2022年1月19日 星期三

‧ 2022\01\19\3S MARKET Daily 智慧產業新資訊

3S Market deliver Smart and Valuable information for Business

3S Market 傳遞 智慧應用與價值的商業資訊

The World Ahead: How to keep innovation moving - The Economist

未來的世界:如何保持創新的發展 - 經濟學人

· 以 AI 人工智慧「密集影像監控系統」的佈署,解決交通問題

The Future of Smart Cities – Traffic Management Sensor - smartmicro

智慧城市的未來 —— 交通管理感測器 - smartmicro



Journal of Intelligent Transportation Systems

在 AI 人工智慧潮流不斷發酵成主流,台灣有多少專業影像監控廠商業者,能夠比這篇報導的技術的內容,描述得更清楚,更令人了解 ……

介紹

交通堵塞在全世界都是一個嚴重的問題,尤其是在現代城市的早晚高峰時段。交通量、道路施工和天氣事件會導致交通擁堵。其中超過 20% 可歸因於交通事故等個別事件。儘管城市地區的大多數碰撞事故,不會因低速行駛而對車輛乘員造成傷害,但駕駛員必須停車等待執法人員到達,並確定財產損失責任,這不可避免地導致交通堵塞。密集影像監控系統,可以透過從道路沿線和十字路口的不同視點,捕獲即時影像來解決這個問題。執法部門事後可以透過錄影辨識交通事故責任,這將允許司機在發生碰撞後立即開走,避免造成交通擁堵。

本期特刊的主題

在本期特刊中,我們將重點關注密集影像監控系統的佈署,及其在城市交通中的應用。在過去的幾十年裡,人工智慧 (AI) 為智慧交通系統 (ITS) 做出了巨大貢獻,並顯示出解決交通影像分析難題的巨大潛力。數以千計的期刊和會議論文研究了深度學習,如何分析和追踪交通軌跡。透過應用密集的影像監控系統,來解決交通擁堵是一個較新的方向。在密集的影像監控系統中,攝影機節點的放置方式,確保了交叉路口和道路沿線的全面覆蓋。

這些節點形成了一個大型無線感測器網路 (WSN),從而產生了節能問題。所以,有許多研究評估了攝影機節點能夠穩健地生存,和穩定工作的時間。密集的影像監控系統,在全球迅速引起人們的興趣,擁有許多活躍的學術和工業研究團體。去年,近 10 種已發表的期刊和 50 多篇會議論文討論了影像監控系統如何支持 ITS。

本期特刊目的在提供一個備受認可的國際論壇,展示透過密集影像監控系統,避免城市交通堵塞的創新發展。最終目標是匯集重點突出、高畫質的研究貢獻,以提高 AI 和 WSN 技術的可見性和相關性,並為一般 ITS 研究社區提供近期結果,和最有希望的途徑的總體視圖。其目的是提高人們對密集影像監控系統的集體認識,這是 ITS 研究界應該追求的一種很有前途的技術。本期將提供一個高度認可的國際論壇,透過《智慧交通系統雜誌》介紹最新進展。我們歡迎考慮理論貢獻、有趣應用和其他方面的論文,例如:

  • 無線感測器網路
  • 無線通訊
  • 影像採集、壓縮和傳輸
  • 3D 影像壓縮和分析
  • 多視圖影像編碼
  • 功率控制
  • 節能編碼
  • 低複雜度影像編碼
  • 影像分析
  • 車輛軌跡分析和追踪
  • 深度學習
  • 模式辨識
  • 智慧交通


本期投稿 14 篇,共錄用 7 篇。錄用論文中,7 篇為原創研究論文,1 篇為綜述。


楷模

車聯網(IoV)的快速發展,對儲存大量車聯網數據和保持檢索效率,提出了新的挑戰。車聯網會產生大量的全球定位系統(GPS)日誌數據和車輛監控數據,但只需要其中一小部分用於讀取/寫入。傳統的 Hadoop 分佈式文件系統(HDFS)訪問過多的小文件,會產生佔用率高、訪問效率低、檢索效率低等一系列問題,從而降低了車聯網的性能。在「基於車聯網相關概率的儲存和訪問優化方案」中,Bin 等人建議透過小型文件相關概率 (FCP) 模型,來解決這些瓶頸問題 (Bin et al., 2019)。本文提出的基於 FCP 的小文件合併方案(SFMS),和小文件預取暫存策略(SFPCS),優化了 HDFS 的儲存和訪問性能。實驗顯示,與原生 HDFS 讀寫方案和基於Hadoop ARchive(HAR)的讀寫優化方案相比,所提出的優化方案緩解了 HDFS 名稱節點,佔用率高、訪問效率低的問題。

用於交通影像分析的人工智慧工具,已被廣泛認為是 ITS 中難題的潛在解決方案。為了充分發揮其潛力,人工智慧需要在道路和十字路口放置密集的攝影機,以監控所有交通。捕獲的影像需要回傳到控制中心,並作為 AI 工具的輸入。為了承受如此大的數據流量負載,並覆蓋遠距離傳輸,定向通信技術將無線信號的能量,集中在特定方向,以提供高數據速率和遠距離傳輸(可達數十公里)。在 Yan 等人的貢獻中,「一種用於定向密集城市交通監控系統的高效多路訪問控制協議,」 當定向傳輸應用於密集的城市交通監控系統時,會出現通信時間擴展問題(CTEP),並且無線信號傳播時間接近於數據傳輸時間(Yan et al.,2019 年)。

CTEP 透過基於鏈路距離劃分 (LDD) 的時分多址 (TDMA) 協議進行尋址。首先,有向無線通信鏈路根據其鏈路距離進行分類,即位於同一通信環上的節點屬於同一類別。然後,基於鏈路距離感知 (LDA) 的時隙分配算法,將時隙分配給鏈路。該協議以封閉式公式推導通信環的最佳半徑,並推導最小平均鏈路距離。仿真結果表明,當環數為 4 時,LDD-TDMA 優於 TDMA 13.37%。


性能改進

紅外線和可見圖像在 ITS 中發揮著重要作用,因為它們可以全天候監控交通狀況。但可見圖像品質易受環境影響,紅外線圖像細節不夠豐富。紅外線和可見圖像融合技術,可以將這兩個不同的模態圖像融合成一個,包含更多有用資訊的圖像。在 Li 等人的投稿「Infrared and visible images fusion by using sparse representation andguided filter」中,作者提出了一種有效的交通系統紅外線和可見光圖像融合方法(Li et al., 2019)。首先,權重圖是透過使用稀疏係數來測量的。下一步是將紅外線和可見光,對分解為高頻層 (HFL) 和低頻層 (LFL)。由於兩層包含不同的結構和紋理資訊,引導濾波器根據紅外線和可見光對的不同特徵優化權重圖,以提取具有代表性的分量。最後一步是根據權重圖重建兩個尺度層。實驗結果顯示,所提出的方法,在主觀感知和客觀指標方面,優於其他流行的方法。

Rios-Torres 等人的貢獻,「安全關鍵應用中,車對車通信的可靠性程度:一項實驗研究」,研究了車對車 (V2V) 和車輛碰撞問題 (Rios-Torres 等人)等,2020)。使用專用短程通信 (DSRC) 技術的 V2V 通信,有可能大幅減少車輛碰撞。與用於汽車通信的其他無線技術相比,DSRC 允許車輛在高度移動和複雜的網路中,以更高的可靠性和更低的延遲,發送和接收安全消息。但是,有許多因素可能導致,安全關鍵型汽車應用中的通信故障。雖然 V2V 通信的可靠性,一直是一些研究人員研究的主題,但由於內部元素和高度差異會影響 V2V 通信,因此 DSRC 設備的最有效放置(車內或車外)仍然存在懸而未決的問題。

Cui 等人的貢獻「用於辨識高速公路交通擁堵的捲積神經網路」研究了使用深度卷積神經網路 (CNN) 在監控攝影機圖像中,辨識高速公路交通堵塞狀態(Cui 等人,2020)。高速公路攝影機通常具有廣泛的視角範圍,因此會生成具有大背景的圖像,這與 CNN 中用於對象分類(如 ImageNet)的通常輸入圖像不同。作者使用涵蓋一系列道路配置、一天中的時間,以及天氣和照明條件的真實交通影像,建構了一個高速公路圖像數據集。每個圖像都標有感知的交通堵塞狀態。該標記數據集用於表徵目標堵塞狀態辨識問題的 CNN。AlexNet 和 GoogLeNet 在保留的測試樣本上,產生了 98% 的出色辨識準確率,其中許多錯誤分類的圖像都是邊緣案例。更多結果顯示,規模和視角可能會影響辨識。


應用

紅外 (IR) 成像感測器,在城市交通系統中得到廣泛應用,因為它們不受光照條件的影響。他們可以全天候穩定工作。紅外線圖像使 ITS 的後續處理更容易。然而,由於硬體和成像環境的限制,很難獲得所需畫質的紅外線圖像。紅外圖像總是缺乏詳細的資訊,這導致傳統方法的增強效果不令人滿意。與紅外線圖像相比,可見光(VISible)圖像包含詳細資訊,有助於提高相應紅外線圖像的品質。

陳等人,在「基於可見圖像相關性測量的城市交通監控系統的新型紅外線圖像增強」中,提出了一種透過將多感測器應用於圖像,來增強紅外線圖像的有效方法(陳等人,2019 年)。首先,作者採用邊緣保留濾波器,根據 Retinex 理論將 IR 和 VIS 圖像,分解為其照明和反射分量。其次,根據 IR 和 VIS 圖像之間的相關性,將 IR 和 VIS 圖像中的每個區域分為相關區域和非相關區域。最後,自適應模糊高原 HE (AFPHE) 增強了照明分量,並採用 VIS 輔助策略,在 VIS 圖像的幫助下,增強 IR 反射分量的細節。實驗結果顯示,該方法可以有效提高紅外線圖像的對比度,增強圖像的細節。

越來越多的監控攝影機,對高效影像編碼提出了很高的要求。儘管現代影像編碼標準,已經顯著提高了編碼效率,但它們是為普通影像,而不是監控影像設計的。監控影像的特殊性為性能的進一步提升留下了空間。在 Ding 等人的貢獻中,「一種用於監控影像品質增強的深度學習方法」,作者利用深度學習方法,來增強監控影像壓縮中的重構幀(Ding 等人,2019)。更具體地說,作者將幀增強問題表述為回歸問題,並透過卷積神經網路 (CNN) 解決,稱為殘差擠壓和激發網路 (RSE-Net)。

RSE-Net 使用少量參數,廣泛利用了重建幀和地面實況之間的非線性映射。此外,透過改進 You Only Look Once (YOLO) 網路,系統成功地檢測到框架內的分組車輛。然後透過從分組車輛中學習,來開發一種新的模型訓練方案。透過所提出的方案,他們為監控影像的前景和背景,訓練了一個全局模型。實驗結果顯示,這些方法在 H.265/HEVC 分別在 AI、LDP 和 RA 配置下錨定,並在應用於壓縮監控影像時,產生視覺上令人愉悅的結果。

結論

本期特刊中的文章,為使用密集監控系統開發城市交通監控技術,提供了見解。這些貢獻包括模型、性能評估和改進,以及應用開發。我們希望讀者能從這些論文的見解中受益,並為這些快速發展的領域做出貢獻。我們還希望本期特刊能夠闡明《智慧交通系統雜誌》重點領域的重大發展,並引起科學界的興趣,以進行進一步的調查,以促進這些技術的快速實施。



IDVIEW 最佳工地管理解決方案


按此回今日3S Market新聞首頁  

· 澳洲智慧車站規劃設計的執行過程

Central Train Station - Sydney Australia - Sydney Trains

中央火車站 - 雪梨 澳大利亞



aurecon 



將使用者需求置於未來車站設計的核心

火車站是公共交通網路的核心。它們是系統的門戶,也是我們許多社區的中心聚會場所。它們促進了人們的流動,將我們與我們生活、工作和娛樂的地方聯繫起來。為了使車站發揮其作為我們生活不可或缺的一部分的作用,並響應使用者和營運商的多樣化需求,它們需要變得聰明。



Aurecon 受邀與澳洲新南威爾士州交通局 (TfNSW) 合作探索和定義「智慧車站」。作為交通准入計劃 (TAP) 的一部分,該項目提供了一個令人興奮的機會,可以超越典型的合規性,探索我們如何設計現代、創新的交通網路,以實現 TfNSW 的 2056 年未來交通策略。

智慧車站靈活且反應使用者的需求,為所有人提供平等的訪問權限。它創造了一種強烈的地方感,與當地社區相連。最重要的是,它有助於可靠和輕鬆的旅程,認識到人們時間的價值。

我們的 Smart Stations 項目專注於創造切實的想法,透過優化功能、提高可持續性和創造更輕鬆、更愉快的客戶旅程的技術來實現

將使用者置於設計過程的核心

我們的項目團隊執行了 Aurecon 獨特的以人為本的創新設計方法,專注於對影響整個網路的使用者和營運商的關鍵痛點有同理心的理解。他們很快就意識到「智慧車站」不僅僅由技術定義。團隊收集的見解直接輸入到設計標準中,確保這些想法反映了處於交通網路核心的人們的需求。

除了考慮使用者的需求外,該項目還尋求透過開發促進基礎設施、人員和技術之間的有效接觸點的解決方案來提高網路性能,從而有意義地生成和使用數據。

























































了解使用者需求導致了可行的概念

在與 TfNSW 和 Aurecon 的主題專家舉行的「是什麼」研討會之後,項目團隊進行了廣泛的客戶觀察、客戶和鐵路員工訪談,以及定義「智慧車站」和制訂設計標準的研討會。

由此,該團隊發現了 57 個見解,他們將這些見解分為 12 個類別,以及以可靠性、反應性、直覺和智慧為主題的四個指導構思的設計標準。

該項目產生了 180 多個初始想法,並細化為 43 個獨特的概念。經過對可行性、可行性和可取性的評估,其中 18 項因其對確定的痛點的出色反應而入圍。Aurecon 的諮詢團隊幫助確定了每個概念的高水平收益和投資回收期。

主題專家進一步研究和完善了創意候選名單,並根據設計標準進行了測試。然後,最終的想法透過數位動畫呈現給 TfNSW,以支持他們在內部宣傳這些想法。

我們以用戶為中心應對這一獨特挑戰的方法最終產生了 14 個概念化的想法,這些想法被證明是利益相關者所需要的、可行的,並且對於 TfNSW 來說是可行的,可以創建真正的智慧車站,並將使用者需求作為其設計的核心。



按此回今日3S Market新聞首頁  

· 智慧廠房建設(圖示)

 

Smart Construction Solutions

智慧營建解決方案

 


smic



世界各國都在競相提高自己的製造業競爭力。
對創新、產品生命週期和客製化產品的需求,比以往任何時候都成長得更快。
智慧製造創新中心,是對智慧製造進行研究、檢驗和測試的機構。
國內外的智慧工廠領導者和組織,都在透過智慧製造創新中心,尋找未來智慧製造的解決方案。

我們的智慧製造創新中心正在共同努力,實現智慧製造中創新、協作和轉型的價值。


建設內容



搭建基於 Digital Twin 的開發環境



  • · 建構基於Digital Twin的開發環境,連接虛擬製造環境和實際製造環境 
  • · 建構基於開放標準的雲平台,與實際製造環境對接(OT+IT結合)

構  SBB(Smart Base Block) 模組化設施



標準互變認證檢測設備的開發和

為智慧工廠開發標準互操作性測試環境(OPC-UA、AML、oneM2M等)


當地企業參與的設備聯動測試(12家) 
  • · 建議與我們的技術和全球智慧工廠標準合作的計劃(德國,美國) 
  • · 制訂驗證核心智慧工廠標準技術的計劃 
  • · 透過國內智慧工廠解決方案公司的參與,提升競爭力 

規範示範工廠建設 

基於標準IIC(美國)智慧工廠建築標準的認可

海外示範工廠對接