sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2025-1-27-31sapi-727Research ArticleУправление техническими объектамиManagement of technical objectsРаспознавание сигналов световых приборов автомобилей для умных светофоровRecognition of vehicle light signals for smart traffic lightsКурочкаК. С.KurochkaK. S.

Курочка Константин Сергеевич, к.т.н, доцент, заведующий кафедрой «Информационные технологии»

г. Гомель

Kurochka Konstantin Sergeevich, Position and Department: Associate Professor, Ph.D., Head of the Information Technologies Department

Gomel

kurochka@gstu.byПрокопенкоД. В.ProkopenkoD. V.

Прокопенко Дмитрий Викторович, доцент кафедры информатики

г. Гомель

Panarin Konstantin Alexandrovich, Position and Department: Software Engineer at the Information Technologies Department

Gomel

prokopencko.dmitry@yandex.ruПанаринК. А.PanarinK. A.

Панарин Константин Александрович, инженер-программист кафедры «Информационные технологии»

Prokopenko Dmitry Viktorovich, Position and Department: Associate Professor at the Computer Science Department

Gomel

logran2@gmail.comГомельский государственный технический университет имени П.О. СухогоБеларусьSukhoi State Technical University of GomelBelarus202504042025012731Copyright © Курочка К.С., Прокопенко Д.В., Панарин К.А., 20252025Курочка К.С., Прокопенко Д.В., Панарин К.А.Kurochka K.S., Prokopenko D.V., Panarin K.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/727

Статья исследует применение методов машинного обучения для распознавания сигналов световых приборов автомобилей с целью использования данных в умных светофорах. Для решения задачи распознавания машин на видео была использована библиотека Keras, и была применена архитектура нейронной сети RetinaNet [1]. Для распознавания состояний фар транспорта была использована архитектура YOLOv8. Процесс сбора данных, аннотации и обучения модели был проведён с использованием платформы Roboflow. В результате работы были получены веса обученной модели, которые позволяют распознавать состояние передних и задних фар различных видов транспорта в различных погодных условиях. Предложена адаптация нейросетевой модели на основе YOLOv8 для решения задачи распознавания сигналов световых приборов светофоров, которая может быть использована как для статического распознавания на фотографиях, так и в режиме реального времени или видео.

This paper explores the application of machine learning methods for recognizing automobile light signals to enhance smart traffic light systems. For vehicle detection in video footage, the Keras library was employed along with the RetinaNet neural network architecture [1]. The YOLOv8 architecture was used for identifying the status of vehicle headlights and taillights. Data collection, annotation, and model training were conducted using the Roboflow platform. The research resulted in trained model weights capable of recognizing the state of front and rear lights on various vehicle types under different weather conditions. The paper proposes an adaptation of the YOLOv8-based neural network model for recognizing traffic light signals, which can be utilized for both static recognition in photographs and in real-time or video applications.

умные светофорынейронные сетиобработка изображениязадача распознаванияобучение моделиsmart traffic lightsneural networksimage processingrecognition taskmodel trainingReferencesTan M., Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. 2019. [Электронный ресурс]. URL: arxiv.org/abs/1905.11946Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. 2019. [Electronic resource]. URL: arxiv.org/abs/1905.11946Верёвкин С. В., Курочка К. С.. Законы распределения движения автомобилей для распределения дорожного трафика и создания имитационной модели. // Материалы XXIII Республиканской научной конференции студентов и аспирантов (2020): 39-40.Verevkin S. V., Kurochka K. S.. Distribution Laws of Vehicle Movement for Traffic Distribution and Creation of a Simulation Model. // Proceedings of the XXIII Republican Scientific Conference of Students and Postgraduates (2020): 39-40.Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. // N., Hornegger, J., Wells, W., Frangi, A. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science(), vol 9351. Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger, O., Fischer, P., Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. // N., Hornegger, J., Wells, W., Frangi, A. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science(), vol 9351. Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_28Ultralytics YOLOv8 [Электронный ресурс]. URL: https://habr.com/ru/articles/710016/ Дата доступа: 31.07.2023.Ultralytics YOLOv8 [Electronic resource]. URL: https://habr.com/ru/articles/710016/ Access date: 31.07.2023.Computer Vision Templates [Электронный ресурс]. URL: https://roboflow.com/templates. Дата доступа: 31.07.2023.Computer Vision Templates [Electronic resource]. URL: https://roboflow.com/templates. Access date: 31.07.2023.Kurochka K., Panarin K. Algorithm for real-time binary classification of adenomas and norms images obtained by confocal microscopy //15th International Conference Mechatronic Systems and Materials, MSM 2020. – 2020. – С. 92021079202107Kurochka K., Panarin K. Algorithm for real-time binary classification of adenomas and norms images obtained by confocal microscopy //15th International Conference Mechatronic Systems and Materials, MSM 2020. – 2020. – P. 92021079202107

The authors declare that there are no conflicts of interest present.