Janusz GAJDA 1, Ryszard SROKA 1, Marek STENCEL 1, Tadeusz ŻEGLEŃ 1, Piotr BURNOS 1, Zbigniew MARSZAŁEK 1 Akademia Górniczo-Hutnicza im. Stanisława Staszica, Katedra Metrologii i Elektroniki, Kraków (1) Selektywna klasyfikacja pojazdów samochodowych z wykorzystaniem pętli indukcyjnych Streszczenie. W pracy zaproponowano nowy algorytm klasyfikacji pojazdów samochodowych na podstawie ich profili magnetycznych. Szczególną cechą zaproponowanego algorytmu, odróżniającą go od podobnych rozwiązań opisanych w literaturze jest wysoka selektywność prowadząca do zdefiniowania nawet kilkudziesięciu klas pojazdów. Słowa kluczowe: klasyfikacja pojazdów samochodowych, profile magnetyczne, pomiary parametrów ruchu drogowego, indukcyjnościowe detektory pętlowe Selective vehicle classification based on inductive loop detectors Abstract. The paper deals with problem of vehicle classification based on magnetic signatures. New classification algorithm was proposed. The proposed algorithm is high selective, what means that several dozen of the vehicle classes may be defined. Keywords: vehicle classification, inductive loop detectors, magnetic signature, traffic parameters measurements Wstęp Po ponad 50 latach rozwoju indukcyjnościowe detektory pętlowe (ILD Inductive Loop Detector) stały się najpopularniejszym elementem systemów detekcji w ruchu drogowym. Detektor pętlowy jest wykonywany w postaci kilku zwojów nawiniętych izolowanym przewodem bezpośrednio w rowku wyciętym w nawierzchni jezdni. Jest on zasilany prądem zmiennym o częstotliwości od kilku do 100 khz. Stosowane są dwa rozwiązania układów współpracujących z pętlowymi detektorami. W jednym rozwiązaniu detektor jest włączony w układ rezonansowy generatora. Zmiana indukcyjności spowodowana pojazdem przejeżdżającym nad detektorem wywołuje zmianę częstotliwości generowanego sygnału. W drugim układzie przedmiotem bezpośredniego pomiaru jest zmiana impedancji detektora (układ mostkowy lub układ techniczny) spowodowana tą samą przyczyną. Zmiana częstotliwości bądź zmiana impedancji (lub jej składowych) w funkcji czasu lub drogi pokonanej przez pojazd przejeżdżający nad detektorem nazywana jest profilem magnetycznym pojazdu. Pojazdy należące do różnych klas generują w układzie pomiarowym współpracującym z detektorem pętlowym profile, które różnią się kształtem, amplitudą, parametrami statystycznymi, czasem trwania i widmem częstotliwościowym. Taki sygnał (profil) jest przedmiotem przetwarzania przez algorytm klasyfikacji pojazdów. W literaturze prezentowane są różne algorytmy przetwarzania profili magnetycznych i różne algorytmy klasyfikacji pojazdów. W końcowym efekcie różnią się one rozdzielczością (zdolnością do rozróżniania większej lub mniejszej liczby klas) oraz efektywnością klasyfikacji (względną liczbą poprawnie sklasyfikowanych pojazdów). Na ogół jednak stosowane algorytmy pozwalają na rozróżnienie tylko kilku klas pojazdów. W pracy [1] przedstawiono algorytm klasyfikacji pojazdów oparty na ich prędkości oraz na długości rejestrowanego profilu magnetycznego. Wykorzystane zostały dwa detektory pętlowe zainstalowane w niewielkiej odległości od siebie. Pozwoliło to na wyznaczanie prędkości pojazdu. Uzyskana efektywność klasyfikacji była raczej niska. W pracy [2] zaproponowano nowe podejście do klasyfikacji polegające na analizie kształtu profilu magnetycznego zamiast na pomiarze czasu jego trwania. Pojazdy zostały podzielone na cztery klasy: 1) samochody osobowe, 2) samochody dostawcze, 3) samochody ciężarowe, 4) autobusy. Uzyskana efektywność klasyfikacji wyniosła 0,83. W pracy [3] do analizy kształtu profilu magnetycznego i klasyfikacji pojazdów wykorzystano samoorganizującą się sieć neuronową (SOFM - Self-Organizing Feature Map). Wyróżnionych zostało 7 klas: 1) samochody osobowe, 2) samochody osobowe typu SUV/pickup, 3) samochody typu van, 4) limuzyny, 5) autobusy, 6) dwuosiowe samochody ciężarowe, 7) samochody ciężarowe o liczbie osi większej niż dwie. Średnia skuteczność klasyfikacji wyniosła 0,80. W 2001 roku w pracy [4] przedstawiono dyskusję dotyczącą wpływu długości detektora pętlowego (w kierunku ruchu pojazdów) na kształt profili magnetycznych pojazdów należących do różnych klas. Zgodnie z wynikami tej pracy, profil z bardzo krótkiej pętli (10cm) umożliwia zliczanie osi pojazdu i pomiar ich wzajemnych odległości. Wyniki tych badań pokazują, że taka pętla pozwala zastąpić układ z detektorami nacisku osi. W pracy [5] zastosowano metodę fuzji danych wykorzystującą miary rozmyte z trójkątną i gaussowską funkcją przynależności w rozwiązaniu problemu klasyfikacji pojazdów, na podstawie ich profili magnetycznych. Wejściowe dane pomiarowe zostały zebrane na drogowym stanowisku pomiarowym wyposażonym w pojedynczy detektor pętlowy oraz w dwa piezoelektryczne detektory osi. Algorytm był testowany jedynie w odniesieniu do pojazdów dwuosiowych. Najlepsze wyniki uzyskano dla gaussowskiej funkcji przynależności. Efektywność klasyfikacji wyniosła 0,94 dla samochodów osobowych oraz 0,92 dla samochodów dostawczych. W 2006 roku, wykorzystując sieci neuronowe BPNN (Back-Propagation Neural Network), Zhang powrócił do idei klasyfikacji pojazdów samochodowych na podstawie długości ich profilu magnetycznego wykorzystując do tego celu pojedynczy detektor pętlowy [6]. Pojazdy zostały podzielone na cztery klasy ze względu na ich długość. Dla każdej klasy została zaprojektowana i skonfigurowana specyficzna sieć neuronowa. W pracy nie podano informacji na temat efektywności klasyfikacji. We wnioskach stwierdzono jednak, że
lepsze wyniki uzyskuje się, gdy sieć neuronowa jest dostrajana do aktualnych danych pomiarowych, w celu uwzględnienia zmian następujących w strukturze ruchu w danym punkcie pomiarowym. W 2006 Ki połączył metody stosowane w poprzednich pracach proponując nowy algorytm klasyfikacji [7]. Średnia efektywność klasyfikacji wyniosła 0,915. W 2010 Meta [8] zaproponował wykorzystanie BPNN z dodatkowym, wstępnym przetwarzaniem danych pomiarowych. Przetwarzanie to polegało na usunięciu z danych pomiarowych zakłóceń. W tym celu została wykorzystana dyskretna transformata Fouriera (DFT). Tak przygotowane dane pomiarowe były transformowane do przestrzeni Składowych Głównych (PCA - Principal Component Analysis). W wyniku, dla pięciu wstępnie zdefiniowanych klas pojazdów uzyskano efektywność klasyfikacji 0,942. Z powyższego przedstawienia wyników dotychczasowych badań wynika, że istotnym problemem związanym z wykorzystaniem profili magnetycznych do klasyfikacji pojazdów samochodowych jest ograniczona rozdzielczość procesu klasyfikacji. Celowe jest jej zwiększenie w takim stopniu, aby było możliwe rozpoznawanie konkretnego pojazdu w strumieniu pojazdów, co w konsekwencji umożliwi śledzenie jego trasy oraz wiarygodną i ciągłą estymację czasu podróży. W pracy zaproponowano nowe rozwiązanie problemu klasyfikacji pojazdów samochodowych na podstawie ich profili magnetycznych. Stwarza ono możliwość zdefiniowania większej liczby klas pojazdów, a tym samym zwiększenia selektywności systemu klasyfikacji. Osiągnięcie tego celu wymaga podjęcia działań mieszczących się w trzech obszarach. Są to: - działania konstrukcyjne związane z poszukiwaniem innych wymiarów detektorów pętlowych, pozwalających na wykrywanie detali geometrycznej konstrukcji podwozia pojazdu samochodowego, - działania konstrukcyjne prowadzone z układem kondycjonowania współpracującym z detektorem pętlowym, - działania w zakresie poszukiwania algorytmów przetwarzania sygnałów pomiarowych w celu wydobycia z nich szczegółowej informacji o geometrii i detalach konstrukcyjnych pojazdu, przydatnej w procesie jego klasyfikacji. W pracy przedstawiono wyniki badań dotyczących wyboru wymiarów detektora pętlowego oraz zaproponowanego algorytmu klasyfikacji. Prezentowane wyniki zostały uzyskane na podstawie profili magnetycznych zarejestrowanych na terenowym stanowisku pomiarowym zainstalowanym na drodze Dk 81 w miejscowości Gardawice. Dla różnych pojazdów zarejestrowano profile magnetyczne pochodzące z pięciu detektorów pętlowych, których długość w kierunku ruchu pojazdów wynosiła odpowiednio 0,1m, 0,3m, 0,5m, 1,0m i 3,0m. Wymiary tych detektorów w poprzek pasa ruchu były jednakowe i wynosiły 2,0m. Z każdym detektorem współdziałał opracowany w tym celu układ kondycjonowania. Zadaniem tego układu jest zasilenie detektora prądem zmiennym o ustalonej częstotliwości, filtracja i wzmocnienie sygnałów oraz wypracowanie sygnału pomiarowego zgodnie z ustaloną zasadą pomiaru. Podczas przeprowadzonych eksperymentów wykorzystano nowo opracowany układ kondycjonowania, który pozwala na niezależny pomiar składowej rzeczywistej (R) oraz składowej urojonej (X) impedancji detektora. Zmiany obu składowych (łącznie) w funkcji drogi pokonanej przez pojazd nazywane są profilem magnetycznym pojazdu samochodowego. Rozdzielenie obu składowych impedancji detektora wynika z, opartego na przeprowadzonych badaniach, przeświadczenia autorów o tym, iż każda składowa zwiera inną informację o cechach pojazdów, składowa R niesie informację o geometrii podwozia w tym długości pojazdu, a składowa X o liczbie osi i ich rozmieszczeniu. Oddzielna analiza obu składowych powinna więc umożliwić zwiększenie rozdzielczości procesu klasyfikacji. Analiza wpływu wymiarów detektora pętlowego na niepewność wyników pomiaru parametrów pojazdu Detektor pętlowy jest zasilany prądem sinusoidalnie zmiennym [9]. W efekcie wokół pętli jest generowane zmienne pole elektromagnetyczne. Wzajemne oddziaływanie metalowego obiektu z polem elektromagnetycznym powoduje generowanie prądów wirowych w elementach obiektu, co jest obserwowane jako zmiana zastępczych parametrów detektora tj. rezystancji i indukcyjności, a równocześnie elementy tego obiektu, zwłaszcza ferromagnetyczne (np. stalowe obręcze kół znajdujące się w bezpośrednim sąsiedztwie detektora) działają jak rdzeń, również wpływając na zmiany zastępczej indukcyjności detektora. Wypadkowym efektem tych zjawisk jest zmiana parametrów impedancji detektora. Z detektorem współpracuje układ kondycjonowania, którego sygnał wyjściowy jest zmodulowany amplitudowo [9]. Dwa tory demodulacji, w których sygnały sterujące demodulatorów są przesunięte o 90 o, pozwalają na rozdzielenie składowych impedancji. Kształt rejestrowanych sygnałów (profilu magnetycznego) zależy od geometrii podwozia tj. odległości poszczególnych fragmentów podwozia oraz osi pojazdu i obręczy kół od powierzchni detektora i jest charakterystyczny dla danej klasy pojazdów. W zależności od zasięgu pola elektromagnetycznego główny wpływ na kształt profilu mają felgi i osie pojazdu lub całe podwozie. W pojazdach osobowych, które z reguły są nisko zawieszone rozdzielenie wpływu kół i osi od wpływu podwozia jest szczególnie trudne. W przypadku pojazdów ciężarowych stosunkowo łatwo jest uzyskać informację o osiach, trudniej natomiast o detalach geometrii podwozia, które jest umieszczone wysoko nad detektorem. Z drugiej strony tylko dysponowanie pełną wiedzą o parametrach pojazdu obejmującą zarówno wiedzę o liczbie i rozmieszczeniu osi jak też o geometrii podwozia i długości pojazdu może być podstawą wysokorozdzielczej klasyfikacji pojazdów. Długość detektora pętlowego mierzona w kierunku ruchu pojazdów jest jednym z podstawowych czynników decydujących o zasięgu pola elektromagnetycznego generowanego przez ten detektor. Zasięg detektorów bardzo krótkich np. o długości 0,1m wynosi 20 30cm. W efekcie takie detektory są stosowane do detekcji osi pojazdu [10]. Na rysunku 1 przedstawiono zmiany obu składowych impedancji detektora pętlowego zarejestrowane dla pojazdu składającego się z 2-osiowego ciągnika siodłowego oraz z 3-osiowej naczepy (popularny TIR) przejeżdżającego nad detektorem o długości 0,1m i 0,3m. Na podstawie profili przedstawionych na rysunku 1 można sformułować następujące wnioski: - osie pojazdu są dobrze widoczne jedynie w składowej X impedancji detektora pętlowego o długości 0,1m, - dla obu długości detektora składowa X nie pozwala wyznaczyć całkowitej długości pojazdu, gdyż sygnał w wielu przypadkach przyjmuje zarówno wartości dodatnie jak i ujemne (szczególnie dla detektora 0,1m),
Rys. 1. Zmiany składowej urojonej (X) oraz składowej rzeczywistej (R) impedancji detektorów pętlowych o długości 0,1mm i 0,3m w funkcji drogi pokonanej przez pojazd klasy TIR, przejeżdżający nad detektorem Fig. 1. Changes of the imagine (X) and real (R) components of the ILD detector as a function of the distance traveled by TIR class vehicle - całkowitą długość pojazdu można określić jedynie na podstawie przebiegu składowej R dla detektora o długości 0,3m. W celu wydobycia ze składowych X i R pełnej informacji zarówno o osiach (liczba i położenie) jak również o długości pojazdu poddano je przetwarzaniu wg algorytmów (1) i (2). 2 ( x) = a1 + a2 R( x) + a3 X ( x) + a4 R ( x) y _ osie (1) ( x) = b1 R( x) + b2 X ( x) y _ body (2) gdzie: x - droga pokonana przez pojazd, y _ osie( x) - model będący podstawą detekcji osi i pomiaru ich położenia, y _ body( x) - model będący podstawą pomiaru długości pojazdu, R ( x), X ( x) - składowe rzeczywista i urojona impedancji detektora pętlowego, a 1 a4, b1, b2 - współczynniki modeli wyznaczane oddzielnie dla każdego detektora. Postać algorytmów (1) i (2) oraz wartości ich współczynników są dobierane oddzielnie dla każdej zdefiniowanej klasy pojazdów. Na rysunku 2 przedstawiono wyniki przetwarzania składowych X i R profilu magnetycznego zarejestrowanego przy użyciu detektora o długości 0,3m. Rys. 2. Modelowe sygnały y_osie i y_body wyznaczone dla detektora pętlowego o długości 0,3m, wraz z ilustracją sposobu zliczania osi oraz pomiaru długości całkowitej pojazdu Fig. 2. Models y_osie and y_body signals determined for 0,3m detector with illustration of the axle counting and vehicle length estimation algorithms W wyniku zastosowania algorytmów (1) i (2) otrzymano sygnały modelowe y_osie i y_body, w których jest zawarta informacja zarówno o liczbie i rozmieszczeniu osi jak i o długości pojazdu. Podstawową zaletą detekcji osi na podstawie profilu magnetycznego (w porównaniu z zastosowaniem detektorów nacisku osi) jest możliwość określenia ich położenia względem charakterystycznych punktów pojazdu np. względem jego początku (jest to tzw. zwis przedni) lub względem końca (tzw. zwis tylny) oraz możliwość detekcji osi, które w nieobciążonych pojazdach ciężarowych zostały podniesione. Przetwarzaniu poddano zbiór zawierający 244 pary sygnałów X i R, pozyskanych w warunkach drogowych dla klasy pojazdów ciężarowych typu TIR. Celem przeprowadzonych testów było określenie niepewności pomiaru różnych parametrów charakteryzujących pojazd samochodowy, mierzalnych na podstawie profilu magnetycznego. Za charakterystyczne parametry pojazdów należących do wyróżnionej klasy przyjęto: - liczbę osi, - długość całkowitą pojazdu, - odległości pomiędzy kolejnymi osiami, - odległość pierwszej osi od początku pojazdu. Uzyskane wyniki w postaci histogramów ilustrujących rozkład wyników pomiaru wymienionych parametrów przedstawiono dla różnych detektorów na rysunkach 3 14. Wartościami odniesienia są wyniki pomiaru wymienionych wielkości uzyskane przez inspektorów Inspekcji Transportu Drogowego (ITD) podczas kontroli 177 innych egzemplarzy pojazdów tej samej klasy.
Detektor 0,1m Rys. 3. Rozkład wyników zliczania osi Fig. 3. Axles number distribution Rys. 4. Rozkład wyników pomiaru długości Fig. 4. Vehicle length distribution Rys. 5. Rozkład wyników pomiaru odległości osi 1 i 2 Fig. 5. Axles 1-2 distance distribution Rys. 6. Rozkład wyników pomiaru odległości osi 2 i 3 Fig. 6. Axles 2-3 distance distribution Rys. 7. Rozkład wyników pomiaru odległości osi 3 i 4 Fig. 7. Axles 3-4 distance distribution Detektor 0,3m Rys. 8. Rozkład wyników pomiaru odległości osi 4 i 5 Fig. 8. Axles 4-5 distance distribution Rys. 9. Rozkład wyników zliczania osi Fig. 9. Axles number distribution Rys. 10. Rozkład wyników pomiaru długości Fig. 10. Vehicle length distribution Rys. 11. Rozkład wyników pomiaru odległości osi 1 i 2 Fig. 11. Axles 1-2 distance distribution Rys. 12. Rozkład wyników pomiaru odległości osi 2 i 3 Fig. 12. Axles 2-3 distance distribution Rys. 13. Rozkład wyników pomiaru odległości osi 3 i 4 Fig. 13. Axles 3-4 distance distribution Rys. 14. Rozkład wyników pomiaru odległości osi 4 i 5 Fig. 14. Axles 4-5 distance distribution
Rys. 15. Rozkład wyników pomiaru odległości pierwszej osi od początku pojazdu na podstawie profili pochodzących z detektorów o różnych wymiarach Fig. 15. Distribution of the front overhang estimation result based on the magnetic signatures acquired from different inductive detectors Jak widać na rysunkach 3 14 krótszy detektor pozwala dokładniej zliczać osie oraz wyznaczać odległości między osiami. Używając detektora o długości 0,3m niewiele tracimy na dokładności pomiaru tych parametrów ale znacząco zyskujemy na niepewności wyznaczenia długości pojazdu. Na rysunku 15 przedstawiono natomiast rozkłady wyników pomiaru przedniego zwisu uzyskane dla detektorów o długości odpowiednio 0,1m i 0,3m. Histogramy przedstawione na rysunkach 3 15 pozwalają, dla różnych detektorów, ocenić przedziały niepewności wyników pomiaru poszczególnych parametrów. Znajomość tych przedziałów jest niezbędna dla parametryzacji algorytmu klasyfikacji pojazdów, działającego na wynikach pomiaru tych parametrów. Wskazania dotyczące wyboru detektora łatwiej jest jednak odczytać ze zbiorczych charakterystyk przedstawionych na rysunku 16. Wnioski wynikające z tych charakterystyk są jednoznaczne: detekcja osi pojazdu i ich poprawne zliczenie jest możliwe jedynie przy zastosowaniu najkrótszych detektorów tj. o długości 0,1m lub 0,3m. Wzrost długości detektora powoduje znaczące zwiększenie błędu obciążenia wyniku zliczania osi jak również znaczące poszerzenie przedziału niepewności tego wyniku. wynik pomiaru długości pojazdu uzyskany na podstawie najkrótszego detektora jest bardzo niepewny. pozostałe detektory (od 0,5m do 3,0m) pozwalają na uzyskanie znacznie mniejszej i porównywalnej pomiędzy detektorami niepewności tego wyniku. jeżeli celem pomiaru jest zarówno liczba osi, ich położenie względem charakterystycznych punktów bryły pojazdu oraz długość pojazdu, to kompromisowym rozwiązaniem jest wybór detektora o długości 0,3m. Profile magnetyczne pochodzące z detektora o długości 0,3m i zarejestrowane dla różnych klas pojazdów były podstawą testowania efektywności opracowanego systemu klasyfikacji. System klasyfikacji Opracowano system klasyfikacji pojazdów samochodowych oparty na wynikach analizy ich profili magnetycznych oraz na pewnej liczbie klas pojazdów zdefiniowanych na wstępie, w zależności od celu procesu klasyfikacji. Idea tego systemu polega na tym, że dla każdej zdefiniowanej klasy pojazdu budowany jest odrębny algorytm podejmowania decyzji o zaliczeniu bądź nie zaliczeniu pojazdu do danej klasy. Schemat podejmowania decyzji w każdym z tych algorytmów może być inny, każdy algorytm wykorzystuje również inny zestaw parametrów, inne zakresy ich zmienności i różne cechy pojazdu określone na podstawie jego profilu. Działanie każdego algorytmu kończy się albo zaliczeniem pojazdu do klasy obsługiwanej przez ten algorytm albo pojazd nie zostanie rozpoznany przez dany algorytm. Profile pojazdów nie rozpoznanych przez jeden algorytm są przetwarzane zgodnie z następnymi algorytmami opracowanymi dla kolejnych klas. Pojazd, który nie zostanie rozpoznany przez żaden algorytm zostaje uznany za pojazd niesklasyfikowany. Ideę opracowanego systemu klasyfikacji ilustruje schemat blokowy przedstawiony na rysunku 17. Rys. 16. Zależność błędów zliczania osi oraz pomiaru długości pojazdu od długości stosowanego detektora pętlowego Fig. 16 Standard deviation of the results of axle counting and vehicle s length estimation as a function of inductive detector diameter Rys. 17. Schemat blokowy systemu klasyfikacji Fig. 17. Block diagram of the classification system
Taki system klasyfikacji istotnie różni się od stosowanych obecnie, w których profile wszystkich pojazdów są przetwarzane zgodnie z jednym algorytmem, pod uwagę jest brany ten sam zestaw cech, a wynik klasyfikacji zależy tylko od tego czy te parametry i cechy trafiły do wnętrza przedziałów, których granice zostały zdefiniowane oddzielnie dla każdej klasy. Zaletą zaproponowanego nowego podejścia do zagadnienia klasyfikacji pojazdów jest możliwość zdefiniowania znacznie większej liczby klas niż było to możliwe w podejściu tradycyjnym. Do dyspozycji mamy obecnie nie tylko przedziały zmienności poszczególnych parametrów (liczba tych przedziałów jest ograniczona przez niepewność pomiaru każdego parametru) ale także mogą być budowane różne zestawy cech uwzględnianych w procesie klasyfikacji do określonej klasy. Na rysunku 18 przedstawiono, w charakterze przykładu, algorytm klasyfikacji opracowany dla klasy pojazdów ciężarowych typu TIR. W opracowanym algorytmie klasyfikacji wykorzystano te cechy i parametry pojazdu, które są mierzalne z zadowalająco niską niepewnością na podstawie profilu magnetycznego pozyskiwanego z detektora pętlowego o długości 0,3m i które mogą być uznane za charakterystyczne dla klasy pojazdów typu TIR. Algorytm zawiera trzy równoległe tory podejmowania decyzji o wyniku klasyfikacji. Każdy z tych torów wykorzystuje wiedzę dotyczącą innych parametrów pojazdów. Jeżeli liczba osi jest równa 5, to decyzja o przynależności pojazdu do klasy pojazdów ciężarowych typu TIR jest podejmowana na podstawie wyników pomiaru odległości pomiędzy kolejnymi osiami. Dla każdej pary osi określono dopuszczalny przedział niepewności wynikający z charakterystyk przedstawionych na rysunkach 11-14. Pojazd zostanie sklasyfikowany jako należący do klasy TIR tylko w takim przypadku, gdy wyniki pomiarów wszystkich odległości zmieszczą się w określonych dla nich przedziałach niepewności. Jednak algorytm detekcji i zliczania osi realizowany na podstawie profilu magnetycznego nie działa bezbłędnie (rys. 9). W przypadku wykrycia liczby osi innej niż 5 decyzja o wyniku klasyfikacji jest podejmowana w drugim torze. W tym torze klasyfikacja jest dokonywana na podstawie wyniku pomiaru długości pojazdu oraz odległości pierwszej osi od początku pojazdu (zwis przedni). Jeżeli obydwa wyniki pomiarowe równocześnie mieszczą się w określonych dla nich przedziałach niepewności (rys. 10 i 15), to podejmowana jest decyzja o zaliczeniu pojazdu do klasy TIR. W przypadku niektórych pojazdów typu TIR konstrukcja wspierająca przedni zderzak powoduje wygenerowanie w detektorze pętlowym artefaktu, który jest interpretowany jako dodatkowa oś (rys. 19). W takim przypadku zliczona liczba osi pojazdu tej klasy jest równa 6 (przy założeniu prawidłowego zliczenia pozostałych osi) ale pierwsza, ta fałszywa oś, znajduje się zdecydowanie bliżej początku pojazdu (ok. 0,9m) niż prawdziwa pierwsza oś (ok. 2,2m). Decyzja o zaliczeniu pojazdu do klasy TIR jest podejmowana na podstawie liczby osi, długości pojazdu oraz odległości fałszywej pierwszej osi od początku pojazdu (trzeci tor na rysunku 18). Rys. 19. Artefakt wywołany konstrukcją zderzaka jako przyczyna zliczenia fałszywej osi Fig. 19. Artifact caused by front bumper as a reason of the axle counting mistake Rys. 18. Algorytm klasyfikacji pojazdów samochodowych do klasy pojazdów ciężarowych typu TIR Fig. 18. Classification algorithm for TIR vehicle class
Ocena efektywności klasyfikacji Ocena efektywności klasyfikacji pojazdów samochodowych na podstawie ich profili magnetycznych została przeprowadzona dla pojazdów ciężarowych typu TIR. Podstawą klasyfikacji były obie składowe (R i X) profili pochodzących z detektora pętlowego o wymiarze 0,3m w kierunku ruchu pojazdów, przetwarzane zgodnie z algorytmami (1) i (2). W tym celu wybrano 14 grup pojazdów, wśród których 4 grupy (tabela 1, wiersze 1 4) obejmowały pojazdy należące do wybranej klasy. Wynik klasyfikacji tych pojazdów powinien być jednoznacznie pozytywny, tzn. idealnie działający algorytm klasyfikacji powinien pojazdy z tych czterech grup sklasyfikować jako pojazdy ciężarowe typu TIR. W takim przypadku względna liczba pojazdów poprawnie sklasyfikowanych opisująca efektywność klasyfikacji powinna być równa 1,0. Tabela 1. Ocena efektywności klasyfikacji Table 1. Estimation of the classification effectiveness Lp. Grupa pojazdów Względna liczba pojazdów zakwalifikowanych do klasy: pojazd ciężarowy typu TIR 1 Pojazd ciężarowy TIR 0,93 2 Pojazd ciężarowy TIR ze skrzynią podwieszoną miedzy 2 i 3 0,89 osią 3 Pojazd ciężarowy TIR z podniesioną osią 0,78 4 Pojazd ciężarowy TIR ze skrzynią podwieszoną miedzy 2 i 3 osią, z podniesioną osią 0,83 Łącznie... Pojazdy ciężarowe typu TIR...... 0,90...... 5 Pojazd ciężarowy typu piaskarka 0,02 6 Pojazd ciężarowy typu piaskarka, z podniesioną osią 0,0 7 Pojazd ciężarowy cysterna 0,33 8 Pojazd ciężarowy cysterna z podniesioną osią 0,25 9 Pojazd ciężarowy cysterna do przewożenia materiałów sypkich 0,05 10 Pojazd ciężarowy cysterna do przewożenia materiałów sypkich, 0,0 z podniesioną osią 11 Pojazd ciężarowy inny 0,0 12 Pojazd ciężarowy inny z przyczepą 0,07 13 Autobus dwu-osiowy 0,0 14 Autobus trój-osiowy 0,0 Łącznie... Autobusy oraz pojazdy ciężarowe inne niż TIR.... 0,03...... Jak widać wynik klasyfikacji uzyskany dla testowanego algorytmu nie jest idealny. Uzyskana efektywność klasyfikacji zawiera się w granicach od 0,78 0,93 w zależności od grupy pojazdów. Łączna efektywność klasyfikacji wyznaczona dla tych czterech grup pojazdów wynosi 0,90. Oznacza to, że 10% pojazdów należących rzeczywiście do klasy pojazdów ciężarowych typu TIR nie została przez testowany algorytm klasyfikacji zaliczona do tej klasy. Przeprowadzone testy miały również na celu wyznaczenie drugiego rodzaju błędu klasyfikacji, polegającego na zaliczeniu do wyróżnionej klasy takich pojazdów, które w rzeczywistości do niej nie należą. Wybrano 10 grup takich pojazdów (tabela 1, wiersze 5 14), o porównywalnej konstrukcji, liczbie osi lub długości. Podobieństwo tych parametrów sprawia, że popełnienie tego rodzaju błędu jest bardziej prawdopodobne niż w przypadku innych pojazdów. Na podstawie wyników zestawionych w tabeli 1 można stwierdzić, że średni poziom tego rodzaju błędu klasyfikacji wynosi 0,03. Najwyższą wartość błąd ten przyjął w grupach pojazdów typu cysterna. Pojazdy tych grup są najbardziej zbliżone konstrukcyjnie do pojazdów ciężarowych typu TIR (podobna długość, taka sama liczba osi oraz ich rozmieszczenie). Podsumowanie Zaproponowany system klasyfikacji pojazdów samochodowych opiera się na parametrach pojazdów, które są mierzalne na podstawie profilu magnetycznego. W celu zwiększenia zasobu informacji pozyskiwanego z profilu magnetycznego wprowadzono niezależny pomiar obu składowych impedancji detektora pętlowego oraz przeanalizowano wpływ długości detektora na niepewność pozyskiwanej informacji pomiarowej. Zaproponowany system klasyfikacji pozwala definiować dużą liczbę (nawet kilkadziesiąt) klas pojazdów i zwiększyć tym samym selektywność klasyfikacji. Jej efektywność jest uzależniona od niepewności pomiaru poszczególnych parametrów oraz od liczby cech pojazdu ekstrahowanych z profilu magnetycznego. Dlatego tak istotne jest poszukiwanie nowych, bardziej zaawansowanych algorytmów analizy profili magnetycznych. Równocześnie wydaje się, że zwiększenie liczności zbioru wyróżnianych cech pojazdu może być osiągnięte poprzez odpowiednie zaprojektowanie detektora pętlowego tj. jego kształtu i wymiarów oraz poprzez dobór algorytmu wstępnego przetwarzania zarejestrowanych profili magnetycznych (filtracja, wyostrzanie). Literatura [1] P u r sula M. and K o s onen I., Microprocessor- and PC-based vehicle classification equipment using induction loops, in Proc. IEE 2nd Int. Conf. Road Traffic Monit., 1989, pp. 24 28. [2] Gajda J., S r o k a R., S t encel M., and Z e q l e n T., An Eastern European example of the identification of moving vehicle parameters using the tried and trusted method of weigh in motion, Traffic Technol. Int., pp. 87 90, Aug./Sep. 2000. [3] S u n C., An investigation in the use of inductive loop signatures for vehicle classification, Inst. Transp. Stud., Univ. California, Berkeley, CA, California PATH Res. Rep., UCB-ITS-PRR-2000 4, Mar. 2000. [4] Gajda J., S r o k a R., S t e ncel M., W a jda A., and Z e q l e n T., A vehicle classification based on inductive loop detectors, in Proc. 18th IEEE IMTC, May 2001, vol. 1, pp. 460 464.
[5] S roka R., Data fusion methods based on fuzzy measures in vehicle classification process, in Proc. 21st IEEE IMTC, May 18 20, 2004, vol. 3, pp. 2234 2239. [6] Zhang G. H., Wang Y. H., and W e i H., Artificial neural network method for length-based vehicle classification using single-loop outputs, Traffic Urban Data, Transp. Res. Rec., no. 1945, pp. 100 108, 2006. [7] K i Y. K. and B a ik D. K., Vehicle classification algorithm for singleloop detectors using neural networks, IEEE Trans. Veh. Technol., vol. 55, no. 6, pp. 1704 1711, Nov. 2006. [8] M e t a S. and C i nsdikici M. G., Vehicle-Classification Algorithm Based on Component Analysis for Single-Loop Inductive Detector, IEEE Trans. Veh. Technol, vol. 59, no. 6, pp. 2795-2805, July 2010 [9] Gajda J. i inni, Pomiary parametrów ruchu drogowego. Wydawnictwa AGH, Kraków, 2012 [10] Gajda J. i inni, Application of inductive loops as wheel detectors. Transportation Research. Part C, Emerging technologies, vol. 21, pp. 57 66, April 2012 Autorzy: prof. dr hab. inż. Janusz Gajda, E-mail: jgada@agh.edu.pl; dr hab. inż. Ryszard Sroka, prof. n. AGH, E-mail: rysieks@agh.edu.pl; dr inż. Marek Stencel, E-mail: masten@agh.edu.pl; dr inż. Tadeusz Żegleń, E-mail: tezet@agh.edu.pl; dr inż. Piotr Burnos, E-mail: burnos@agh.edu.pl; mgr inż. Zbigniew Marszałek, E-mail: antic@agh.edu.pl. Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie, Katedra Metrologii i Elektroniki, Al. Mickiewicza 30, 30-059 Kraków,