Cómo hacer que los semáforos sean más eficientes con Amazon Rekognition

Las agencias estatales y locales gastan aproximadamente 1.230 millones de dólares anuales operar y mantener intersecciones de tráfico señalizadas. Por otro lado, la congestión del tráfico en las intersecciones le cuesta a los conductores aproximadamente 22 mil millones de dólares anualesLa implementación de una solución basada en detección impulsada por inteligencia artificial (IA) puede mitigar significativamente la congestión en las intersecciones y reducir los costos de operación y mantenimiento. En esta publicación del blog, le mostramos cómo Reconocimiento de Amazon (una tecnología de IA) puede mitigar la congestión en las intersecciones de tráfico y reducir los costos de operación y mantenimiento.

Los organismos estatales y locales dependen de las señales de tráfico para facilitar el flujo seguro del tráfico de automóviles, peatones y otros usuarios. Hay dos tipos principales de semáforos: fijos y dinámicos. Los semáforos fijos son luces temporizadas controladas por señales electromecánicas que encienden y mantienen las luces encendidas en función de un período de tiempo establecido. Los semáforos dinámicos están diseñados para ajustarse en función de las condiciones del tráfico mediante el uso de detectores tanto debajo de la superficie de la carretera como por encima del semáforo. Sin embargo, a medida que la población continúa aumentando, hay más automóviles, bicicletas y peatones que utilizan las calles. Este aumento de usuarios de la carretera puede afectar negativamente a la eficiencia de cualquiera de los dos sistemas de tráfico.

Descripción general de la solución

A un alto nivel, nuestra solución utiliza Reconocimiento de Amazon para detectar automáticamente objetos (automóviles, bicicletas, etc.) y escenas en una intersección. Después de la detección, Amazon Rekognition crea cuadros delimitadores alrededor de cada objeto (como un vehículo) y calcula la distancia entre cada objeto (en este escenario, esa sería la distancia entre los vehículos detectados en una intersección). Los resultados de las distancias calculadas se utilizan de forma programática para detener o permitir el flujo de tráfico, lo que reduce la congestión. Todo esto sucede sin intervención humana.

Prerrequisitos

La solución propuesta se puede implementar en un entorno personal de AWS utilizando el código que proporcionamos. Sin embargo, hay algunos requisitos previos que deben cumplirse. Antes de ejecutar los laboratorios de esta publicación, asegúrese de tener lo siguiente:

1. Una cuenta de AWS. Crea uno si es necesario.
2. El apropiado Gestión de identidad y acceso de AWS (IAM) permisos para acceder a los servicios utilizados en el laboratorio. Si es la primera vez que configura una cuenta de AWS, consulte La documentación de IAM para obtener información sobre cómo configurar IAM.
3. Un cuaderno de SageMaker Studio. Crea uno si es necesario.

Arquitectura de la solución

El siguiente diagrama ilustra la arquitectura del laboratorio:

Esta solución utiliza las siguientes tecnologías de inteligencia artificial y aprendizaje automático (IA/ML), sin servidor y administradas:

• Amazon SageMakerun servicio de aprendizaje automático totalmente administrado que permite a los científicos de datos y desarrolladores crear, entrenar e implementar aplicaciones de aprendizaje automático.
• Reconocimiento de Amazon Admite agregar análisis de imágenes y videos a sus aplicaciones.
• SOY otorga autenticación y autorización que permite que los recursos de la solución se comuniquen entre sí.

Para recapitular cómo funciona la solución

1. Imágenes de video de una intersección de tráfico se carga en su entorno SageMaker desde un dispositivo externo.
2. Una función de Python usa CV2 para dividir el metraje de video en fotogramas de imagen.
3. La función realiza una llamada a Amazon Rekognition cuando se completan los marcos de imagen.
4. Amazon Rekognition analiza cada fotograma y crea cuadros delimitadores alrededor de cada vehículo que detecta.
5. La función cuenta los cuadros delimitadores y cambia la señal de tráfico en función de la cantidad de automóviles que detecta utilizando una lógica predefinida.

Tutorial de solución

Ahora, veamos cómo implementar la solución.

Configurar SageMaker:

1. Elegir Dominios en el panel de navegación y luego seleccione su nombre de dominio.
2. Busque y copie SageMaker Rol de ejecución.
   
3. Vaya a la consola IAM y seleccione Roles en el panel de navegación y pegue el rol de ejecución de SageMaker que copió en el paso anterior.

Habilite SageMaker para interactuar con Amazon Rekognition:

A continuación, habilite SageMaker para interactuar con Amazon Rekognition mediante la función de ejecución de SageMaker.

1. En la consola de SageMaker, seleccione su rol de ejecución de SageMaker y elija Añadir permiso y luego elige Adjuntar políticas.
2. En la barra de búsqueda, ingrese y seleccione Política de acceso completo de AmazonRekognitionVea la siguiente figura.

Con los permisos de IAM configurados, puede ejecutar el cuaderno en SageMaker con acceso a Amazon Rekognition para el análisis de video.

Descargar el Cuaderno de reconocimiento y datos de intersección de tráfico a su entorno local. En Amazon Sagemaker Studio, subir el cuaderno y los datos que descargaste.

Tutorial del código:

Este laboratorio utiliza OpenCv y Boto3 para preparar el entorno de SageMaker. OpenCv es una biblioteca de código abierto con más de 250 algoritmos para el análisis de visión artificial. Boto3 es el SDK de AWS para Python que le ayuda a integrar los servicios de AWS con aplicaciones o scripts escritos en Python.

1. Primero, importamos OpenCv y Boto3 paquete. La siguiente celda de códigos crea una función para analizar el video. Repasaremos los componentes clave de la función. La función comienza creando un cuadro para el video que se analizará.
   
2. El fotograma se escribe en un nuevo archivo de escritura de vídeo con una extensión MP4. La función también recorre el archivo y, si el vídeo no tiene un fotograma, la función lo convierte en un archivo JPEG. A continuación, el código define e identifica los carriles de tráfico mediante cuadros delimitadores. Las operaciones de imagen de Amazon Rekognition colocan cuadros delimitadores alrededor de las imágenes detectadas para su posterior análisis.
   
3. La función captura el fotograma del vídeo y lo envía a Amazon Rekognition para analizar las imágenes del vídeo mediante los cuadros delimitadores. El modelo utiliza cuadros delimitadores para detectar y clasificar las imágenes capturadas (automóviles, peatones, etc.) en el vídeo. A continuación, el código detecta si hay un coche en el vídeo enviado a Amazon Rekognition. Se genera un cuadro delimitador para cada coche detectado en el vídeo.
   
4. Se calcula el tamaño y la posición del vehículo para detectar con precisión su posición. Después de calcular el tamaño y la posición del vehículo, el modelo comprueba si el vehículo se encuentra en un carril detectado. Después de determinar si hay vehículos en uno de los carriles detectados, el modelo cuenta la cantidad de vehículos detectados en el carril.
   
5. Los resultados de detectar y calcular el tamaño, la posición y la cantidad de automóviles en un carril se escriben en un nuevo archivo en el resto de la función.
   
6. Al escribir los resultados en un nuevo archivo, se realizan algunos cálculos geométricos para determinar los detalles de los objetos detectados. Por ejemplo, se utilizan polígonos para determinar el tamaño de los objetos.
   
7. Con la función completamente construida, el siguiente paso es ejecutar la función y con un mínimo de confianza del 95% utilizando un video de prueba.
   
8. La última línea de códigos le permite descargar el video del directorio en SageMaker para verificar los resultados y el nivel de confianza de la salida.

Costos

La lógica detrás de nuestras estimaciones de costos es de $6,000 por intersección, suponiendo que se use un cuadro por segundo utilizando cuatro cámaras con un solo notebook SageMaker para cada intersección. Un punto importante a destacar es que no todas las intersecciones son de 4 vías. Implementar esta solución en áreas de tráfico más pobladas aumentará el flujo general de tráfico.

Desglose de costos y detalles

Sin embargo, esto es una estimación y es posible que se produzcan costos adicionales según la personalización. Para obtener información adicional sobre los costos, visite la página de precios de AWS para conocer los servicios incluidos en la arquitectura de la solución. Si tiene preguntas, comuníquese con el equipo de AWS para obtener una conversación más técnica y centrada.

Limpiar

Elimine todos los recursos de AWS creados para esta solución que ya no sean necesarios para evitar cargos futuros.

Conclusión

En esta publicación se ofrece una solución para que los semáforos sean más eficientes con Amazon Rekognition. La solución propuesta en esta publicación puede mitigar los costos, respaldar la seguridad vial y reducir la congestión en las intersecciones. Todo esto hace que la gestión del tráfico sea más eficiente. Recomendamos encarecidamente obtener más información sobre cómo Amazon Rekognition puede ayudar a acelerar otras tareas de reconocimiento de imágenes y análisis de video visitando el sitio web de Amazon Rekognition. Guía para desarrolladores de Amazon Rekognition.

Acerca de los autores

Hao Lun Colin Chu es un arquitecto de soluciones innovador en AWS que ayuda a socios y clientes a aprovechar tecnologías de nube de vanguardia para resolver desafíos comerciales complejos. Con una amplia experiencia en migraciones a la nube, modernización e IA/ML, Colin asesora a las organizaciones sobre cómo traducir sus necesidades en soluciones transformadoras impulsadas por AWS. Impulsado por una pasión por usar la tecnología como una fuerza para el bien, está comprometido a brindar soluciones que empoderen a las organizaciones y mejoren la vida de las personas. Fuera del trabajo, disfruta tocando la batería, el voleibol y los juegos de mesa.

Joe Wilson Joe es arquitecto de soluciones en Amazon Web Services y brinda apoyo a organizaciones sin fines de lucro. Brinda orientación técnica a organizaciones sin fines de lucro que buscan crear, implementar o expandir aplicaciones de forma segura en la nube. Le apasiona aprovechar los datos y la tecnología para el bien social. Joe tiene experiencia en ciencia de datos y desarrollo internacional. Fuera del trabajo, a Joe le encanta pasar tiempo con su familia y amigos y conversar sobre innovación y emprendimiento.