Método de detección de accidentes en tiempo real basado en … · 2020. 5. 1. · OE1: Depurar y...
Transcript of Método de detección de accidentes en tiempo real basado en … · 2020. 5. 1. · OE1: Depurar y...
-
Método de detección de accidentes en tiempo real basado en algoritmos de Inteligencia Artificial
PROYECTO FONDOCYT 3A1-107
-
Una respuesta rápida puede significar la diferencia entre la vida y la muerte
“La hora de Oro”
Un minuto = 6% incremento de vidas salvadas (Evanco, 1996)
(Lerner & Moscati, 2001)
2
-
Sistema 9-1-1 permite detectar incidentes y ofrecer asistencia médica con mayor rapidez que nunca antes
3
-
https://911.gob.do/transparencia/estadisticas/
La velocidad de respuesta del Sistema 9-1-1 puede mejorar
4
https://911.gob.do/transparencia/estadisticas/
-
El factor humano juega un papel importante en los procesos actuales de detección de accidentes
Persona se comunica con el Sistema 9-1-1
Personal monitorea las cámaras
• Tiempo de reacción lento• Conmoción • Instinto de llamar al 9-1-1• Tiempo para comunicarse• Desconocimiento del lugar
• Costoso• Fatiga mental• “Ceguera de inatención”• Error humano
(Hodgetts et al. 2017)
5
-
El factor humano juega un papel importante en los procesos actuales de detección de accidentes
Persona se comunica con el Sistema 9-1-1
Personal monitoree las cámaras
• Tiempo de reacción lento• Conmoción • Instinto de llamar al 9-1-1• Tiempo para comunicarse• Desconocimiento del lugar
• No es económicamente factible
• Fatiga mental• “Ceguera de inatención”• Error humano
Dadas las limitaciones existentes y la importancia de detectar accidentes en tiempo real, se plantea
desarrollar un método de detección de accidentes basado en Inteligencia Artificial
6
-
Sistemas actuales de detección de accidentes son comúnmente diseñados para entornos de carretera
(Sadeky et al., 2010, Giannakeris et al., 2018)
(Buch et al., 2011)
7
-
CARRETERA URBANO
Entornos urbanos son más complejos que los entornos de carretera
(Singh & Mohan, 2018, Huang et al., 2019)
(Buch et al., 2011)
8
-
¡Entornos urbanos en la República Dominicana son aun más complejos!
✔Motocicletas✔Cambios de carril frecuente✔Diversidad de vehículos✔Patrones diversos de velocidad
9
-
¡Entornos urbanos en la República Dominicana son aun más complejos!
✔Motocicletas✔Cambios de carril frecuente✔Diversidad de vehículos✔Patrones diversos de velocidad
¿Dadas todas estas limitaciones, que tenemos a nuestro favor?
10
-
Falta de videos de accidentes en entornos urbanos es uno de los grandes obstáculos
(Kumaran, Prosad, & Pratim, 2019)
modelos de
11
-
Acceso a super computadoras para entrenar los modelos
✔16 CPUs Intel Xeon E5-2698 @ 2.3 GHz
✔8 Nvidia GPUs P100 Tesla
✔512 GB RAM
✔128 GB GPU
✔4 SSDs de 1.92 TB
12
✔16 CPUs Intel Xeon 4110 @ 2.1 GHz
✔4 Nvidia GPUs T4 Tesla
✔96 GB RAM
✔64 GB GPU
✔2 SSDs de 240 GB
-
Método hibrido multietapas basado en algoritmos de Inteligencia Artificial
Ala
rma
so
bre
po
sib
le a
ccid
ente
-
Método hibrido multietapas basado en algoritmos de Inteligencia Artificial
Algoritmos de aprendizaje automático
(Machine Learning)
Algoritmos de aprendizaje
profundo neuronal(Deep Neural
Networks)
Ala
rma
so
bre
po
sib
le a
ccid
ente
-
1
Algoritmo de detección de objetos1
Carros, motores….. 15
-
1
Algoritmo de detección de objetos1
Buses, personas…. 16
-
1
Algoritmo de detección de objetos1
¿De noche? 17
-
Método de detección de accidentes basado en Inteligencia Artificial para el Sistema 9-1-1
• Mejorar velocidad de respuesta• Salvar vidas• Reducir costos• Reducir embotellamientos• Reducir incidentes secundarios
18
-
Proyecto ayudará a desarrollar talentos dominicanos en el área de Inteligencia Artificial
❑ Capacitación de asistentes de investigación
❑ Eventos de capacitación para jóvenes dominicanos
❑ Proyecto relevante que motivará a jóvenes a capacitarse
19
-
Objetivos Específicos del Proyecto:
20
OE1: Depurar y procesar los videos de tráfico para el entrenamiento de modelos
de aprendizaje automático a ser utilizados en el método de detección de
accidentes.
OE2: Diseñar modelos de aprendizaje automático para la detección de
accidentes en tiempo real con altos grados de precisión y bajos niveles de
falsas alarmas.
OE3: Analizar la factibilidad del método propuesto para su despliegue en línea
con en el Sistema 9-1-1.
OE4: Desarrollar talentos dominicanos en el área de Inteligencia Artificial para
contribuir al fomento de la investigación en esa área en el país.
-
No. Objetivos Centro Ejecutor
Persona Responsable Trimestres1 2 3 4 5 6 7 8 9 10 11 12
OE1 Depurar y procesar los videos de tráfico para el entrenamiento de modelos de aprendizaje automático a ser
utilizados en el método de detección de accidentes.
ACTIVIDADES
1.1 Adquirir videos de seguridad de entornos urbanos UASD SEDE Todo el equipo
1.2 Depurar videos adquiridos UASD SEDE Todo el equipo
1.3 Etiquetar videos depurados UASD SEDE Raysa Vásquez, Victoria
Castro y Ángel Asencio
1.4 Crear una base de datos de videos etiquetados para entrenamiento UASD SEDE Raysa Vásquez, Victoria
Castro y Ángel Asencio
OE2 Diseñar modelos de aprendizaje automático para la detección de accidentes en tiempo real con altos grados de
precisión y bajos niveles de falsas alarmas.
ACTIVIDADES
2.1 Evaluar el desempeño de los métodos existentes con la base de datos
generada
UASD SEDE Christian López y Ángel
Asencio
2.2 Integrar algoritmos de detección de objetos y anomalías para las etapas de
pre-colisión
UASD SEDE Christian López
2.3 Entrenar modelos de detección de accidentes para las etapas de colisión y
post-colisión basado en algoritmos de aprendizaje automático y profundo
neuronal
UASD SEDE Christian López
2.4 Integrar los modelos desarrollados en el método final de detección de
accidentes
UASD SEDE Todo el equipo
OE3 Analizar la factibilidad del método propuesto para el despliegue de los modelos en línea en el Sistema 9-1-1
ACTIVIDADES
3.1 Evaluar los recursos necesarios para integrar el método de detección de
accidentes con el Sistema 9-1-1
UASD SEDE Christian López y Ángel
Asencio
OE4 Desarrollar talentos dominicanos en el área de Inteligencia Artificial para contribuir al fomento de la
investigación en esa área en el país.
ACTIVIDADES
4.1 Capacitar asistentes de investigación en lenguajes de programación y
programas para el desarrollo de modelos basados en algoritmos de
aprendizaje automático
UASD SEDE Todo el equipo
4.2 Capacitar en el desarrollo y evaluación de modelos basados en algoritmos
de aprendizaje automático
UASD SEDE Todo el equipo
-
22
Capacitación de talento dominicano
Uso de cámaras para detectar incidentes
• Delitos
• Violaciones de tránsito
• Vehículos averiados
• Confrontaciones
• Embotellamientos
Con la expansión del Sistema 911, las cámaras de tránsito en todo
el territorio nacional se pueden utilizar para identificar:
Este proyecto incentivará la implementación de tecnologías de Inteligencia Artificial
Smart Cities
-
Christian López Bencosme, PhDAssistant Professor Computer Science Lafayette College, PA, USA
Investigador Principal
Co-Investigadores
Raysa Vásquez Reynoso, EdDDirectora Escuela de InformáticaUniversidad Autónoma de Santo Domingo, D.N.
Ángel Asencio Mendoza, MSMaestro de InformáticaUniversidad Autónoma de Santo Domingo, D.N.
Nelson AbreuMaestro de InformáticaUniversidad Autónoma de Santo Domingo, D.N.
-
• Lerner, E. B., & Moscati, R. M. (2001). The golden hour: Scientific fact or medical ”urban legend”? Official Journal of the Society for Academic Emergency Medecine, 8(3), 758–760.
• Evanco, W. M. (1996). The impact of rapid incident detection on freeway accident fatalities. McLean, Virginia, USA.
• Sistema 9-1-1. (2019). Informe de Estadísticas Institucionales. Santo Domingo, República Dominicana. Retrieved from https:// 911.gob.do/transparencia/estadísticas
• Hodgetts, H. M., Vachon, F., Chamberland, C., & Tremblay, S. (2017). See no evil: Cognitive challenges of security surveillance and monitoring. Journal of Applied Research in Memory and Cognition, 6(3), 230–243.
• Buch, N., Velastin, S. A., & Orwell, J. (2011). A Review of Computer Vision Techniques for the Analysis of Urban Traffic. IEEE Transactions on Intelligent Transportation Systems, 12(3), 920–939.
• Sadeky, S., Al-Hamadi, A., Michaelis, B., & Sayed, U. (2010). Real-time automatic traffic accident recognition using HFG. In Proceedings - International Conference on Pattern Recognition (pp. 3348–3351). IEEE. https://doi.org/10.1109/ICPR.2010.817
• Giannakeris, P., Kaltsa, V., Avgerinakis, K., Briassouli, A., Vrochidis, S., Kompatsiaris, I., & … J. H.-… of the D. 2018 15th. (2018). Speed estimation and abnormality detection from surveillance cameras. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 93–99).
• Singh, D., & Mohan, C. K. (2018). Deep Spatio-Temporal Representation for Detection of Road Accidents Using Stacked Autoencoder. IEEE Transactions on Intelligent Transportation Systems, 1–9. https://doi.org/10.1109/TITS.2018.2835308
• Huang, X., He, P., Rangarajan, A., & Ranka, S. (2019). Intelligent Intersection: Two-Stream Convolutional Networks for Real-time Near Accident Detection in Traffic Video. ArXiv Preprint, arXiv:1901.01138. Retrieved from http://arxiv.org/abs/1901.01138
• Kumaran, S., Prosad, D., & Pratim, R. (2019). Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey. ArXiv Preprint, arXiv:1901.08292. Retrieved from https://arxiv.org/pdf/1901.08292.pdf
Referencias
24
https://doi.org/10.1109/ICPR.2010.817about:blankhttps://doi.org/10.1109/ICPR.2010.817https://doi.org/10.1109/TITS.2018.2835308http://arxiv.org/abs/1901.01138https://arxiv.org/pdf/1901.08292.pdf