تشخیص تصادف به کمک دوربین های نظارت شهری

ترافیک، به عنوان یک جزء حیاتی از زندگی مدرن، در سال های اخیر به یک واقعیت ثابت تبدیل شده است که تاثیر وسیعی بر انواع مختلف فعالیت ها و خدمات انسانی دارد. یکی از مشکلات اساسی مرتبط با ترافیک، تصادفات رانندگی است که از مهم ترین علل اصلی مرگ و میر در سراسر جهان، به ویژه در ایران محسوب می شود. اغلب مرگ و میر ناشی از تصادفات به دلیل عدم ارائه کمک به موقع به قربانیان وقوع حادثه است. یکی از عوامل اساسی تصادفات، سرعت بالای وسایل نقلیه می باشد، و البته عوامل دیگری نیز وجود دارند. در صورت فراهم بودن یک سامانه اورژانسی مناسب که بتواند اطلاعات تصادفات را به سرعت دریافت کند، امکان نجات جان بسیاری از افراد وجود دارد. روش های تشخیص تصادفات بر اساس بینایی ماشینی در پایش تصاویر ترافیک، ارزشمند و در عین حال چالش برانگیز می باشند. در این مقاله، ما به پیاده سازی یک مدل شبکه عصبی کانولوشنی عمیق (CNN) جهت تشخیص تصادف از طریق دوربین های ترافیکی پرداخته ایم. مدل پیشنهادی ما با استفاده از تکنیک های یادگیری عمیق و بهینه سازی معماری شبکه، توانست دقت قابل توجه ۹۱ درصد را در تشخیص تصادفات به دست آورد. نتایج به دست آمده نشان می دهد که استفاده از شبکه های عصبی کانولوشنی عمیق می تواند روشی موثر و کارآمد برای تشخیص خودکار تصادفات از طریق دوربین های ترافیکی باشد. این رویکرد می تواند به بهبود سیستم های اورژانسی و کاهش تلفات ناشی از تصادفات کمک کند.

کلیدواژه ها:

تصادف ، شبکه عصبی ، CNN