Development of a Road Sign Recognition System Based on a Convolutional Neural Network

जब भी कोई चालक सड़क के किनारे लगे किसी मार्कर पर नज़र डालता है, तो एक सेकंड के कुछ हिस्से में एक जटिल दृश्य पहेली हल हो जाती है। मस्तिष्क को एक आकार की पहचान करनी होती है, एक रंग की व्याख्या करनी होती है, और एक विशिष्ट नियम को याद करना होता है, और यह सब तब करना होता है जब वाहन चल रहा हो, रोशनी बदल रही हो, और मौसम बदल रहा हो। दशकों से, इंजीनियरों ने मशीनों को इसी तरह का कार्य करने के लिए सिखाने की कोशिश की है, इस उम्मीद में कि वे ऐसे सिस्टम बना सकें जो एक इंसान की तरह ही विश्वसनीयता से सड़क को देख सकें। यह चुनौती कंप्यूटर विज़न और आर्टिफिशियल इंटेलिजेंस के संगम पर स्थित है, जो वे क्षेत्र हैं जो कंप्यूटर को दुनिया को देखने और समझने में मदद करने के लिए समर्पित हैं। मूल विचार एक ऐसा सिस्टम बनाना है जो किसी ट्रैफिक साइन की तस्वीर को देखकर तुरंत जान सके कि इसका अर्थ "स्टॉप," "यिल्ड" (मार्ग दें), या "स्पीड लिमिट" है, चाहे वह साइन धूप में चमकीला हो, बारिश में धुंधला हो, या किसी पेड़ द्वारा आंशिक रूप से छिपा हुआ हो। जबकि शुरुआती प्रयास रंग और आकार के कठोर नियमों पर निर्भर थे, आधुनिक दृष्टिकोण एक अलग रणनीति का उपयोग करते हैं: वे कंप्यूटर को हजारों उदाहरण दिखाते हैं ताकि वह अपने आप पैटर्न सीख सके। यह विधि, जिसे 'कन्वोल्यूशनल न्यूरल नेटवर्क' कहा जाता है, एक डिजिटल मस्तिष्क की तरह कार्य करती है जो सरल अवलोकनों को जटिल समझ में परतों के माध्यम से जोड़कर विशेषताओं को पहचानना सीखती है। दांव बहुत ऊंचे हैं, क्योंकि इसे सही ढंग से करने का अर्थ है कम दुर्घटनाएं और सभी के लिए सुरक्षित सड़कें।

कजाकिस्तान और जॉर्डन के शोधकर्ताओं की एक टीम ने विशेष रूप से सड़क के संकेतों को पहचानने के लिए ऐसा सिस्टम बनाने का लक्ष्य रखा। उन्होंने एक मजबूत डिजिटल मॉडल बनाने पर ध्यान केंद्रित किया जो सड़क की अव्यवस्थित और अप्रत्याशित वास्तविकता को संभाल सके। अपने सिस्टम को प्रशिक्षित करने के लिए, उन्होंने वास्तविक दुनिया की छवियों का एक विशाल संग्रह उपयोग किया जिसे 'जर्मन ट्रैफिक साइन रिकग्निशन बेंचमार्क' के रूप में जाना जाता है। इस डेटासेट में 43 विभिन्न प्रकार के संकेतों की 51,000 से अधिक तस्वीरें शामिल हैं, जिन्हें विभिन्न परिस्थितियों में कैप्चर किया गया है जो उन चुनौतियों की नकल करती हैं जिनका सामना एक ड्राइवर प्रतिदिन करता है। इन छवियों में धुंधले, छायादार, झुके हुए या अजीब कोणों से देखे गए संकेत शामिल हैं। शोधकर्ताओं ने इन कच्ची छवियों को केवल कंप्यूटर में फीड नहीं किया; उन्होंने पहले उन्हें साफ किया। उन्होंने चमक (ब्राइटनेस) और कंट्रास्ट को समायोजित किया ताकि प्रत्येक साइन सुसंगत दिखे, जिससे वह दृश्य शोर (विजुअल नॉइज़) हट गया जो मशीन को भ्रमित कर सकता था। उन्होंने मौजूदा छवियों के थोड़े बदलाव करके अपनी प्रशिक्षण सामग्री का विस्तार भी किया, जैसे कि उन्हें कुछ डिग्री घुमाना या उनका आकार बदलना, ताकि सिस्टम को यह सिखाया जा सके कि यदि कोई साइन थोड़ा अलग दिखता है, तो भी वह वही साइन है।

उनके सिस्टम का केंद्र एक बहु-परतीय संरचना है जिसे मानव आंख और मस्तिष्क द्वारा दृश्य जानकारी को संसाधित करने के तरीके की नकल करने के लिए डिज़ाइन किया गया है। प्रक्रिया कंप्यूटर द्वारा एक वृत्त के किनारे या टेक्स्ट की एक रेखा जैसी सरल बारीकियों को खोजने के साथ शुरू होती है। जैसे-जैसे डेटा नेटवर्क की परतों के माध्यम से आगे बढ़ता है, सिस्टम इन सरल विवरणों को अधिक जटिल आकृतियों में संयोजित करना शुरू करता है, यह पहचानते हुए कि एक सफेद केंद्र वाला लाल घेरा एक विशिष्ट प्रकार का निषेध (prohibition) साइन है। सिस्टम की अंतिम परतें इन सभी संचित अवलोकनों को लेती हैं और एक निर्णय लेती हैं, जो प्रत्येक 43 संभावित श्रेणियों के लिए एक संभावना (प्रोबेबिलिटी) निर्धारित करती हैं। यह सुनिश्चित करने के लिए कि सिस्टम ने केवल प्रशिक्षण छवियों को रटा नहीं बल्कि पहचान के नियमों को वास्तव में सीखा है, शोधकर्ताओं ने 'ड्रॉपआउट' नामक तकनीक का उपयोग किया। यह विधि प्रशिक्षण के दौरान नेटवर्क के हिस्सों को बेतरतीब ढंग से अनदेखा करती है, जिससे सिस्टम एक ही संकेत के बजाय कई अलग-अलग सुरागों पर भरोसा करने के लिए मजबूर होता है, जो इसे नई, अनदेखी स्थितियों का सामना करने में बहुत अधिक विश्वसनीय बनाता है।

जब शोधकर्ताओं ने अपने तैयार सिस्टम का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। छवियों के एक अलग सेट का उपयोग करते हुए जिसे कंप्यूटर ने पहले कभी नहीं देखा था, सिस्टम ने 96.4 प्रतिशत की सटीकता के साथ सड़क के संकेतों की सही पहचान की। इसका मतलब है कि हर 1,000 संकेतों में से, इसने 960 से अधिक बार सही निर्णय लिया। सिस्टम ने स्पष्ट, विशिष्ट आकारों और रंगों वाले संकेतों, जैसे कि गोल लाल निषेध संकेतों पर असाधारण रूप से अच्छा प्रदर्शन किया। हालांकि, विश्लेषण ने यह भी बताया कि सिस्टम कहाँ संघर्ष करता है। यह कभी-कभी उन संकेतों को भ्रमित कर देता है जो बहुत समान दिखते हैं, जैसे कि अलग-अलग नंबरों वाले स्पीड लिमिट साइन या अलग-अलग प्रतीकों वाले त्रिकोणीय चेतावनी संकेत। ये त्रुटियां समझ में आती हैं, क्योंकि इंसान भी धुंधले या दूर के साइन को गलत पढ़ सकते हैं। शोधकर्ताओं ने नोट किया कि सिस्टम का प्रदर्शन भाग्य या किसी साधारण ट्रिक का परिणाम नहीं था, बल्कि एक सावधानीपूर्वक संतुलित आर्किटेक्चर का परिणाम था जिसने डेटा क्लीनिंग, स्मार्ट ट्रेनिंग तकनीकों और फीचर एक्सट्रैक्शन के गहरे, स्तरित दृष्टिकोण को संयोजित किया।

अध्ययन निष्कर्ष निकालता है कि इस प्रकार का आर्टिफिशियल इंटेलिजेंस वास्तविक दुनिया के अनुप्रयोगों, जैसे कि कारों में ड्राइवर असिस्टेंस सिस्टम या स्वचालित यातायात निगरानी में एकीकृत होने के लिए तैयार है। सिस्टम ने विविध प्रकाश स्तरों से लेकर अलग-अलग दूरियों तक, सड़क की अराजक स्थितियों को संभालने की क्षमता सिद्ध की। हालांकि वर्तमान मॉडल अत्यधिक प्रभावी है, शोधकर्ता सुधार के स्पष्ट रास्ते देखते हैं। वे सुझाव देते हैं कि भविष्य के संस्करणों को वास्तविक समय के वीडियो स्ट्रीम में काम करने के लिए तेज़ बनाया जा सकता है, शायद हल्के, अधिक कुशल डिजाइनों का उपयोग करके। वे प्रशिक्षण डेटा का विस्तार करने का भी प्रस्ताव करते हैं जिसमें भारी बर्फबारी या रात की ड्राइविंग जैसी चरम मौसम की स्थितियां शामिल हों, जो मूल डेटासेट में पूरी तरह से प्रस्तुत नहीं थीं। इसके अलावा, वे ऐसे मॉड्यूल जोड़ने की कल्पना करते हैं जो न केवल साइन की पहचान कर सकें बल्कि सड़क पर उसके सटीक स्थान का भी पता लगा सकें, जो पूर्णतः स्वायत्त वाहनों के लिए एक महत्वपूर्ण कदम है। फिलहाल, यह कार्य प्रदर्शित करता है कि एक मशीन को मानव धारणा के बराबर सटीकता के साथ सड़क को देखना सिखाया जा सकता है, जो एक ऐसे भविष्य की ओर एक ठोस कदम है जहाँ तकनीक सक्रिय रूप से यातायात दुर्घटनाओं को रोकने में मदद करती है।