)絡(luò)。

這個(gè)網(wǎng)絡(luò)運(yùn)行在Jetson Nano和接收幀從兩個(gè)樹(shù)莓派相機(jī)在立體聲配置運(yùn)行：

該網(wǎng)絡(luò)也是稍后將描述的更大運(yùn)行時(shí)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(gè)小空間用于DIN導(dǎo)軌，用于安裝Pico面板驅(qū)動(dòng)器和Jetson Nano上的標(biāo)志本身。

一切都是由降壓轉(zhuǎn)換器在5V供電。

標(biāo)識(shí)本身被安裝在三腳架上進(jìn)行測(cè)試。

運(yùn)行邏輯

邏輯運(yùn)行器在Jetson Nano上作為一系列并行運(yùn)行的多個(gè)Python腳本運(yùn)行：

?MQTT

?第二階段分級(jí)器

?相機(jī)用戶

?空氣能見(jiàn)度分級(jí)器

?運(yùn)行時(shí)邏輯

?LED標(biāo)識(shí)驅(qū)動(dòng)

MQTT Runner只是一個(gè)簡(jiǎn)單的paho-mqtt訂閱者/發(fā)布者，它等待來(lái)自跟蹤攝像機(jī)的消息，并在必要時(shí)使它們進(jìn)入深度睡眠狀態(tài)。從這個(gè)運(yùn)行器接收到的每個(gè)幀都被傳遞到第二階段分類(lèi)器的隊(duì)列。

第二階段分類(lèi)器在自己的獨(dú)立線程中無(wú)限循環(huán)運(yùn)行。在每次循環(huán)迭代期間，它檢查隊(duì)列中是否有新的幀。然后通過(guò)Tensorflow模型處理每個(gè)新幀。然后將推斷的結(jié)果傳遞給運(yùn)行時(shí)邏輯。

Camera Subscriber只是一個(gè)簡(jiǎn)單的類(lèi)，它以異步方式從附加的CSI攝像機(jī)獲取新幀。相機(jī)訂戶由空氣能見(jiàn)度分類(lèi)器使用。

空氣能見(jiàn)度分類(lèi)器也在單獨(dú)的線程中運(yùn)行，從CSI攝像機(jī)中獲取幀，對(duì)其進(jìn)行預(yù)處理，生成SIFT和Optical Flow圖像，然后通過(guò)Tensorflow模型進(jìn)行推理。然后將推理的每個(gè)結(jié)果傳遞給運(yùn)行時(shí)邏輯。

運(yùn)行時(shí)邏輯結(jié)合了來(lái)自第二階段分類(lèi)器和空氣能見(jiàn)度分類(lèi)器的數(shù)據(jù)來(lái)估計(jì)安全的道路規(guī)則。數(shù)據(jù)通過(guò)兩個(gè)回調(diào)方法獲得：

然后，運(yùn)行時(shí)邏輯在慢循環(huán)中運(yùn)行，并使用這些值來(lái)更改道路規(guī)則。在這個(gè)項(xiàng)目中，有兩個(gè)標(biāo)志的空間(每個(gè)LED面板一個(gè))。最上面的是一個(gè)警告信號(hào)。這個(gè)星座的邏輯很簡(jiǎn)單：

如果新檢測(cè)到的與當(dāng)前檢測(cè)到的相同，則重置顯示該標(biāo)志的計(jì)時(shí)器，并延長(zhǎng)該標(biāo)志的停留時(shí)間。如果新的檢測(cè)優(yōu)先級(jí)更高，比如野生動(dòng)物比農(nóng)場(chǎng)動(dòng)物更危險(xiǎn)，那么立即應(yīng)用野生動(dòng)物警告。計(jì)時(shí)器結(jié)束后，如果有野生動(dòng)物標(biāo)志，如果在野生動(dòng)物警告期間檢測(cè)到農(nóng)場(chǎng)動(dòng)物，則顯示農(nóng)場(chǎng)動(dòng)物警告。否則標(biāo)志會(huì)關(guān)閉。

底部的標(biāo)志是速度限制。它的邏輯是使用霧和動(dòng)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(méi)有應(yīng)用更高優(yōu)先級(jí)的警告，而是降低了速度限制。

__lookup_speed的邏輯看起來(lái)有點(diǎn)復(fù)雜，但實(shí)際上它只是一個(gè)簡(jiǎn)單的真值表，它取霧和動(dòng)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(chǎng)動(dòng)物警告)，WA(野生動(dòng)物警告)。這個(gè)真值表被最小化并實(shí)現(xiàn)為上述函數(shù)。

Sign Driver只是一個(gè)簡(jiǎn)單的MODBUS客戶端，用于將運(yùn)行時(shí)邏輯的判決寫(xiě)入LED面板驅(qū)動(dòng)程序：

系統(tǒng)內(nèi)運(yùn)行的所有邏輯總結(jié)如下：

結(jié)論

總而言之，在我看來(lái)，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(dòng)物的需求。通過(guò)正確的實(shí)施，該解決方案可以減少碰撞，挽救生命，并為自然和人類(lèi)活動(dòng)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