Acoustic-Based Vehicle Detection and Classification on Malaysian Roads
Notice bibliographique
Résumé
Vehicle detection and classification (VDC) plays a significant role in modern transportation. It contributes to various applications such as traffic monitoring, military surveillance, toll collection, and bridge engineering. The steadily increasing number of vehicles on Malaysian roads highlights the pressing need for robust VDC systems. In this context, this study investigates acoustic-based VDC for Malaysian roadways. Accordingly, we collected pass-by vehicle audio (PVA) recordings in accordance with ISO 11819-1 to emulate real-world vehicle classification scenarios. Short-Time Energy thresholding was employed for accurate vehicle detection, while the IDMT-Traffic benchmark dataset was used to train a vehicle classification model. Log Mel-spectrogram features were extracted, and a Convolutional Neural Network (CNN) classifier was applied for model training. The classification accuracy was examined at different down sampling rates, including$22.05 \text{kHz}, 24 \text{kHz}$and 32 kHz. The proposed system achieved 96.19% vehicle detection accuracy and superior classification performance was observed at a down sampling rate of 22.05 kHz with an accuracy of 73%. However, 24 kHz and 32 kHz yielded lower accuracies of 61% and 66%, respectively. Overall, the results demonstrate the feasibility of using an open-source dataset for model training and applying it to real-world data, specifically vehicle sound recordings collected in Malaysia. This highlights the potential for developing practical and scalable VDC systems without the need for extensive locally labeled data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».