Loading...
Publication
Cyclist route assessment using machine learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 8.55 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Increasing the number of bike commutes can provide
numerous benefits for individuals and communities.
However, several factors including the availability
of cycle paths, traffic characteristics, and pavement
quality, can either encourage or discourage the use
of bicycles. To promote cycling and understand how
cyclists interact with the urban environment, it is
crucial to assess the quality of cyclist routes. This
thesis proposes an automatic assessment tool that uses
machine learning to detect features of the route segment
and calculates a score representing the level of safety
and comfort for cyclists. The models are trained on
YOLOv5 to classify pavement types, detect pavement
defects and detect the presence of cycle paths. Two
datasets were built and annotated for the pavement type
classification and cycle infrastructure detection tasks. A
questionnaire was applied to cyclists to compare the real
perceptions with the automatic assessment. The results
showed a good alignment with the real perceptions,
validating the approach, but also demonstrated the
need of adding new features and improving the models’
performance before being adequate for real use.
Aumentar o número de deslocamentos de bicicleta pode trazer inúmeros benefícios para indivíduos e comunidades. No entanto, vários fatores, incluindo a disponibilidade de ciclovias, características do tráfego e qualidade do pavimento, podem encorajar ou desencorajar o uso de bicicletas. Para promover o ciclismo e entender como os ciclistas interagem com o ambiente urbano, ´e crucial avaliar a qualidade das rotas dos ciclistas. Esta tese propõe uma ferramenta de avaliação automática que usa aprendizado de máquina para detectar características do segmento de rota e calcula uma pontuação que representa o nível de segurança e conforto para os ciclistas. Os modelos são treinados no YOLOv5 para classificar os tipos de pavimento, detectar defeitos no pavimento e detectar a presença de ciclovias. Dois datasets foram construídos e anotados para as tarefas de classificação do tipo de pavimento e detecção de infraestrutura ciclável. Foi aplicado um questionário aos ciclistas para comparar as percepções reais com a avaliação automática. Os resultados mostraram um bom alinhamento com as percepções reais, validando a abordagem, mas também demonstraram a necessidade de adicionar novas características e melhorar a performance dos modelos antes de ser adequado para uso real.
Aumentar o número de deslocamentos de bicicleta pode trazer inúmeros benefícios para indivíduos e comunidades. No entanto, vários fatores, incluindo a disponibilidade de ciclovias, características do tráfego e qualidade do pavimento, podem encorajar ou desencorajar o uso de bicicletas. Para promover o ciclismo e entender como os ciclistas interagem com o ambiente urbano, ´e crucial avaliar a qualidade das rotas dos ciclistas. Esta tese propõe uma ferramenta de avaliação automática que usa aprendizado de máquina para detectar características do segmento de rota e calcula uma pontuação que representa o nível de segurança e conforto para os ciclistas. Os modelos são treinados no YOLOv5 para classificar os tipos de pavimento, detectar defeitos no pavimento e detectar a presença de ciclovias. Dois datasets foram construídos e anotados para as tarefas de classificação do tipo de pavimento e detecção de infraestrutura ciclável. Foi aplicado um questionário aos ciclistas para comparar as percepções reais com a avaliação automática. Os resultados mostraram um bom alinhamento com as percepções reais, validando a abordagem, mas também demonstraram a necessidade de adicionar novas características e melhorar a performance dos modelos antes de ser adequado para uso real.
Description
Keywords
Cyclist safety assessment Computer vision Deep learning