Sistem Cerdas Pemantauan Arus Lalu Lintas Dengan DCN (Deep Convolutional Network)

Authors

  • Mawaddah Harahap Universitas Prima Indonesia
  • Juni Elfrida Universitas Prima Indonesia
  • Pasrah Agusman Universitas Prima Indonesia
  • Mario Rafael Universitas Prima Indonesia
  • Rahul Abram Universitas Prima Indonesia
  • Kiki Andrianto Universitas Prima Indonesia

Abstract

Visi komputer merupakan bidang teknologi yang berkembang sangat pesat pada saat ini. Banyak hal yang bisa dilakukan dengan visi komputer, seperti sistem robotik dan sistem deteksian kendaraan. Pada penelitian ini, pendeteksian kendaraan di jalan raya menjadi tujuan utama dengan menggunakan dataset sebagai pemantauan arus lalu lintas yang bersumber dari CCTV ATCS Dishub Kota Medan sebagai bahan pengujian. Metode YOLOv3 digunakan untuk pendeteksian objek, dengan kemampuan pendeteksian yang cepat dan akurat hingga dua kali lipat dibandingkan beberapa metode lain. YOLOv3 mampu mengklasifikasikan kendaraan dengan mAP(mean Average Precision) pada CCTV Fix yang paling tertinggi yaitu 97% sedangkan pada CCTV PTZ adalah 99%. 

References

Chauhan, M. S., Singh, A., Khemka, M., Prateek, A., &Sen, R. (2019). Embedded CNN based vehicle classification and counting in non-laned road traffic. Retrieved from http://arxiv.org/abs/1901.06358

Schlingensiepen, J., Mehmood, R., &Nemtanu, F. C. (2015). Framework for an Autonomic Transport System in Smart Cities. Cybernetics and Information Technologies, 15(5), 50–62. https://doi.org/10.1515/cait-2015-0016

Sirirattanapol, C., NAGAI, M., Witayangkurn, A., Pravinvongvuth, S., &Ekpanyapong, M. (2019). Bangkok CCTV Image through a Road Environment Extraction System Using Multi-Label Convolutional Neural Network Classification. ISPRS International Journal of Geo-Information, 8(3), 128. https://doi.org/10.3390/ijgi8030128

Zhang, F., Li, C., & Yang, F. (2019). Vehicle detection in urban traffic surveillance images based on convolutional neural networks with feature concatenation. Sensors (Switzerland), 19(3). https://doi.org/10.3390/s19030594

Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137–1149. https://doi.org/10.1109/TPAMI.2016.2577031

Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 2015 International Conference on Computer Vision, ICCV 2015, 1440–1448. https://doi.org/10.1109/ICCV.2015.169

Chen, L., Ye, F., Ruan, Y., Fan, H., & Chen, Q. (2018). An algorithm for highway vehicle detection based on convolutional neural network. Eurasip Journal on Image and Video Processing, 2018(1), 1–7. https://doi.org/10.1186/s13640-018-0350-2

Benjdira, B., Khursheed, T., Koubaa, A., Ammar, A., &Ouni, K. (2019). Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3. 2019 1st International Conference on Unmanned Vehicle Systems-Oman, UVS 2019, 1–6. https://doi.org/10.1109/UVS.2019.8658300

Downloads

Published

2019-11-21

Issue

2019: Semnastik 2019

Section

Articles

License

Penulis yang mempublikasikan artikelnya dalam publikasi ini setuju dengan ketentuan berikut :


  1. Hak cipta tetap pada penulis dan memberikan hak kepada SEMNASTIK 2019 sebagai prioritas pertama untuk mempublikasikan artikelnya dengan lisensi Creative Commons Attribution License yang memperbolehkan artikel untuk dapat dibagikan dengan pengakuan terhadap penulis artikel dan SEMNASTIK 2019 sebagai tempat publikasinya.
  2. Penulis dapat mendistribusikan publikasi artikelnya secara non-eksklusif (contoh : pada repository universitas atau pada buku) dengan pemberitahuan atau pengakuan publikasi di SEMNASTIK 2019.
  3. Penulis diijinkan untuk mencantumkan karyanya secara online (misal : di website pribadi atau di repository universitas) sebelum dan sesudah proses pengiriman (lihat The Effect of Open Access).