Método de detección de accidentes en tiempo real basado en algoritmos de Inteligencia Artificial

PROYECTO FONDOCYT 3A1-107

Una respuesta rápida puede significar la diferencia entre la vida y la muerte

“La hora de Oro”

Un minuto = 6% incremento de vidas salvadas (Evanco, 1996)

(Lerner & Moscati, 2001)

2

Sistema 9-1-1 permite detectar incidentes y ofrecer asistencia médica con mayor rapidez que nunca antes

3

https://911.gob.do/transparencia/estadisticas/

La velocidad de respuesta del Sistema 9-1-1 puede mejorar

4

https://911.gob.do/transparencia/estadisticas/

El factor humano juega un papel importante en los procesos actuales de detección de accidentes

Persona se comunica con el Sistema 9-1-1

Personal monitorea las cámaras

• Tiempo de reacción lento• Conmoción • Instinto de llamar al 9-1-1• Tiempo para comunicarse• Desconocimiento del lugar

• Costoso• Fatiga mental• “Ceguera de inatención”• Error humano

(Hodgetts et al. 2017)

5

El factor humano juega un papel importante en los procesos actuales de detección de accidentes

Persona se comunica con el Sistema 9-1-1

Personal monitoree las cámaras

• Tiempo de reacción lento• Conmoción • Instinto de llamar al 9-1-1• Tiempo para comunicarse• Desconocimiento del lugar

• No es económicamente factible

• Fatiga mental• “Ceguera de inatención”• Error humano

Dadas las limitaciones existentes y la importancia de detectar accidentes en tiempo real, se plantea

desarrollar un método de detección de accidentes basado en Inteligencia Artificial

6

Sistemas actuales de detección de accidentes son comúnmente diseñados para entornos de carretera

(Sadeky et al., 2010, Giannakeris et al., 2018)

(Buch et al., 2011)

7

CARRETERA URBANO

Entornos urbanos son más complejos que los entornos de carretera

(Singh & Mohan, 2018, Huang et al., 2019)

(Buch et al., 2011)

8

¡Entornos urbanos en la República Dominicana son aun más complejos!

✔Motocicletas✔Cambios de carril frecuente✔Diversidad de vehículos✔Patrones diversos de velocidad

9

¡Entornos urbanos en la República Dominicana son aun más complejos!

✔Motocicletas✔Cambios de carril frecuente✔Diversidad de vehículos✔Patrones diversos de velocidad

¿Dadas todas estas limitaciones, que tenemos a nuestro favor?

10

Falta de videos de accidentes en entornos urbanos es uno de los grandes obstáculos

(Kumaran, Prosad, & Pratim, 2019)

modelos de

11

Acceso a super computadoras para entrenar los modelos

✔16 CPUs Intel Xeon E5-2698 @ 2.3 GHz

✔8 Nvidia GPUs P100 Tesla

✔512 GB RAM

✔128 GB GPU

✔4 SSDs de 1.92 TB

12

✔16 CPUs Intel Xeon 4110 @ 2.1 GHz

✔4 Nvidia GPUs T4 Tesla

✔96 GB RAM

✔64 GB GPU

✔2 SSDs de 240 GB

Método hibrido multietapas basado en algoritmos de Inteligencia Artificial

Ala

rma

so

bre

po

sib

le a

ccid

ente

Método hibrido multietapas basado en algoritmos de Inteligencia Artificial

Algoritmos de aprendizaje automático

(Machine Learning)

Algoritmos de aprendizaje

profundo neuronal(Deep Neural

Networks)

Ala

rma

so

bre

po

sib

le a

ccid

ente

1

Algoritmo de detección de objetos1

Carros, motores….. 15

1

Algoritmo de detección de objetos1

Buses, personas…. 16

1

Algoritmo de detección de objetos1

¿De noche? 17

Método de detección de accidentes basado en Inteligencia Artificial para el Sistema 9-1-1

• Mejorar velocidad de respuesta• Salvar vidas• Reducir costos• Reducir embotellamientos• Reducir incidentes secundarios

18

Proyecto ayudará a desarrollar talentos dominicanos en el área de Inteligencia Artificial

❑ Capacitación de asistentes de investigación

❑ Eventos de capacitación para jóvenes dominicanos

❑ Proyecto relevante que motivará a jóvenes a capacitarse

19

Objetivos Específicos del Proyecto:

20

OE1: Depurar y procesar los videos de tráfico para el entrenamiento de modelos

de aprendizaje automático a ser utilizados en el método de detección de

accidentes.

OE2: Diseñar modelos de aprendizaje automático para la detección de

accidentes en tiempo real con altos grados de precisión y bajos niveles de

falsas alarmas.

OE3: Analizar la factibilidad del método propuesto para su despliegue en línea

con en el Sistema 9-1-1.

OE4: Desarrollar talentos dominicanos en el área de Inteligencia Artificial para

contribuir al fomento de la investigación en esa área en el país.

No. Objetivos Centro Ejecutor

Persona Responsable Trimestres1 2 3 4 5 6 7 8 9 10 11 12

OE1 Depurar y procesar los videos de tráfico para el entrenamiento de modelos de aprendizaje automático a ser

utilizados en el método de detección de accidentes.

ACTIVIDADES

1.1 Adquirir videos de seguridad de entornos urbanos UASD SEDE Todo el equipo

1.2 Depurar videos adquiridos UASD SEDE Todo el equipo

1.3 Etiquetar videos depurados UASD SEDE Raysa Vásquez, Victoria

Castro y Ángel Asencio

1.4 Crear una base de datos de videos etiquetados para entrenamiento UASD SEDE Raysa Vásquez, Victoria

Castro y Ángel Asencio

OE2 Diseñar modelos de aprendizaje automático para la detección de accidentes en tiempo real con altos grados de

precisión y bajos niveles de falsas alarmas.

ACTIVIDADES

2.1 Evaluar el desempeño de los métodos existentes con la base de datos

generada

UASD SEDE Christian López y Ángel

Asencio

2.2 Integrar algoritmos de detección de objetos y anomalías para las etapas de

pre-colisión

UASD SEDE Christian López

2.3 Entrenar modelos de detección de accidentes para las etapas de colisión y

post-colisión basado en algoritmos de aprendizaje automático y profundo

neuronal

UASD SEDE Christian López

2.4 Integrar los modelos desarrollados en el método final de detección de

accidentes

UASD SEDE Todo el equipo

OE3 Analizar la factibilidad del método propuesto para el despliegue de los modelos en línea en el Sistema 9-1-1

ACTIVIDADES

3.1 Evaluar los recursos necesarios para integrar el método de detección de

accidentes con el Sistema 9-1-1

UASD SEDE Christian López y Ángel

Asencio

OE4 Desarrollar talentos dominicanos en el área de Inteligencia Artificial para contribuir al fomento de la

investigación en esa área en el país.

ACTIVIDADES

4.1 Capacitar asistentes de investigación en lenguajes de programación y

programas para el desarrollo de modelos basados en algoritmos de

aprendizaje automático

UASD SEDE Todo el equipo

4.2 Capacitar en el desarrollo y evaluación de modelos basados en algoritmos

de aprendizaje automático

UASD SEDE Todo el equipo

22

Capacitación de talento dominicano

Uso de cámaras para detectar incidentes

• Delitos

• Violaciones de tránsito

• Vehículos averiados

• Confrontaciones

• Embotellamientos

Con la expansión del Sistema 911, las cámaras de tránsito en todo

el territorio nacional se pueden utilizar para identificar:

Este proyecto incentivará la implementación de tecnologías de Inteligencia Artificial

Smart Cities

Christian López Bencosme, PhDAssistant Professor Computer Science Lafayette College, PA, USA

Investigador Principal

Co-Investigadores

Raysa Vásquez Reynoso, EdDDirectora Escuela de InformáticaUniversidad Autónoma de Santo Domingo, D.N.

Ángel Asencio Mendoza, MSMaestro de InformáticaUniversidad Autónoma de Santo Domingo, D.N.

Nelson AbreuMaestro de InformáticaUniversidad Autónoma de Santo Domingo, D.N.

• Lerner, E. B., & Moscati, R. M. (2001). The golden hour: Scientific fact or medical ”urban legend”? Official Journal of the Society for Academic Emergency Medecine, 8(3), 758–760.

• Evanco, W. M. (1996). The impact of rapid incident detection on freeway accident fatalities. McLean, Virginia, USA.

• Sistema 9-1-1. (2019). Informe de Estadísticas Institucionales. Santo Domingo, República Dominicana. Retrieved from https:// 911.gob.do/transparencia/estadísticas

• Hodgetts, H. M., Vachon, F., Chamberland, C., & Tremblay, S. (2017). See no evil: Cognitive challenges of security surveillance and monitoring. Journal of Applied Research in Memory and Cognition, 6(3), 230–243.

• Buch, N., Velastin, S. A., & Orwell, J. (2011). A Review of Computer Vision Techniques for the Analysis of Urban Traffic. IEEE Transactions on Intelligent Transportation Systems, 12(3), 920–939.

• Sadeky, S., Al-Hamadi, A., Michaelis, B., & Sayed, U. (2010). Real-time automatic traffic accident recognition using HFG. In Proceedings - International Conference on Pattern Recognition (pp. 3348–3351). IEEE. https://doi.org/10.1109/ICPR.2010.817

• Giannakeris, P., Kaltsa, V., Avgerinakis, K., Briassouli, A., Vrochidis, S., Kompatsiaris, I., & … J. H.-… of the D. 2018 15th. (2018). Speed estimation and abnormality detection from surveillance cameras. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (pp. 93–99).

• Singh, D., & Mohan, C. K. (2018). Deep Spatio-Temporal Representation for Detection of Road Accidents Using Stacked Autoencoder. IEEE Transactions on Intelligent Transportation Systems, 1–9. https://doi.org/10.1109/TITS.2018.2835308

• Huang, X., He, P., Rangarajan, A., & Ranka, S. (2019). Intelligent Intersection: Two-Stream Convolutional Networks for Real-time Near Accident Detection in Traffic Video. ArXiv Preprint, arXiv:1901.01138. Retrieved from http://arxiv.org/abs/1901.01138

• Kumaran, S., Prosad, D., & Pratim, R. (2019). Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey. ArXiv Preprint, arXiv:1901.08292. Retrieved from https://arxiv.org/pdf/1901.08292.pdf

Referencias

24

https://doi.org/10.1109/ICPR.2010.817about:blankhttps://doi.org/10.1109/ICPR.2010.817https://doi.org/10.1109/TITS.2018.2835308http://arxiv.org/abs/1901.01138https://arxiv.org/pdf/1901.08292.pdf