Deteksi Kecelakaan Lalu Lintas Otomatis Pada Rekaman CCTV Indonesia Menggunakan Deep Learning
Kata Kunci:
Deteksi Kecelakaan, YOLO, Beban Komputasi, Deep LearningAbstrak
Kecelakaan lalu lintas sering kali mengakibatkan korban jiwa dan kerugian harta benda. Penggunaan CCTV bisa digunakan untuk memonitor kecelakaan. Akan tetapi, pengawasan lalu lintas menggunakan CCTV dalam skala besar seperti di Indonesia memerlukan sumber daya manusia yang besar dan sulit untuk implementasi skala besar. Solusi yang diusulkan adalah penggunaan teknologi deep learning untuk mendeteksi kecelakaan lalu lintas secara otomatis pada rekaman CCTV lalu lintas Indonesia. Akan tetapi, arsitektur deep learning memiliki beban komputasi tinggi dikarenakan kompleksitas dari arsitekturnya dan memberikan tantangan dalam deteksi kecelakaan secara real-time. Penelitian ini bertujuan untuk mengembangkan model deteksi kecelakaan dengan beban komputasi yang ringan. Dalam penelitian ini, arsitektur YOLOv8 digunakan untuk deteksi objek pada video CCTV Indonesia yang diambil dari berbagai sumber seperti Twitter, Youtube, dan siaran CCTV publik Indonesia. Untuk mendeteksi adanya kecelakaan, anomali yang terdapat pada video akan dideteksi dengan menggunakan metode Simple Moving Average (SMA) dan frame yang memiliki anomali tertinggi akan diklasifikasi oleh model CNN MobileNetv2 yang dilatih menggunakan dataset kecelakaan yang diperoleh dari Kaggle. Model MobileNetv2 memprediksi frame yang memiliki anomali dengan akurasi 0.89 dari dua kelas yaitu kecelakaan atau tidak kecelakaan. Model yang kami kembangkan memiliki beban komputasi rata-rata 21 ms/frame, yang menunjukkan bahwa model yang kami kembangkan memiliki beban komputasi relatif rendah apabila dibandingkan dengan metode-metode yang dikembangkan oleh peneliti-peneliti sebelumnya.
Referensi
M. D. Astuti, Sutrisno, and Rahmawati, "Hubungan Respon Time Perawat dengan Penanganan Nyeri pada Pasien Fraktur Akibat Kecelakaan Lalu Lintas di IGD RSUD Dr. Raden Soedjati Soemodiardjo Purwodadi," Journal of TSCNers, vol. 8, no. 1, 2023. e-ISSN: 2503-2453.
T. Tamagusko, M. G. Correia, M. A. Huynh, and A. Ferreira, "Deep Learning applied to Road Accident Detection with Transfer Learning and Synthetic Images," Transportation Research Procedia, vol. 64, pp. 90-97, 2022. https://doi.org/10.1016/j.trpro.2022.09.012.
Y. Zhang et al., "ByteTrack: Multi-Object Tracking by Associating Every Detection Box," 2022.
D. Tian, C. Zhang, X. Duan, and X. Wang, "An Automatic Car Accident Detection Method Based on Cooperative Vehicle Infrastructure Systems," IEEE Access, vol. PP, no. 1, pp. 1-1, 2019. https://doi.org/10.1109/ACCESS.2019.2939532.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 779-788.
D. Reis, J. Kupec, J. Hong, and A. Daoudi, "Real-Time Flying Object Detection with YOLOv8," arXiv preprint arXiv:2305.09972, 2023.
A. Howard et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," arXiv preprint arXiv:1704.04861, 2017.
M. Sandler et al., "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 4510-4520. https://doi.org/10.1109/CVPR.2018.00474.
J. Wu, "Complexity and accuracy analysis of common artificial neural networks on pedestrian detection," MATEC Web of Conferences, vol. 232, 01003, 2018. doi:10.1051/matecconf/201823201003.
A. Bochkovskiy, C. Wang, and H. M. Liao, "YOLOv4: Optimal Speed and Accuracy of Object Detection," ArXiv, abs/2004.10934, 2020.
D. Kalita and P. Lyakhov, "Moving Object Detection Based on a Combination of Kalman Filter and Median Filtering," Big Data and Cognitive Computing, vol. 6, no. 4, p. 142, 2022. doi: 10.3390/bdcc6040142.
J. D. Hamilton, Time Series Analysis, Vol. 2. Princeton, NJ: Princeton University Press, 1994.
Y. Gulzar, "Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique," Sustainability, vol. 15, p. 1906, 2023. https://doi.org/10.3390/su15031906.
S. Arora and B. Barak, Computational Complexity: A Modern Approach. Cambridge University Press, 2009.
S. Robles-Serrano, G. Sanchez-Torres, and J. Branch-Bedoya, "Automatic Detection of Traffic Accidents from Video Using Deep Learning Techniques," Computers, vol. 10, no. 11, p. 148, 2021. https://doi.org/10.3390/computers10110148.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Adam Rezky, Abdullah Bagir, David Pamerean, Faizal Makhrus
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
