Objektdetektion är en av de viktigaste mjukvarukomponenterna i nästa generation trafikövervakning. Deep learnings-algoritmer för objektdetektion, exempelvis YOLO (You Only Look Once), är snabba och noggranna algoritmer i realtid. Realtidsdetektion och igenkänning av objekt är viktiga uppgifter för bildbehandling. 

I denna studie presenteras ett inbäddat system för detektion och igenkänning av objekt i normal videohastighet (realtid). Indata är följaktligen en videoström som härstammar från en trafikmiljö i Halmstad. Hårdvaran  är Raspberry pi 4 i vilken programvarupaketen Tensorflow, YOLO  samt  träningskonceptet ”Transfer learning” har implementerats. Resultaten presenteras i form av kvantifiering av realtidskörning på FPS (frames per second), detektion  noggrannhet, CPU-temperatur och CPU-frekvens i olika experiment. En slutsats är att Raspberry pi 4 kan utföra objektklassificering och detektion med hög noggrannhet i en del scenarier för trafikövervakning med YOLO-algoritmer. Ett scenario för att klassificera objekt med långsam hastighet till exempel gående, skulle det vara genomförbar med att klassificera och detektera med en högnoggrannhet. För objekt med höghastighet som bilar och cyklister så har Raspberry pi 4 svårt att detektera och klassificera objekter.

Object detection is one of the essential software components in the next generation of traffic monitoring. Real-time detection and recognition of objects are essential tasks for image processing. Therefore, deep learning algorithms for object detection such as YOLO (You Only Look Once) are increasingly used in image analysis, since they run in normal video frame rate (real-time)  and are reasonably accurate.

This study presents an embedded system and its results for detecting and recognizing objects in real-time. Results are based on a video stream originating from a traffic environment in the city of  Halmstad (Sweden). The embedded system is implemented in Raspberry pi 4 using the software Tensorflow and different deep learning algorithms of the YOLO software package. Real-time analyses on frames per second, accuracy in mean average precision, CPU temperature, and CPU frequency are reported for experiments comprising transfer learning.

A main conclusion is that Raspberry pi 4 can perform object classification and detection with high accuracy in certain scenarios for traffic monitoring with YOLO algorithms. For example, classifying objects with the speed of a pedestrian would be feasible with classifying and detecting with high accuracy. On the other hand, with high-speed objects such as cars and cyclists, it is a more challenging task for Raspberry pi 4 to detect and classify objects.