IV. EXPERIMENTAL RESULTSWe are inte

IV. EXPERIMENTAL RESULTS
We are interested in assessing the accuracy of the parking
space classifier when varying both the Visual Sensor Network
operational paradigm (CTA or ATC) and the paradigmspecific
parameters. As explained in Section III-B, for both
paradigms it is possible to modify the amount of data
generated and transmitted by camera nodes to the central
controller. On the one hand, this directly impacts on the
bandwidth usage and energy consumption of camera nodes:
since they are the major limitations in visual sensor networks,
it is imperative to keep them low. On the other
hand, decreasing the JPEG image quality in CTA or the
histogram resolution in ATC affects the classifier accuracy.
To analyze the relationship between bandwidth usage, energy
consumption and classifier accuracy, we performed
several experiments using the visual sensor network testbed
we have implemented. Instead of testing the VSN in a real
scenario, we relied on the Pk-lot dataset provided in [13],
which contain images of parking lots under different weather
conditions (overcast, sunny and rainy periods), organized in
three different datasets (UFPR04, UFPR05 and PUCPR).
Each image in the datasets is annotated with information
on the free/occupied parking lots and each one of the three
dataset is divided in a training and testing set. We used the training set to train the SVM classifier, and all experiments
were then performed on the testing sets. Table I reports the
specifications for each dataset.
Table I
CHARACTERISTICS OF THE USED DATASETS.
Dataset Num. of parking lots Training samples Test samples
UFPR04 28 54.236 51.912
UFPR05 37 86.600 79.480
PUCPR 100 224.400 222.900
We pre-loaded images from the datasets on the camera
nodes after resizing them to VGA resolution. This allowed
to perform a great number of experiments in a controlled
environment, changing each time the operational parameters
through the GUI. In particular, we varied the JPEG quality
factor in CTA in the range {7,10,20,30,40}. For ATC, we
varied the number of bins in each hue histogram in the range
{6, 12, 23, 45, 90, 180}.
For each experiment, we kept track of (i) the accuracy of
the parking classifier, computed as the fraction of correctly
classified parking lots over the total number of parking lots in the evaluation dataset, (ii) the average amount of
data generated by camera nodes and (iii) the corresponding
camera node energy consumption. In the latter case, we
used an Adafruit INA219 current sensor to measure the
instantaneous current consumption of the camera node, as
illustrated in Figures 3(a) and 3(b). Figures 4 and 5 show
the rate-accuracy and energy-accuracy performance of the
proposed system, respectively. Several considerations can be
made from the inspection of such figures:

Kết quả (Việt) 2:

IV. KẾT QUẢ THÍ
Chúng tôi quan tâm trong việc đánh giá độ chính xác của các bãi đậu xe
phân loại không gian khác nhau khi cả hai Visual mạng cảm biến
hoạt động mô hình (CTA hoặc ATC) và paradigmspecific
thông số. Như đã giải thích trong Phần III-B, cho cả hai
mô hình có thể thay đổi số lượng dữ liệu
được tạo ra và truyền qua các nút máy ảnh để các trung tâm
điều khiển. Một mặt, điều này tác động trực tiếp trên
băng thông sử dụng và tiêu thụ năng lượng của các nút camera:
kể từ khi họ là những hạn chế lớn trong các mạng cảm biến hình ảnh,
nó là bắt buộc để giữ chúng ở mức thấp. Mặt khác
tay, làm giảm chất lượng hình ảnh JPEG trong CTA hoặc
độ phân giải histogram trong ATC ảnh hưởng đến độ chính xác phân loại.
Để phân tích mối quan hệ giữa việc sử dụng băng thông, năng lượng
tiêu thụ và độ chính xác phân loại, chúng tôi thực hiện
một số thí nghiệm bằng cách sử dụng thử nghiệm mạng cảm biến hình ảnh
chúng tôi đã thực hiện . Thay vì kiểm tra VSN trong một thực
kịch bản, chúng tôi dựa trên các số liệu Vn-lot cung cấp trong [13],
trong đó có chứa các hình ảnh của bãi đỗ xe dưới thời tiết khác nhau
điều kiện (thời kỳ u ám, đầy nắng và mưa), được tổ chức trong
ba bộ dữ liệu khác nhau (UFPR04 , UFPR05 và PUCPR).
mỗi hình ảnh trong bộ dữ liệu được chú thích với các thông tin
về miễn phí / chiếm bãi đỗ xe và mỗi một trong ba
bộ dữ liệu được chia trong đào tạo và thử nghiệm bộ. Chúng tôi sử dụng các thiết lập đào tạo để đào tạo các phân lớp SVM, và tất cả các thí nghiệm
sau đó được thực hiện trên các bộ thử nghiệm. Bảng I báo cáo các
chi tiết kỹ thuật cho mỗi tập dữ liệu.
Bảng I
ĐẶC bộ dữ liệu qua sử dụng.
Dataset Num. bãi đỗ xe mẫu Đào tạo Test mẫu
UFPR04 28 54,236 51,912
UFPR05 37 86,600 79,480
PUCPR 100 224,400 222,900
Chúng tôi pre-load hình ảnh từ các tập dữ liệu trên máy ảnh
các nút sau khi thay đổi kích thước chúng để độ phân giải VGA. Điều này cho phép
thực hiện một số lượng lớn các thí nghiệm trong một kiểm soát
môi trường, thay đổi mỗi lần các thông số hoạt động
thông qua giao diện đồ họa. Đặc biệt, chúng tôi thay đổi chất lượng JPEG
yếu tố trong CTA trong khoảng {7,10,20,30,40}. Đối với ATC, chúng tôi
thay đổi số lượng thùng trong mỗi biểu đồ màu trong khoảng
{6, 12, 23, 45, 90, 180}.
Đối với mỗi thí nghiệm, chúng tôi đã theo dõi (i) tính chính xác của
việc phân loại xe, tính toán như phần của một cách chính xác
các bãi đậu xe được phân loại trên tổng số bãi đỗ xe trong các số liệu đánh giá, (ii) số tiền trung bình của
dữ liệu được tạo ra bởi các nút camera và (iii) tương ứng với
mức tiêu thụ năng lượng nút camera. Trong trường hợp sau, chúng tôi
đã sử dụng một cảm biến hiện nay Adafruit INA219 để đo
mức tiêu thụ tức thời hiện tại của nút máy ảnh, như
minh họa trong hình 3 (a) và 3 (b). Hình 4 và 5 cho thấy
tỷ lệ có độ chính xác và năng lượng chính xác hiệu suất của
hệ thống đề xuất tương ứng. Một số cân nhắc có thể được
làm từ các thanh tra của các nhân vật như: