★ 智慧城市交通管理的機器學習

 
電腦視覺交通管理

Klacci 凱樂奇 30 系列逃生門鎖

通過美國國家標準 ANSI/BHMA A156.3-2014 一級鎖認證

blues.io

使用無線連線和機器學習，即時資料將降低道路堵塞，造成的數十億美元成本。

世界各地的城市正在經歷持續的人口成長。隨著人們搬進來，市政基礎設施的壓力很大。基於物聯網的智慧城市解決方案，正在幫助城市促進現代經濟發展，改善城市基礎設施，提高環境意識，並最佳化公共資源的使用。利用邊緣的機器學習，城市可以應對快速成長最昂貴和最有影響力的副作用之一：道路堵塞加劇。

在建構概念驗證或原型物聯網裝置時，重要的是將大部分時間花在解決手頭挑戰的功能上，而不是實用功能上。Blues Wireless Notecard 是向物聯網裝置新增連線的最簡單、最具成本效益的方法。只需將 Notecard 插入你現有的硬體，它將自動將你的裝置連線到蜂窩網路，準備傳輸和接收資料。

使用 Notecard，你可以使用機器學習和影像辨識建構邊緣裝置，只需 100 行程式。

城市地區堵塞

湯姆湯姆

截至 2020 年，全球 56% 的人口居住在城市地區，而已開發國家的這一數字甚至更高（79%）。隨著越來越多的人口給市政基礎設施和服務帶來壓力，城市化給城市規劃者和政治家帶來了獨特的挑戰。人口成長最明顯的影響之一是交通量的增加。根據 TomTom 交通指數，2021 年，紐約市的擁堵水準最高，為 35%。這意味著高峰時段 30 分鐘的旅行將比城市非高峰時段花費 35% 的時間。這相當於每 30 分鐘的駕駛額外增加 10.5 分鐘的旅行時間。

除了交通堵塞造成的個人挫折感外，對社群也有無數的影響。道路擁堵有經濟、環境和人力成本：

• 通勤：時間、燃料、生活品質、車輛維護
• 安全：崩潰，應急響應時間
• 運費：供應鏈延誤、燃料、運費
• 環境與公共衛生：二氧化碳、燃料、死亡和疾病
• 經濟競爭力：獲得工作，機場延誤

交通擁堵干擾了應急車輛，增加了事故數量，增加了空氣汙染，並影響了生產力 —— 這些都附有美元標誌。這給城市和州帶來了數千億美元的經濟壓力：

 

那麼，如何解決這些問題呢？通常透過公私夥伴關係，佈署連線裝置可以提供解決領域特有的挑戰所需的資料。深思熟慮地實施物聯網系統，正在將世界各地的城市轉變為智慧城市。

 

使用物聯網進行智慧城市交通管理

在智慧城市，物聯網解決方案收集和傳輸資料，以最佳化基礎設施和服務。這使地方政府能夠更好地吸引公民，管理服務，並節省稅款。感測器裝置網路收集有關能源使用、交通量和模式、汙染水準和其他事件的資料，這些資料被分析並用於瞭解使用情況和預測模式。物聯網在智慧城市管理中的用途包括：

• 智慧交通 - 物聯網系統可以使用機器學習和閉路電視攝影機，透過根據車輛數量，改變交通燈來監控和調節交通。
• 智慧停車 - 啟用即時停車可用性可以減少堵塞，並提高公共停車資源的滿意度。
• 智慧路燈 - 智慧路燈可以自動調節昏暗以節省能源，並可以傾聽玻璃破碎（事故或入室盜竊）或槍擊，並呼籲執法。
• 智慧衛生 - 從街道清掃到垃圾收集，一個城市可以利用物聯網裝置和感測器資料來更好地管理清潔度的無數種方式。
• 智慧應急響應 - 攝影機和感測器捕捉和共享影像、音訊和車輛位置，為急救人員和排程員提供即時資料，用於培訓和規劃。智慧攝影機可以看到事故並觸發緊急響應。

隨著技術變得更加無處不在，城市正在利用物聯網來改善宜居性和推動經濟成長，對這些努力有大量投資。去年，密西根大學從政府和企業合作伙伴那裡獲得了 2000 萬美元，用於在安娜堡實施 20 多個智慧交叉路口。使用蜂窩連線，系統收集即時資料，並將其傳輸到連線汽車，以管理交通流量並減少擁堵，從而節省大量費用。

根據 Juniper Research 的一項研究，到 2025 年，智慧交通管理系統可以透過減少排放和擁堵為城市節省 2770 億美元。該報告預測，減少交通堵塞將節省超過 95% 的費用。由於對智慧交通管理和高車輛使用量的投資增加，北美和歐洲預計將佔所有儲蓄的 75% 以上。

建構影像分類物聯網裝置

測量交通密度需要一種檢測車輛、評估其速度和追蹤，在監控區行駛的車輛的方法。影像處理通常需要大量資料處理，特別是當你即時記錄和傳輸影像檔案時。要建構用於智慧城市佈署的流量管理裝置，你需要更有效率、成本更低的影像處理。

如果你希望建立一個物聯網裝置原型，該原型在邊緣使用機器學習進行低頻寬影像分類，請遵循此專案。該裝置使用 Pi 相機和預定義的影像分類模型，來辨識記錄的內容資料，使用模組上的 Blues Wireless 蜂窩筆記卡系統泵送到雲服務，並透過 Twilio 路由建立的簡訊警報。

Notecard 是向該裝置新增蜂窩網路連線的最快、最簡單的方法，它附帶了 10 年內可用的 500 MB 資料。你可以在 Hackster 上找到完整的專案組裝說明，並在 GitHub 上找到完整的源程式。

Hackster：https://www.hackster.io/rob-lauer/remote-birding-with-tensorflow-lite-and-raspberry-pi-8c4fcc

GitHub：https://github.com/rdlauer/pibird

價格：348.00美元

專案時間：4小時

程式行：100

語言：Python

硬體

• 樹莓派 4 型 B
• 藍調無線樹莓派入門套件
• 樹莓派攝影機模組 V2 
• Adafruit PIR（被動紅外線）感測器
• Adafruit T-Cobbler Plus
• BigBlue行動式太陽能充電器42W
• ROMOSS 30000mAh 電源銀行 Sense 8+
• Awclub ABS塑膠接線盒
• 麵包板（通用）

軟體應用程式和線上服務

• 藍調無線Notehub.io
• Twilio簡訊訊息API
• 張量流

羅布·勞爾

這個專案的主要部分是：

1. 為運動啟動的影像檢測邊緣裝置組裝硬體。
2. 建構、調整和佈署影像分類模型。
3. 將結果傳送到雲端。
4. 建立一條路由，以便在讀數出正常範圍時接收簡訊警報。 （可選）

 

在邊緣使用機器學習

機器學習模型基於已知資料生成推斷。在這種情況下，你將訓練模型來建立關於你希望它辨識的東西的推斷，從而建立你想要捕捉的影像的推斷。

透過使用 Blues Wireless，你的推理模型結果可以泵送到任何具有輕量級、安全影像資料的雲應用。Blues Wireless 提供邊緣到雲的物聯網基礎設施，具有硬體、韌體和雲通訊元件，並且可以嵌入到任何裝置中：

• Notecard：一個模組（SoM）上的微小的 30mm x 35mm 系統，Notecard 是一個蜂窩和支援 GPS 的裝置到雲安全資料泵，配有 500 MB的資料和 10 年的蜂窩網路，起價 49 美元。
• Notecarrier：為了更容易地整合到現有專案中，Blues Wireless 提供了名為 Notecarriers 的主機板。對於這個專案，請使用 Notecarrier Pi HAT，並將其放在 PiJuice Hat 和 Raspberry Pi 之間。
• Notehub.io：在雲端，Notecard 預配置為與 Notehub 通訊，從而實現從裝置到雲的安全資料流。筆記卡被分配給 Notehub 中的專案。然後，Notehub 可以將資料從這些專案路由到你選擇的雲中，或與 Twilio 等第三方服務整合。

觸發 PIR 感測器後，裝置被啟動以拍攝圖片。你將首先啟動攝影機，並指定你希望在檔案系統中儲存捕獲的影像的位置。

然後，指定用於將模型結果從模型對映到實際影象目標名稱（在本專案中，鳥名）的機器學習模型和標籤對映的位置。繼續，你將設定一個信心門檻，並遵循以下後續步驟：

• 透過初始化 TensorFlow 直譯器來封裝你的模型。
• 開啟攝影機並調整燈光設定。
• 拍攝一張照片並將其儲存到檔案系統中。
• 執行影像分類功能，並允許 TensorFlow Lite 分析影像。
• 如果匹配的置信度大於既定閾值，則影像將傳送到雲端。

該專案的應用

隨著城市人口的增加，交通管理變得越來越複雜。邊緣的機器學習可以提高測量、預測和預防道路擁堵的準確性和效率。當今天的城市規劃師正在努力整合複雜的系統來改變其公民的生活時，他們還應該考慮如何可靠、安全地將收集的資料傳送到他們的雲端。只有使用藍調無線筆記卡使用蜂窩物聯網解決方案才有意義。

除了智慧城市交通管理外，這種型別的裝置還有各種用例，包括：

• 零售業人數
• 施工現場安全合規
• 停車場管理
• 環境災害危險品響應
• 惡劣天氣警報和響應
• 反恐努力的臉部認可

按此回今日3S Market新聞首頁