Tamil
கேமரா பார்வை சாலை மேற்பரப்பு சேதத்தை எவ்வாறு கண்டறிகிறது: செயலற்ற அங்கீகாரத்திலிருந்து செயலில் உள்ள கணிப்பு வரை
01.09 துருக
சாலை மேற்பரப்பு சேதங்கள்—குழிகள், விரிசல்கள் மற்றும் பள்ளங்கள் போன்றவை—வாகன ஓட்டும் பாதுகாப்பிற்கு அச்சுறுத்தலாக இருப்பது மட்டுமல்லாமல், உலகெங்கிலும் உள்ள அரசாங்கங்களுக்கும் போக்குவரத்துத் துறைகளுக்கும் கணிசமான பராமரிப்பு செலவுகளையும் ஏற்படுத்துகின்றன. அமெரிக்க சிவில் இன்ஜினியர்ஸ் சங்கத்தின் (ASCE) படி, 2030 ஆம் ஆண்டிற்குள் அமெரிக்கா மட்டும் அதன் சாலை உள்கட்டமைப்பை சரிசெய்யவும் மேம்படுத்தவும் $435 பில்லியன் தேவைப்படும். பாரம்பரிய சாலை ஆய்வு முறைகள், அவை மனித ரோந்துகள் அல்லது விலையுயர்ந்த சிறப்பு வாகனங்களை நம்பியுள்ளன, அவை திறமையற்றவை, நேரத்தை எடுத்துக்கொள்பவை மற்றும் மனிதப் பிழைகளுக்கு ஆளாகக்கூடியவை. சமீபத்திய ஆண்டுகளில்,கேமரா பார்வைதொழில்நுட்பம், செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) ஆகியவற்றால் மேம்படுத்தப்பட்டு, சாலை சேதங்களைக் கண்டறிவதில் ஒரு புரட்சிகரமான மாற்றமாக உருவெடுத்துள்ளது. "ஏற்கனவே உள்ள சேதங்களைக் கண்டறிவதை" மட்டுமே செய்யும் பாரம்பரிய முறைகளைப் போலல்லாமல், நவீன கேமரா பார்வை அமைப்புகள் "சாத்தியமான சேதங்களைக் கணிப்பதை" நோக்கி உருவாகி வருகின்றன, இது சாலை உள்கட்டமைப்பை நாம் பராமரிக்கும் விதத்தை புரட்சிகரமாக மாற்றுகிறது. இந்த கட்டுரை, சாலை மேற்பரப்பு சேதங்களைக் கண்டறிவதில் கேமரா பார்வையின் வேலை செய்யும் கோட்பாடுகள், தொழில்நுட்ப முன்னேற்றங்கள், நடைமுறைப் பயன்பாடுகள் மற்றும் எதிர்காலப் போக்குகள் பற்றி விரிவாக ஆராயும்.
1. முக்கிய தர்க்கம்: கேமரா பார்வை சாலை சேதத்தை எவ்வாறு "பார்க்கிறது"
அடிப்படையில், கேமரா பார்வை அடிப்படையிலான சாலை சேதத்தைக் கண்டறிவது என்பது மூன்று முக்கிய படிகள் மூலம் காட்சித் தகவலை செயல்படக்கூடிய தரவுகளாக மாற்றுவதாகும்: படத்தைப் பெறுதல், அம்சங்களைப் பிரித்தெடுத்தல் மற்றும் சேத வகைப்பாடு. மனித பார்வையில் இருந்து இதை வேறுபடுத்துவது, நுட்பமான, புலப்படாத சேதக் குறிப்புகளை அடையாளம் காணும் அதன் திறனும், மிகப்பெரிய அளவிலான தரவுகளை புறநிலையாகவும் திறமையாகவும் செயலாக்கும் அதன் திறனுமாகும்.
1.1 படத்தைப் பெறுதல்: பல்வேறு சூழல்களில் தெளிவான சாலைத் தரவைப் படம்பிடித்தல்
கண்டறிதலில் முதல் படி உயர்தர சாலைப் படங்களைப் பெறுவதாகும், இது மேம்பட்ட கேமரா வன்பொருள் மற்றும் நெகிழ்வான வரிசைப்படுத்தல் தீர்வுகளைச் சார்ந்துள்ளது. வரையறுக்கப்பட்ட கவரேஜ் கொண்ட ஆரம்பகால நிலையான கேமராக்களைப் போலல்லாமல், நவீன அமைப்புகள் பல்வேறு சூழ்நிலைகளுக்கு ஏற்ப பல்வேறு வகையான கேமராக்களைப் பயன்படுத்துகின்றன:
வாகனங்களில் பொருத்தப்பட்ட கேமராக்கள்: சாதாரண ரோந்து வாகனங்கள், டாக்சிகள் அல்லது பொதுப் போக்குவரத்தில் கூட பொருத்தப்பட்டிருக்கும் இந்த கேமராக்கள், வாகனம் நகரும்போது நிகழ்நேரத்தில் சாலைப் படங்களைப் பிடிக்கின்றன. உயர்-தெளிவுத்திறன் சென்சார்கள் (வழக்கமாக 4K அல்லது அதற்கு மேல்) மற்றும் அதிர்வு-தடுப்பு தொழில்நுட்பத்துடன் பொருத்தப்பட்டிருப்பதால், அவை மணிக்கு 60-80 கிமீ வேகத்திலும் படத் தெளிவைப் பராமரிக்க முடியும்.
• ட்ரோன்கள்: உயர்-கோண கேமராக்கள் கொண்ட ஆளில்லா வான்வழி வாகனங்கள் (UAVs) நெடுஞ்சாலைகள் அல்லது கிராமப்புற சாலைகள் போன்ற பெரிய சாலைப் பகுதிகளை ஆய்வு செய்யப் பயன்படுத்தப்படுகின்றன. அவை எளிதில் அணுக முடியாத பகுதிகளை (எ.கா., மலைப்பாதைகள்) விரைவாக மறைக்க முடியும் மற்றும் சாலை நிலைமைகளின் பரந்த காட்சியை வழங்க முடியும், இது சாலை சரிவு போன்ற பெரிய அளவிலான சேதங்களைக் கண்டறிய உதவுகிறது.
• கண்காணிப்பு கேமராக்கள்: முக்கிய இடங்களில் (எ.கா., சந்திப்புகள், சுரங்கங்கள் அல்லது பாலங்கள்) நிறுவப்பட்ட இந்த கேமராக்கள் சாலை நிலைமைகளை தொடர்ந்து கண்காணிக்கும். கனமழை அல்லது வாகன விபத்துக்கள் போன்ற திடீர் நிகழ்வுகளால் ஏற்படும் சேதங்களைக் கண்டறிவதில் இவை குறிப்பாக பயனுள்ளதாக இருக்கும்.
படங்களைப் பெறுவதில் ஒரு முக்கிய சவால், குறைந்த ஒளி (இரவு), மழை, மங்கலான நிலை அல்லது தீவிர சூரிய ஒளி போன்ற எதிர்மறை சுற்றுச்சூழல் நிலைகளை சமாளிப்பதாகும். இதனை சமாளிக்க, நவீன கேமரா அமைப்புகள் அடிப்படையான வெளிப்பாடு தொழில்நுட்பம் மற்றும் பட மேம்பாட்டு அல்காரிதங்களை ஒருங்கிணைக்கின்றன. எடுத்துக்காட்டாக, இரவு பார்வை கேமராக்கள் ஒளியைச் சேர்க்க இன்பிராரெட் சென்சார்களைப் பயன்படுத்துகின்றன, மேலும் AI-ஆதாரமாக உள்ள பட முன்னணி செயலாக்கம் மழை அல்லது மங்கலால் ஏற்படும் சத்தத்தை வடிகட்ட முடியும், இதனால் பின்னர் செய்யப்படும் பகுப்பாய்வு நம்பகமான தரவுகளை அடிப்படையாகக் கொண்டு இருக்கும்.
1.2 அம்சங்களைப் பெறுதல்: AI "காயங்கள் கையெழுத்துகள்" ஐ அடையாளம் காண்கிறது
உயர்தர படங்கள் பெறப்பட்டவுடன், சாதாரண சாலை மேற்பரப்புகளிலிருந்து சாலை சேதத்தை வேறுபடுத்தி அறியும் தனித்துவமான அம்சங்களை அமைப்பு பிரித்தெடுக்க வேண்டும். இங்குதான் இயந்திர கற்றல், குறிப்பாக ஆழ்ந்த கற்றல், முக்கிய பங்கு வகிக்கிறது. பாரம்பரிய பட செயலாக்க முறைகள் கைமுறையாக வடிவமைக்கப்பட்ட அம்சங்களை (எ.கா., விளிம்பு கண்டறிதல், அமைப்பு பகுப்பாய்வு) நம்பியிருந்தன, இது சாலை சேதத்தின் பன்முகத்தன்மைக்கு (எ.கா., பல்வேறு அளவுகளில் உள்ள பள்ளங்கள், பல்வேறு வகையான விரிசல்கள்) ஏற்ப மாற்றியமைக்க சிரமப்பட்டது. இதற்கு மாறாக, ஆழ்ந்த கற்றல், லேபிளிடப்பட்ட படங்களின் பெரிய தரவுத்தொகுப்புகளிலிருந்து "சேத கையொப்பங்களை" தானாகவே கற்றுக்கொள்ள அமைப்பை செயல்படுத்துகிறது.
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) இந்த படிக்கு மிகவும் பரவலாகப் பயன்படுத்தப்படும் வழிமுறையாகும். ஒரு CNN பல கன்வல்யூஷனல் அடுக்குகளைக் கொண்டுள்ளது, அவை படங்களில் குறைந்த-நிலை அம்சங்களையும் (எ.கா., விளிம்புகள், அமைப்புகள்) மற்றும் உயர்-நிலை அம்சங்களையும் (எ.கா., பள்ளத்தின் வடிவம், விரிசலின் முறை) தானாகவே கண்டறிய முடியும். உதாரணமாக, ஒரு பள்ளத்தின் படத்தை செயலாக்கும்போது, முதல் கன்வல்யூஷனல் அடுக்கு பள்ளத்திற்குள் உள்ள இருண்ட பகுதியின் விளிம்புகளை அடையாளம் காட்டுகிறது, அதே நேரத்தில் அடுத்தடுத்த அடுக்குகள் இந்த விளிம்புகளை ஒன்றிணைத்து பள்ளத்தின் வடிவத்தை உருவாக்குகின்றன, அதை மற்ற இருண்ட பகுதிகளிலிருந்து (எ.கா., நிழல்கள்) வேறுபடுத்துகின்றன.
சாதனங்களை எடுக்குவதின் துல்லியத்தை மேம்படுத்த, ஆராய்ச்சியாளர்கள் மேம்பட்ட CNN மாதிரிகளை உருவாக்கியுள்ளனர், அதில் Faster R-CNN மற்றும் YOLO (You Only Look Once) அடங்கும். குறிப்பாக, YOLO நேரடி கண்டுபிடிப்புக்கு விரும்பப்படுகிறது, ஏனெனில் இது முழு படத்தை ஒரு முறை செயலாக்குகிறது, பல பகுதிகளாகப் பிரிக்காமல். இது சாலை சேதங்களை மில்லிசெகண்டுகளில் கண்டுபிடிக்க உதவுகிறது, இதனால் இது கப்பலில் நேரடி ஆய்வு அமைப்புகளுக்கு ஏற்றதாக இருக்கிறது.
1.3 சேத வகைப்படுத்தல்: சேதத்தை வகைப்படுத்துதல் மற்றும் அளவீடு செய்தல்
சாதனங்களை எடுக்க பிறகு, அமைப்பு சேதத்தை வகைப்படுத்துகிறது மற்றும் அதன் தீவிரத்தை அளவீடு செய்கிறது—பராமரிப்பு முடிவுகளுக்கான முக்கிய தகவல். பொதுவான சாலை சேதங்கள் உள்ளன:
பொத்தல்கள்: நீர் ஊடுருவல் மற்றும் மீண்டும் மீண்டும் வாகனங்கள் சுமக்கும் காரணமாக சாலை மேற்பரப்பில் உருவாகும் ஆழங்கள்.
விரிசல்கள்: குறுக்கு விரிசல்கள் (போக்குவரத்து திசைக்கு செங்குத்தாக) மற்றும் நீளமான விரிசல்கள் (இணை) என பிரிக்கப்படுகின்றன. இவை வெப்ப விரிவாக்கம் மற்றும் சுருக்கம் அல்லது கட்டமைப்பு சோர்வு காரணமாக ஏற்படுகின்றன.
தடங்கள்: அதிக வெப்பநிலையிலும், மீண்டும் மீண்டும் வாகன அழுத்தம் காரணமாகவும் நிலக்கீல் சிதைவதால் உருவாகும் பள்ளங்கள்.
1. நழுவுதல்: சாலை மேற்பரப்பு பொருள் இழப்பு, உராய்வைக் குறைக்கிறது.
இந்த அமைப்பு பிரித்தெடுக்கப்பட்ட அம்சங்களைப் பயன்படுத்தி சேதத்தின் வகையை வகைப்படுத்துகிறது, பின்னர் அளவு (எ.கா., பள்ளத்தின் விட்டம், விரிசலின் நீளம்), ஆழம் (பள்ளங்களுக்கு) மற்றும் அகலம் (விரிசல்களுக்கு) போன்ற குறிகாட்டிகளை அளவிடுகிறது. இந்த அளவீடு முன்கூட்டியே அளவீடு செய்யப்பட்ட கேமரா அளவுருக்களை அடிப்படையாகக் கொண்டது - எடுத்துக்காட்டாக, கேமராவுக்கும் சாலைக்கும் இடையிலான தூரம் மற்றும் லென்ஸ் குவிய நீளம் - இது படத்தின் பிக்சல் மதிப்புகளை உண்மையான உடல் பரிமாணங்களாக மாற்ற கணினியை அனுமதிக்கிறது.
உதாரணமாக, ஒரு கேமரா சாலையிலிருந்து 2 மீட்டர் உயரத்தில் 50மிமீ குவிய நீளத்துடன் நிறுவப்பட்டிருந்தால், படத்தில் 100 பிக்சல்களை ஆக்கிரமிக்கும் ஒரு குழி 30 சென்டிமீட்டர் உண்மையான விட்டம் கொண்டதாக கணக்கிடப்படலாம். இந்த அளவிடக்கூடிய தரவு போக்குவரத்துத் துறைகளுக்கு பராமரிப்புக்கு முன்னுரிமை அளிக்க உதவுகிறது: 50 சென்டிமீட்டருக்கும் அதிகமான விட்டம் கொண்ட குழி அல்லது 10 மீட்டருக்கும் அதிகமான நீளம் கொண்ட விரிசல் உயர் முன்னுரிமை பழுதுபார்க்கும் பொருளாகக் குறிக்கப்படும்.
2. தொழில்நுட்ப முன்னேற்றங்கள்: செயலற்ற அங்கீகாரத்திலிருந்து செயலில் கணிப்பு வரை
கேமரா பார்வை அடிப்படையிலான சாலை சேதத்தைக் கண்டறிதலின் ஆரம்ப கட்டம் "செயலற்ற அங்கீகாரத்தில்" கவனம் செலுத்தியது - அதாவது, ஏற்கனவே உள்ள சேதத்தை அடையாளம் காணுதல். இருப்பினும், AI மற்றும் பெரிய தரவுகளின் முன்னேற்றங்களுடன், இந்த தொழில்நுட்பம் சாத்தியமான சாலை சேதத்தின் "செயலில் கணிப்பு" நோக்கி நகர்ந்து இரண்டு முக்கிய முன்னேற்றங்களை அடைந்துள்ளது.
2.1 முன்னணி 1: சேதத்தின் போக்குகளை பகுப்பாய்வு செய்வதற்கான கால-இட தகவல் இணைப்பு
பாரம்பரிய அமைப்புகள் ஒரு படம் அல்லது படங்களின் தொகுப்பை பகுப்பாய்வு செய்கின்றன, இது சாலையின் தற்போதைய நிலையை மட்டுமே பிரதிபலிக்கிறது. இதற்கு மாறாக, நவீன அமைப்புகள் சாலை சேதத்தின் பரிணாமப் போக்கை பகுப்பாய்வு செய்ய தற்காலிக மற்றும் இடஞ்சார்ந்த தரவுகளை ஒன்றிணைக்கின்றன. எடுத்துக்காட்டாக, வெவ்வேறு நேரங்களில் (எ.கா., மாதந்தோறும் அல்லது காலாண்டுக்கு ஒருமுறை) ஆன்-போர்டு கேமராக்களால் எடுக்கப்பட்ட ஒரே சாலைப் பகுதியின் படங்களை ஒப்பிடுவதன் மூலம், சிதைவு வளர்ச்சி விகிதங்களை (எ.கா., மாதத்திற்கு 2 மீட்டர் விரிவடைதல்) அல்லது பள்ளம் விரிவடையும் வேகத்தை கணக்கிட முடியும்.
இந்த தற்காலிக தரவு இணைப்பானது, போக்குவரத்து அளவு, வாகன வகைகள் (எ.கா., கனரக லாரிகள் vs. பயணிகள் கார்கள்) மற்றும் உள்ளூர் வானிலை நிலைகள் (எ.கா., மழைப்பொழிவு, வெப்பநிலை ஏற்ற இறக்கங்கள்) போன்ற இடஞ்சார்ந்த தரவுகளுடன் இணைக்கப்பட்டுள்ளது. பின்னர் இயந்திர கற்றல் மாதிரிகள் இந்த காரணிகளுக்கும் சாலை சேதத்திற்கும் இடையிலான தொடர்புகளை அடையாளம் காண முடியும். எடுத்துக்காட்டாக, கனரக லாரி போக்குவரத்து மற்றும் அடிக்கடி மழைப்பொழிவு உள்ள ஒரு சாலைப் பகுதி, மற்ற பகுதிகளை விட 30% அதிக அளவில் பள்ளங்கள் உருவாகும் அபாயத்தைக் கொண்டிருக்கலாம். இது போக்குவரத்துத் துறைகள் அடுத்த 3-6 மாதங்களில் எந்தப் பகுதிகளில் சேதம் ஏற்பட வாய்ப்புள்ளது என்பதைக் கணிக்கவும், சேதம் ஏற்படுவதற்கு காத்திருப்பதற்குப் பதிலாக தடுப்பு நடவடிக்கைகளை (எ.கா., விரிசல்கள் விரிவடைவதற்கு முன்பு அவற்றை அடைத்தல்) எடுக்கவும் உதவுகிறது.
2.2 முன்னேற்றம் 2: நிகழ்நேர முடிவெடுப்பதற்கான எட்ஜ் கம்ப்யூட்டிங்
ஆரம்பகால கேமரா பார்வை அமைப்புகள் பட செயலாக்கத்திற்காக கிளவுட் கம்ப்யூட்டிங்கை நம்பியிருந்தன - கேமராக்கள் படங்களை பகுப்பாய்வு செய்ய ஒரு தொலைநிலை சேவையகத்திற்கு பதிவேற்றின, இது நெட்வொர்க் அலைவரிசை வரம்புகள் காரணமாக தாமதங்களை (பொதுவாக பல மணிநேரங்கள் முதல் நாட்கள் வரை) ஏற்படுத்தியது. இது சாலைகளில் திடீர் பள்ளங்கள் குறித்து ஓட்டுநர்களை எச்சரிப்பது போன்ற நிகழ்நேர பதில்களை சாத்தியமற்றதாக்கியது.
கிளவுடில் இருந்து நெட்வொர்க் எட்ஜிற்கு (எ.கா., ஆன்-போர்டு கணினிகள், சாலைப் பிரிவுகளுக்கு அருகில் உள்ள உள்ளூர் சர்வர்கள்) தரவு செயலாக்கத்தை நகர்த்துவதன் மூலம் எட்ஜ் கம்ப்யூட்டிங் இந்தப் பிரச்சனையைத் தீர்த்துள்ளது. எட்ஜ் கம்ப்யூட்டிங் தொகுதிகளுடன் கூடிய ஆன்-போர்டு கேமரா அமைப்புகள் படங்களை நிகழ்நேரத்தில் (100 மில்லி வினாடிகளுக்குள்) செயலாக்க முடியும் மற்றும் வாகனத்தின் இன்ஃபோடெயின்மென்ட் சிஸ்டம் வழியாக ஓட்டுநர்களுக்கு நேரடியாக எச்சரிக்கைகளை அனுப்ப முடியும் (எ.கா., குரல் அறிவிப்பு: "முன்னால் பள்ளம் உள்ளது, தயவுசெய்து மெதுவாகச் செல்லவும்"). கூடுதலாக, எட்ஜ் கம்ப்யூட்டிங் கிளவுடிற்கு பதிவேற்றப்படும் தரவின் அளவைக் குறைக்கிறது (மூலப் படங்களுக்குப் பதிலாக செயலாக்கப்பட்ட சேதத் தரவை மட்டும் அனுப்புகிறது), நெட்வொர்க் அலைவரிசையைச் சேமிக்கிறது மற்றும் தரவு பாதுகாப்பை மேம்படுத்துகிறது.
3. நடைமுறை பயன்பாடுகள்: உலகெங்கிலும் சாலை பராமரிப்பை மாற்றுதல்
கேமரா பார்வை தொழில்நுட்பம் உலகளாவிய ரோடு பராமரிப்பு திட்டங்களில் பரவலாக பயன்படுத்தப்பட்டுள்ளது, இது திறனில் மற்றும் செலவுகளில் முக்கியமான முன்னேற்றங்களை காட்டுகிறது. கீழே மூன்று வழக்கமான வழக்குகள் உள்ளன:
3.1 வழக்கு 1: டோக்கியோவின் ஸ்மார்ட் ரோடு ஆய்வு அமைப்பு
டோக்கியோ பெருநகர அரசாங்கம் 2022 இல் ஒரு ஸ்மார்ட் சாலை ஆய்வு அமைப்பை அறிமுகப்படுத்தியது. இந்த அமைப்பு, 500 பொதுப் போக்குவரத்து வாகனங்களில் (பேருந்துகள் மற்றும் சுரங்கப்பாதைகள்) பொருத்தப்பட்ட கேமராக்களைப் பயன்படுத்தி சாலைப் படங்களைச் சேகரிக்கிறது. இந்த அமைப்பு YOLO அல்காரிதம்கள் மற்றும் எட்ஜ் கம்ப்யூட்டிங் ஆகியவற்றைப் பயன்படுத்தி, சாலைகளில் உள்ள பள்ளங்கள் மற்றும் விரிசல்களை நிகழ்நேரத்தில் கண்டறிகிறது. 2023 ஆம் ஆண்டின் இறுதியில், இந்த அமைப்பு 12,000 க்கும் மேற்பட்ட சாலை சேதப் புள்ளிகளைக் கண்டறிந்துள்ளது, இது கைமுறை ஆய்வுகளுக்குத் தேவைப்படும் நேரத்தை 70% குறைத்துள்ளது. மேலும், சேத வளர்ச்சிப் போக்குகளை பகுப்பாய்வு செய்வதன் மூலம், அரசாங்கம் 30 அதிக ஆபத்துள்ள சாலைப் பிரிவுகளுக்கு பராமரிப்புக்கு முன்னுரிமை அளிக்க முடிந்தது, சாலை சேதத்தால் ஏற்படும் போக்குவரத்து விபத்துக்களை 25% குறைத்தது.
3.2 வழக்கு 2: ஜெர்மனியில் ட்ரோன் அடிப்படையிலான நெடுஞ்சாலை ஆய்வு
ஜெர்மன் மத்திய போக்குவரத்து அமைச்சகம், அதி-தெளிவுத்திறன் கொண்ட கேமராக்கள் மற்றும் வெப்பப் படமெடுக்கும் தொழில்நுட்பத்துடன் கூடிய ட்ரோன்களைப் பயன்படுத்தி நெடுஞ்சாலைகளை ஆய்வு செய்கிறது. வெப்பப் படமெடுப்பு, கண்ணுக்குத் தெரியாத சாலை மேற்பரப்பின் உள் விரிசல்கள் போன்ற மறைக்கப்பட்ட சேதங்களைக் கண்டறிய உதவுகிறது. இந்த ட்ரோன்கள் ஒரு நாளைக்கு 100 கிலோமீட்டர் நெடுஞ்சாலையை ஆய்வு செய்ய முடியும், இது மனித ரோந்துப் பணிகளை விட ஐந்து மடங்கு வேகமானது. A7 நெடுஞ்சாலையில் 2023 ஆம் ஆண்டு நடைபெற்ற ஒரு திட்டத்தில், ட்ரோன் அமைப்பு 45 மறைக்கப்பட்ட பள்ளங்களை வெளிக்கொணர்ந்தது, அவை சாலை சரிவதைத் தடுக்க உடனடியாக சரிசெய்யப்பட்டன. பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது, இந்தத் திட்டம் பராமரிப்புச் செலவுகளில் சுமார் €2 மில்லியன் சேமிப்பை அரசுக்கு அளித்துள்ளது.
3.3 வழக்கு 3: அமெரிக்காவில் தன்னாட்சி வாகனங்களுடன் இணைந்து கண்டுபிடிப்பு
கலிபோர்னியா மற்றும் டெக்சாஸ் உட்பட பல அமெரிக்க மாநிலங்கள், சாலை சேதங்களைக் கண்டறிய தன்னாட்சி வாகனங்களின் (AV) ஆன்-போர்டு கேமராக்களைப் பயன்படுத்த AV நிறுவனங்களுடன் இணைந்து செயல்படுகின்றன. AVகள் பல கேமராக்களுடன் (முன், பின் மற்றும் பக்கவாட்டு) பொருத்தப்பட்டுள்ளன, அவை தொடர்ந்து உயர்-துல்லியமான சாலைப் படங்களைப் பிடிக்கின்றன. இந்தத் தரவு போக்குவரத்துத் துறைகளுடன் பகிரப்படுகிறது, அவை சேதத்தை பகுப்பாய்வு செய்ய AI மாதிரிகளைப் பயன்படுத்துகின்றன. இந்த கூட்டு மாதிரி, அர்ப்பணிக்கப்பட்ட ரோந்து வாகனங்களுக்கு கூடுதல் செலவுகள் இல்லாமல் முழு-கவரேஜ் சாலை ஆய்வுகளை அடைய சாலையில் உள்ள AVகளின் பெரிய எண்ணிக்கையைப் பயன்படுத்துகிறது. கலிபோர்னியாவில், இந்த அமைப்பு சாலை ஆய்வுகளின் அதிர்வெண்ணை ஆறு மாதங்களுக்கு ஒருமுறை என்பதிலிருந்து இரண்டு வாரங்களுக்கு ஒருமுறை என அதிகரித்துள்ளது, சேதத்தைக் கண்டறிவதில் காலதாமதத்தை பெரிதும் மேம்படுத்துகிறது.
4. எதிர்கால போக்குகள்: சாலைகளை புத்திசாலி மற்றும் பாதுகாப்பானதாக மாற்றுதல்
கேமரா பார்வை தொழில்நுட்பம் தொடர்ந்து வளர்ச்சியடைந்து வருவதால், ஸ்மார்ட் போக்குவரத்தின் எதிர்காலத்தில் இது ஒரு முக்கிய பங்கு வகிக்கும். கண்காணிக்க வேண்டிய நான்கு முக்கிய போக்குகள் கீழே கொடுக்கப்பட்டுள்ளன:
4.1 அதிக துல்லியத்திற்காக பல சென்சார் இணைவு
எதிர்கால கேமரா பார்வை அமைப்புகள், கண்டறிதல் துல்லியத்தை மேம்படுத்த LiDAR (Light Detection and Ranging) மற்றும் ரேடார் போன்ற பிற சென்சார்களுடன் ஒருங்கிணைக்கப்படும். LiDAR சாலை மேற்பரப்பின் 3D ஆழத் தகவலை வழங்க முடியும், இது பள்ளங்களின் ஆழம் மற்றும் பள்ளங்களின் உயரத்தை மிகவும் துல்லியமாக அளவிட உதவுகிறது. மறுபுறம், ரேடார் மழை, மூடுபனி மற்றும் பனி ஆகியவற்றில் ஊடுருவிச் செல்ல முடியும், இது மோசமான வானிலை நிலைகளில் கேமரா பார்வைக்கு துணையாக இருக்கும். பல சென்சார் தரவுகளின் ஒருங்கிணைப்பு சாலை சேதத்தைக் கண்டறிவதை மேலும் நம்பகமானதாகவும் வலுவானதாகவும் மாற்றும்.
4.2 ஸ்மார்ட் சிட்டி சுற்றுச்சூழல் அமைப்புகளுடன் ஒருங்கிணைப்பு
சாலை சேதத்தைக் கண்டறியும் தரவுகள் ஸ்மார்ட் சிட்டி சுற்றுச்சூழல் அமைப்புகளுடன் ஒருங்கிணைக்கப்படும், மேலும் போக்குவரத்து மேலாண்மை, பொதுப் போக்குவரத்து மற்றும் அவசர சேவைகள் போன்ற பிற அமைப்புகளுடன் இணைக்கப்படும். உதாரணமாக, ஒரு பரபரப்பான சாலையில் பெரிய பள்ளம் கண்டறியப்பட்டால், போக்குவரத்து மேலாண்மைத் துறைக்கு தானாகவே அறிவித்து, போக்குவரத்து எச்சரிக்கை வெளியிடவும், பொதுப் போக்குவரத்து வாகனங்களை மாற்றுப் பாதையில் செல்ல வழிகாட்டவும், பராமரிப்புக் குழுக்களை நிகழ்நேரத்தில் அனுப்பவும் இந்த அமைப்புக்கு முடியும். இந்த தடையற்ற ஒருங்கிணைப்பு ஒட்டுமொத்த நகர்ப்புற செயல்பாட்டுத் திறனை மேம்படுத்தும் மற்றும் குடியிருப்பாளர்களின் பயண அனுபவங்களை மேம்படுத்தும்.
4.3 குறைந்த வள சாதனங்களுக்கான AI மாதிரி மேம்படுத்தல்
ஆய்வாளர்கள் குறைந்த வளங்களைக் கொண்ட சாதனங்களில், குறைந்த செலவுள்ள கேமராக்கள் மற்றும் சிறிய எட்ஜ் கணினி மாட்யூல்களைப் பயன்படுத்தி AI மாதிரிகளை திறமையாக செயல்படுத்துவதற்கான முறைகளை மேம்படுத்த வேலை செய்கிறார்கள். இது கேமரா பார்வை அமைப்புகளை நிறுவுவதற்கான செலவுகளை குறைக்கும், இதனால் குறைந்த பட்ஜெட்டுடன் உள்ள சிறிய நகரங்கள் மற்றும் கிராமப்புற பகுதிகளுக்கு அவற்றைப் பயன்படுத்துவதற்கு அணுகுமுறை கிடைக்கும். எடுத்துக்காட்டாக, குறைக்கப்பட்ட அளவுகோல்களுடன் கூடிய ஒரு எளிய YOLO மாதிரி $50 எட்ஜ் கணினி மாட்யூலின் மீது இயங்கலாம், இது கிராமப்புற பகுதிகளை அடிப்படையான சாலை சேதம் கண்டறிதலை முக்கிய முதலீடுகள் இல்லாமல் செயல்படுத்த அனுமதிக்கிறது.
4.4 டிஜிட்டல் ட்வின்களுடன் முன்னறிவிப்பு பராமரிப்பு
டிஜிட்டல் ட்வின் தொழில்நுட்பம்—ஒரு சாலை போன்ற பௌதீகப் பொருளின் மெய்நிகர் நகலை உருவாக்குதல்—கேமரா பார்வை அமைப்புடன் இணைந்து மிகவும் துல்லியமான முன்கணிப்புப் பராமரிப்பை அடைய உதவும். இந்த அமைப்பு, சாலை சேதங்கள் குறித்த நிகழ்நேரத் தரவுகளுடன் டிஜிட்டல் ட்வின்னைத் தொடர்ந்து புதுப்பிக்கும். மேலும், பல்வேறு போக்குவரத்து மற்றும் வானிலை நிலைகளில் சேதங்கள் எவ்வாறு உருவாகும் என்பதை கணிக்க உருவகப்படுத்துதல் அல்காரிதம்களைப் பயன்படுத்தும். இதன் மூலம், போக்குவரத்துத் துறைகள் ஒவ்வொரு சாலைப் பகுதிக்கும் தனிப்பயனாக்கப்பட்ட பராமரிப்புத் திட்டங்களை உருவாக்க முடியும். இது சாலை உள்கட்டமைப்பின் ஆயுட்காலத்தை அதிகப்படுத்தி, பராமரிப்புச் செலவுகளைக் குறைக்கும்.
5. முடிவுரை: கேமரா பார்வை - ஸ்மார்ட் சாலை பராமரிப்பின் ஒரு மூலக்கல்லாகும்
கேமரா பார்வை தொழில்நுட்பம், செயலற்ற சேதத்தை கண்டறிவதில் இருந்து செயலில் கணிப்புக்கு கணிசமாக முன்னேறியுள்ளது, சாலை பராமரிப்பை எதிர்வினையாற்றும் செயல்முறையிலிருந்து முன்கூட்டியே செயல்படும் செயல்முறையாக மாற்றியுள்ளது. மேம்பட்ட கேமராக்கள், AI அல்காரிதம்கள் மற்றும் எட்ஜ் கம்ப்யூட்டிங் ஆகியவற்றைப் பயன்படுத்துவதன் மூலம், இது திறமையான, துல்லியமான மற்றும் நிகழ்நேர சாலை சேதத்தைக் கண்டறிய உதவுகிறது, போக்குவரத்துத் துறைகள் செலவுகளைச் சேமிக்கவும், பாதுகாப்பை மேம்படுத்தவும், சாலை உள்கட்டமைப்பின் ஆயுட்காலத்தை நீட்டிக்கவும் உதவுகிறது.
தொழில்நுட்பம் பல சென்சார் இணைவு, ஸ்மார்ட் சிட்டி ஒருங்கிணைப்பு மற்றும் டிஜிட்டல் ட்வின் தொழில்நுட்பம் மூலம் தொடர்ந்து வளர்ச்சியடைந்து வருவதால், ஸ்மார்ட் சாலை பராமரிப்பின் ஒரு முக்கிய அங்கமாக இது மாறும். எதிர்காலத்தில், கேமரா பார்வையின் சக்தியால், பாதுகாப்பான, நம்பகமான மற்றும் நிலையான சாலை வலையமைப்புகளை நாம் எதிர்பார்க்கலாம். நீங்கள் ஒரு போக்குவரத்து நிபுணராக இருந்தாலும், ஸ்மார்ட் சிட்டி திட்டமிடுபவராக இருந்தாலும், அல்லது சாலைப் பாதுகாப்பு குறித்து அக்கறை கொண்ட ஒரு ஓட்டுநராக இருந்தாலும், கேமரா பார்வை சாலை மேற்பரப்பு சேதத்தை எவ்வாறு கண்டறிகிறது என்பதைப் புரிந்துகொள்வது ஸ்மார்ட் போக்குவரத்தின் எதிர்காலத்தை ஏற்றுக்கொள்வதற்கு முக்கியமாகும்.
உங்கள் பிராந்தியத்தில் கேமரா பார்வை அடிப்படையிலான சாலை சேதத்தைக் கண்டறிவதை நீங்கள் செயல்படுத்த விரும்பினால், குறிப்பிட்ட வரிசைப்படுத்தல் சூழல் (நகர்ப்புற சாலைகள், நெடுஞ்சாலைகள், கிராமப்புற சாலைகள்), சுற்றுச்சூழல் நிலைமைகள் மற்றும் பட்ஜெட் போன்ற காரணிகளைக் கவனியுங்கள். அனுபவம் வாய்ந்த தொழில்நுட்ப வழங்குநர்களுடன் ஒத்துழைப்பது உங்கள் தேவைகளைப் பூர்த்தி செய்யும் மற்றும் உகந்த முடிவுகளை வழங்கும் தனிப்பயனாக்கப்பட்ட தீர்வை வடிவமைக்க உதவும்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat