Final Degree Project: Traffic Infraction Supervisor (SMIT)

$: Final Degree Project: Traffic Infraction Supervisor (SMIT)$
5º Ingeniería Informática

17 de Septiembre de 2008

Iván Pretel GarcíaEduardo Castillejo Gil

SMITDiseño e implementación de sistema de monitorización de infracciones de tráfico

Proyecto fin de carrera: SMIT

• Descripción general

• Objetivos

• Motivaciones

• Reconocimiento de señales. . . .10 min

• Dispositivo móvil. . . . . . . . . . . . . 5 min

• Sistema experto. . . . . . . . . . . . .10 min

• Aplicaciones futuras

• Conclusiones

Contenido

5 min

5 min


• Descripción general• Objetivos

• Motivaciones

• Reconocimiento de señales

• Dispositivo móvil

• Sistema experto


• Conclusiones

Contenido


Participación de 3 subsistemas:

Sistema de reconocimiento óptico de señales de tráfico

Aplicación móvil

Sistema experto

Descripción general (1/2)


Reconocimiento de señales de limitación de velocidad y almacenamiento de excesos

Tratamiento de esos excesos

Alerta de intervención inmediata

Generación y almacenamiento de las sanciones

Descripción general (2/2)



• Objetivos• Motivaciones



• Sistema experto


• Conclusiones

Contenido


Objetivo principal: reducir el número de víctimas en la carretera

• Ajuste de la velocidad, reducción del número de accidentes

• Vigilancia total

Objetivos (1/2)


Reducción de costes (radares, controles de velocidad, etc)

Mayor automatización del proceso de sanción a infractores

Ayuda al proceso de gestión de tráfico

Objetivos (2/2)



• Objetivos

• Motivaciones• Reconocimiento de señales


• Sistema experto


• Conclusiones

Contenido


Uso de nuevas tecnologías

Inteligencia artificial

Deseo de aprender

Resolver un problema real

Posibles aplicaciones reales

Motivaciones



• Objetivos

• Motivaciones

• Reconocimiento de señales• Dispositivo móvil

• Sistema experto


• Conclusiones

Contenido


80


Proceso de reconocimiento

Captura

Identificación de patrones

Digitalización

Reconocimiento

90


Mediante OpenCVSe identifican círculos (cvHoughCircle)Se crea una imagen de tamaño 30x30

Identificación de patrones

(x,y)

(x-R,y+R)

R

y

x


Comparación de valores RGBLímite de tolerancia

Media aritmética de 24 muestras = 171,24

Digitalización de muestras

150

200

235


Red NeuronalEntradas: 30x30 = 900 entradasSalidas: 11 salidas

Reconocimiento de límites (1/2)

0,564(10)0,561(20)0,984(30)0,185(40)…0,589(110)0,345(120)

900 11


Entrenamiento con 22 imágenes• 11 claras y 11 con ruido

Backpropagation• Ajusta los pesos de las neuronas

proporcionando al algoritmo la entrada y la salida que queremos que retorne la red

Fichero de redSe almacenan los pesos de las neuronasSe lee cuando se arranca el programaAsí no entrena la red cada vez que se ejecuta el programaPermite una fácil actualización

Reconocimiento de límites (2/2)


Demostración



• Objetivos

• Motivaciones


• Dispositivo móvil• Sistema experto


• Conclusiones

Contenido


Uso por parte de los agentes de tráficoConsulta de información del vehículo y conductorConsulta de excesos de velocidad registradosEnvío de excesos al sistema expertoRecepción de acciones a tomar y actualización del registro de infracciones del vehículo

Características


Consulta de información del vehículoConsulta de información del titular del vehículoConsulta de excesos de velocidad registrados por el sistema de reconocimiento de señalesEnvío de excesos al sistema experto

Operaciones disponibles


Servicios web de vehículos: para obtener la información relativa al propio vehículo, su titular, los excesos registrados…Servicio web de comparación de velocidades: para enviar los excesos transformados en infracciones al sistema experto y que éste procese las sanciones correspondientesBase de datos SQLite… de forma indirecta¡Plataforma .NET!

Comunicación con…


Base de datos


• .NET Framework• .NET Compact Framework• Servicios web• XML• SOAP• SQLite• Algoritmo de cifrado ARC-4

Tecnologías utilizadas


Demostración



• Objetivos

• Motivaciones



• Sistema experto• Aplicaciones futuras

• Conclusiones

Contenido


Tipo de problema: clasificaciónEl entorno

• Infracción cometida• El conductor que la realiza• Su vehículo• Infracciones anteriores cometidas

Fuente de informaciónBoletín Oficial de las Cortes Generales del 6 de julio de 2005

Análisis


• En teoría: Encaminamiento hacia atrás– Datos recogidos al principio y disponibles

siempre– Número de posibles respuestas finito y

reducido

• En la práctica: Encaminamiento hacia delanteDrools de JBoss es un motor de reglas que solo admite encaminamiento hacia delante

Diseño y desarrollo: Mecanismo de Inferencia


Diseño y desarrollo: Árbol de decisión


Formato estructuradoNombre significativo

rule "COMPROBAR_GRAVEDAD_MUYGRAVE"rule "COMPROBAR_GRAVEDAD_MUYGRAVE"whenwhen

multa : Multa multa : Multa (gravedad==tiposGravedad.MUY_GRAVE ) and (gravedad==tiposGravedad.MUY_GRAVE ) and decisionLog : decisionLog : DecisionLog(tarea=="COMPROBAR_GRAVEDAD")DecisionLog(tarea=="COMPROBAR_GRAVEDAD")then then

decisionLog.setTarea("COMPROBAR_PUNTOS_MUYdecisionLog.setTarea("COMPROBAR_PUNTOS_MUYGRAVE");GRAVE");decisionLog.setHitoRS("MuyGrave");decisionLog.setHitoRS("MuyGrave");update(decisionLog);update(decisionLog);

endend

Regla intermedia

Diseño y desarrollo: Reglas (1/2)


rule "COMPROBAR_EDAD_LEVE_MR_MAYOR"rule "COMPROBAR_EDAD_LEVE_MR_MAYOR"whenwhen

conductor : Conductor( edad >= 18 ) and conductor : Conductor( edad >= 18 ) and decisionLog : DecisionLogdecisionLog : DecisionLog(tarea == "COMPROBAR_EDAD_LEVE_MR")(tarea == "COMPROBAR_EDAD_LEVE_MR")

then then decisionLog.setTareadecisionLog.setTarea("("OK_COMPROBAR_EDAD_LEVE_MR_MAYOROK_COMPROBAR_EDAD_LEVE_MR_MAYOR");");decisionLog.setPorcentaje_Plus(100);decisionLog.setPorcentaje_Plus(100);retract(decisionLog);retract(decisionLog);

endend

Regla de decisión final

Diseño y desarrollo: Reglas (2/2)


Aporta consistencia lógicaDetecta errores

Inconsistencia lógicaMala estructuración del conocimientoMala ordenación del conocimiento

Evaluación: Red de Inferencia (1/2)


Evaluación: Red de Inferencia (2/2)


Garantiza una respuestaHitos definidos

PuntosAgotados y PuntosNoAgotadosLeve, Grave y MuyGrave

rule "COMPROBAR_PUNTOS_MUYGRAVE_AGOTADOS"rule "COMPROBAR_PUNTOS_MUYGRAVE_AGOTADOS"whenwhen conductor : Conductor( puntos <= 0 ) and conductor : Conductor( puntos <= 0 ) and decisionLog : DecisionLog (tarea == decisionLog : DecisionLog (tarea == "COMPROBAR_PUNTOS_MUYGRAVE")"COMPROBAR_PUNTOS_MUYGRAVE")then then

decisionLog.setTareadecisionLog.setTarea("COMPROBAR_REINCIDENCIA_MUYGRAVE_AGOTADOS");("COMPROBAR_REINCIDENCIA_MUYGRAVE_AGOTADOS");

decisionLog.setHitoRS("PuntosAgotados");decisionLog.setHitoRS("PuntosAgotados"); update(decisionLog);update(decisionLog);endend Regla con hito

Evaluación: Red de Seguridad


Errores detectados• Conocimiento lógicamente inconsistente• Conocimiento incorrecto• Conocimiento incompleto

Sistema 100% fiableConfección de una base de datos de pruebaConfección de tres documentos XML con todos los posibles casosSe han probado el 100% de las respuestas posibles

Pruebas


Demostración

Servicio WebCliente del WS



• Objetivos

• Motivaciones



• Sistema experto

• Aplicaciones futuras• Conclusiones

Contenido


Mejoras de diseño. Sistema más distribuido

No restricción a señales de limitación de velocidad

Visión artificial. Manejo del vehículo por parte del sistema

Registro y gestión de datos para Inspección Técnica de Vehículos

Apertura de garajes, levantamiento de barreras, peajes, etc, vía Wi-Fi

Aplicaciones futuras



• Objetivos

• Motivaciones



• Sistema experto


• Conclusiones

Contenido


Objetivos alcanzados

Investigación de tecnologías relacionadas con las comunicaciones y con la inteligencia artificial

SOAP

XML

Servicios Web

Sistemas de conocimiento basados en reglas

Redes neuronales…

Conclusiones (1/4)


Documentación de las mismas

• Investigación en tecnologías y desarrollo del proyecto.

• Especificación de requisitos del sistema y del diseño.

• Desarrollo de aplicaciones basada en las anteriores tecnologías.

Conclusiones (2/4)


Consideraciones

Problemas y retrasos

Investigación dentro del campo de la inteligencia artificial

Conclusiones (3/4)


Grado de cumplimiento de objetivos

Sistema capaz de monitorizar, registrar y gestionar los excesos y las sanciones

Reconocimiento óptico de señales

Tratamiento de excesos mediante reglas

Aplicación móvil ligera

Investigación de tecnologías

Conclusiones (4/4)


Fin

Cuestiones, dudas,…

Final Degree Project: Traffic Infraction Supervisor (SMIT)

Career

Transcript of Final Degree Project: Traffic Infraction Supervisor (SMIT)