MultiDo software SDK knihovna: poloprovozní ověřování
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F27581349%3A_____%2F22%3AN0000004" target="_blank" >RIV/27581349:_____/22:N0000004 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.eyedea.cz/products" target="_blank" >https://www.eyedea.cz/products</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
čeština
Název v původním jazyce
MultiDo software SDK knihovna: poloprovozní ověřování
Popis výsledku v původním jazyce
SW knihovna, která obsahuje AI metody pro analýzu multi-modálních dat z dopravních senzorů s cílem zvýšit přesnost, robustnost a validitu informací, které se z těchto senzorů získávají. Slouží ke sdružené analýze video a audio signálu. Nad touto knihovnou bylo vyvinuto několik CLI aplikací, které slouží k poloprovoznímu ověřování hlavních funkcionalit systému. Proběhlo poloprovozní ověření systému za reálných podmínek. Hlavní funkcionality poloprovozních CLI aplikací jsou následující: - CLI aplikace predikující více typů událostí z audia. - CLI aplikace pro detekci výpadků funkce video-modulu. - CLI aplikace používající SVM adaptaci audio-modulu pro přesnou predikci událostí v dlouhých záznamech. V poloprovozu se sbírala reálná data pro ověření systému. Celkem vzniklo několik datových sad, a bylo nasbíráno několik desítek hodin videozáznamu. Záznamy jsou snímány na různých stanovištích za různých světelných a zvukových podmínek. Záznamy byly automaticky zpracovány video-modulem, který detekoval celkem 23 883 průjezdů vozidel. Poloprovoz byl vyhodnocen z hlediska automatické adaptace audio-modulu na nová data; detekce více typů událostí z audia; možností detekce výpadků video-modulu; využití audia pro zvýšení efektivity zpracování videa.
Název v anglickém jazyce
MultiDo SDK software library: semi-operational verification
Popis výsledku anglicky
Software library that includes AI methods for analyzing multi-modal data from traffic sensors in order to improve the accuracy, robustness and validity of the information that is extracted from these sensors. It is used for the joint analysis of video and audio signals. Several CLI applications have been developed on top of this library for semi-operational verification of the main functionalities of the system. A semi-operational verification of the system under real conditions was performed. The main functionalities of the semi-operational CLI applications are as follows: - CLI applications predicting multiple types of events from audio. - CLI application for detecting video module function failures. - CLI applications using SVM adaptation of the audio-module for accurate prediction of events in long recordings. Real data was collected in a semi-operation to validate the system. In total, several datasets were created, and several tens of hours of video footage were collected. The recordings were taken at different sites under different light and sound conditions. The recordings were automatically processed by the video module, which detected a total of 23,883 vehicle passes. The semi-operation was evaluated in terms of automatic adaptation of the audio-module to new data; detection of multiple event types from the audio; video-module outage detection capabilities; and use of audio to increase video processing efficiency.
Klasifikace
Druh
Z<sub>polop</sub> - Poloprovoz
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/FW03010571" target="_blank" >FW03010571: AI systém vyhodnocování multimodálních dopravních dat</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Interní identifikační kód produktu
FW03010571-V1
Číselná identifikace
FW03010571-V1
Technické parametry
Data pro ověřování systému byla sbírána pomocí snímací konfigurace navržené v prvním roce projektu. Konkrétně se jedná o kameru s vestavěným mikrofonem, která je namontovaná na trojnožce a umístěná u kraje silnice. Knihovna je napsaná v jazyce Python. Pro učení neuronových sítí je použit modul PyTorch. Pro implementaci SVM algoritmu je použit modul Scikit-learn. Ověřování poloprovozu probíhalo za reálných podmínek na silnici, na místech vybraných tak, aby dodala širokou varietu světelných a zvukových scén.
Ekonomické parametry
Licenci je možno udělit jako bezúplatnou pro nekomerční účely. Pro distribuci systému budeme vycházet z našich zkušeností z prodeje systému rozpoznávání výrobců a modelů vozidel a jeho cenové strategie. Kompletní ceny všech typů těchto produktů jsou na dotaz k dispozici na našich stránkách: https://www.eyedea.cz/products/make-and-model-recognition-mmr U systému MultiDo předpokládáme navýšení ceny oproti systému MMR cca 20% - 40%, dle konkrétní situace.
Kategorie aplik. výsledku dle nákladů
—
IČO vlastníka výsledku
27581349
Název vlastníka
Eyedea Recognition s.r.o.
Stát vlastníka
CZ - Česká republika
Druh možnosti využití
A - K využití výsledku jiným subjektem je vždy nutné nabytí licence
Požadavek na licenční poplatek
Z - Poskytovatel licence na výsledek nepožaduje v některých případech licenční poplatek
Adresa www stránky s výsledkem
https://www.eyedea.cz/products