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

Abstract

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...

Detection of the Vehicle Direction with Adaptive Threshold Algorithm Using Magnetic Sensor Nodes

“…In addition, there is a UART1 connector to which the Sim900 node can be connected and a UART2 connector to which the serial port output can be monitored, which is used to transfer the data obtained by the sensor to the internet environment [25][26][27]. As can be seen from Figure 3, the HMC5983L (magnetic sensor) sensor, which is directly attached to the port of the sensor node, can be used as a 3-axis compass.…”

“…However, which vehicle in which direction to move can be determined by acquiring magnetic measurements and plotting related signal graphics. [27] to detect vehicles in traffic based on magnetic signals in this mean. With this algorithm, it is aimed to determine the threshold value on the magnetic signal taken from the sensor nodes and to present a suitable solution to the vehicle detection decision.…”

“…Secondly, the adaptive threshold value algorithm is applied to the proposed system to determine the direction of the vehicles. In the first application, a fixed threshold value [27] based on a threshold value assumption is based on a very small average of the threshold values obtained in experiments on 100 vehicles. In order to make vehicle detections and to make more precise and accurate measurements, one wireless sensor node is placed in the middle of the road.…”

“…In this case, an adaptive threshold value level can be determined for the detection state machine. The adaptive edge line for all three magnetic axes is found by means of equation 2 [25,27].…”