Decision tree-based machine learning algorithm for in-node vehicle classification

Ying, Kyle; Ameri, Alireza; Trivedi, Ankit; Ravindra, Dilip; Patel, Darshan; Mozumdar, Mohammad

doi:10.1109/igesc.2015.7359454

Cited by 14 publications

(3 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Concerning the balance of precision and computation cost, the decision tree had been cross-validated to classify seven radio controlled cars in the laboratory [ 21 ]. Nearly 100% accuracy was obtained in the experiment.…”

Section: Related Workmentioning

confidence: 99%

Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck

Zhang

Dong

et al. 2020

Sensors

View full text Add to dashboard Cite

Vehicle detection and classification have become important tasks for traffic monitoring, transportation management and pavement evaluation. Nowadays there are sensors to detect and classify the vehicles on road. However, on one hand, most sensors rely on direct contact measurement to detect the vehicles, which have to interrupt the traffic. On the other hand, complex road scenes produce much noise to consider when to process the signals. In this paper, a data-driven methodology for the detection and classification of vehicles using strain data is proposed. The sensors are well arranged under the bridge deck without traffic interruption. Next, a cascade pre-processing method is applied for vehicle detection to eliminate in-situ noise. Then, a neural network model is trained to identify the close-range following vehicles and separate them by Non-Maximum Suppression. Finally, a deep convolutional neural network is designed and trained to identify the vehicle types based on the axle group. The methodology was applied in a long-span bridge. Three strain sensors were installed beneath the bridge deck for a week. High robustness and accuracy were obtained by these algorithms. The methodology proposed in this paper is an adaptive and promising method for vehicle detection and classification under complex noise. It would serve as a supplement to current transportation systems and provide reliable data for management and decision-making.

show abstract

Section: Related Workmentioning

confidence: 99%

Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck

Zhang

Dong

et al. 2020

Sensors

View full text Add to dashboard Cite

show abstract

“…Ayrıca, manyetik düğümler yön, açı veya elektriksel akımları doğrudan algılayamazlar. Önce, verilen giriş ile ortaya çıkan veya farklılaşan manyetik veri oluşur [30]- [34]. Bakır kablonun bünyesindeki akım veya demir içerikli obje, yerin manyetik kuvvet veya alanındaki değişime neden olur.…”

Section: Kablosuz Manyetik Sensörler Kullanılarak Araç Sınıflandırma Sisteminin Tasarımıunclassified

“…Bu işlem manyetometrenin birçok uygulama alanında kullanılmasını zorlaştıran süreçtir. Ancak bu değişim nedenlerinin iyi analiz edilmesi, doğru ve verimli sonuçlar edilmesini kolaylaştırabilir [18], [34]. İkinci uygulama olarak minibüs için ölçüm yapılmıştır.…”

Section: Kablosuz Manyetik Sensörler Kullanılarak Araç Sınıflandırma Sisteminin Tasarımıunclassified

Implementation of the vehicle classification based-on decision tree algorithm using wireless magnetic sensors

Vançin¹,

Erdem²

2018

Pamukkale J Eng Sci

View full text Add to dashboard Cite

Kablosuz sensör ağları kullanarak akıllı ulaşım sistemleri (Intelligent Transportation Systems, ITS) tasarlamak, hem maliyet hem de enerji verimliliği açısından avantajlı olup herhangi bir yolun trafiğini gözlemlemek, o yol hakkında trafik bilgisi edinmek veya sadece araçları tespit edip tipleri ve hızlarını saptamak son zamanlarda araştırmacıların ilgi odağı haline gelmiştir. Bu çalışmada sensör düğümü, manyetometre, güç kartı ve pilden oluşan ve diğer çalışmalarda kullanılan düğümlerden daha doğru ve anlaşılır veriler sunabilen bir sensör devresi kullanılmıştır. Bu sensör devreleri ile aracın tipini belirlemek için iki farklı yöntem sunulmuştur. İlk yöntemde, yoldan geçen araçlar, önerilen algoritma ve İ (Manyetik İmza Uzunluğu) paremetresine göre otomobil, minibus, otobüs ve kamyon olarak sınıflandırılmıştır. Bu yöntemle elde edilen doğruluk payı %89 olmuştur. Diğer yöntemde ise araç sınıflandırması, makine öğrenmesi algoritması olan J48 kullanılarak yapılmış ve önerilen yöntem esas alınarak elde edilen sonuçların eniyilemesi yapılmıştır. Bir makine öğrenmesi yazılım paketi olan Weka'da uygulanan J48 sınıflandırma algoritmasını kullanır. Karar ağacı modeli, 3 eksenli HMC5983L manyetik sensöründen geçen araçlardan çıkarılan manyetik ham veri, ölçüm süresi gibi bir dizi özellikten oluşturulmuştur. Özellikler, çapraz geçerlilik temelinde değişen sınıflandırma oranları derecelerine sahip bir karar ağacı modeli üretmek için J48 eğitim algoritmasına doğru sınıflandırmalarla sağlanan niteliklerdir. Makine öğrenmesi algoritması olan J48 kullanımı araç sınıflandırmasında daha verimli ve doğru sonuçlar verdiği görülmüştür. İlk yöntemle elde edilen İ değerleri hesaplama aşamasında zorluklar doğurmuştur. Ancak J48 algoritması kullanılarak daha belirgin ve hassas sınır ve eşik değerleri elde edilmiştir. Çalışmanın sonucu, araç sınıflandırma sisteminde önerilen algoritmanın eniyilemesiyle yaklaşık % 100 doğruluk payı ile etkili ve verimli olduğunu göstermektedir. The design of Intelligent Transportation Systems (ITS) using wireless sensor networks to observe any road traffic, get road information, or just identify road vehicles has recently become an interesting and popular research topic because of its advantages in cost and energy efficiency. To perform this study, sensor circuit consisting of sensor node, magnetometer, power board and battery, is used. This sensor structure presents more accurate and intelligible results than sensor nodes used in other studies. Two different methods have been proposed to determine the type of vehicle with these sensor circuits. In the first method, vehicles passing by the road are classified as cars, minibuses, buses and trucks according to the proposed algorithm and (Magnetic Signature Length) parameters. The accuracy achieved with this method was 89%. In the other method, vehicle classification was performed using machine learning algorithm J48 which is a machine learning decision tree extension and the obtained results were optimized based on the proposed method. It uses the J48 class...

show abstract

Deep Learning-Based Vehicle Classification

Muhib,

Ahmad,

Boufama

2023

Lecture Notes in Networks and Systems

View full text Add to dashboard Cite

Decision tree-based machine learning algorithm for in-node vehicle classification

Cited by 14 publications

References 11 publications

Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck

Deep Learning Based Vehicle Detection and Classification Methodology Using Strain Sensors under Bridge Deck

Implementation of the vehicle classification based-on decision tree algorithm using wireless magnetic sensors

Deep Learning-Based Vehicle Classification

Contact Info

Product

Resources

About