A Proposed Solution for Detection, Classification and Geopositioning of Traffic Signs, Utilizing Machine Learning, Images and LIDAR Data

Moderne maskinlæringsmetoder gjør det mulig å la maskiner utføre oppgaver som kan være monotone og tidkrevende for mennesker, eller å analysere store mengder data som vil være umulig for mennesker å prosessere. Denne oppgaven presenterer en prototype til et system som bruker maskinlæring til å detektere trafikkskilt i bildedata, klassifisere de detektere skiltene, og finne en tilnærming til skiltenes geolokasjon ved hjelp av LIDAR data. Maskinlæringsmodellen YOLOv5 ble valgt blant flere kandidater basert på både prestasjon og muligheten for integrasjon med resten av systemet. En modell til klassifisering ble satt sammen med Tensorflow-biblioteket i Python, og er basert på litteratur om tidligere modeller som har vært brukt til lignende formål. En pinhole-kamera-metode for å bestemme geolokasjonen til de detekterte objektene ved hjelp av LIDAR-data blir foreslått og integrert i prototypen. Alternative metoder for å finne en tilnærming til objektenes geolokasjon blir også diskutert. Prototypen er et modulært system, som inkluderer et enkelt web-basert brukergrensesnitt hvor en operatør kan initiere prosessen som gjennomfører deteksjon, klassifisering og geoposisjonering på et datasett som korresponderer til en veistrekning. Sytemet returnerer et JSON-objekt som inneholder alle de detekterte objektene, som så kan inspiseres av operatøren og lastes opp en database sammen med opprinnelige bilder og utklipte objektbilder. Systemet er integrert med et parallelt studentprosjekt med base i Oslo som har utviklet en prototype til et verktøy som henter opplastet data, og gjør det mulig for en operatør å kontrollere resultatet og utføre nødvendig redigering.