تشخیص کلاه ایمنی موتورسواران توسط دوربین های ترافیکی در حالت های دشوار به کمک یادگیری عمیق

کاهش مصدومیت و مرگ ومیر ناشی از حوادث رانندگی همواره موردتوجه مسئولین انتظامی و دولت ها می باشد. برای کاهش مصدومیت در مکان هایی که میزان وقوع حوادث رانندگی به علت عدم استفاده موتورسواران از کلاه ایمنی در آن زیاد می باشد اقدامات قابل توجه ای ازجمله حضور افسر انتظامی صورت گرفته است. تمامی این موارد توسط عوامل انسانی صورت گرفته که ممکن است مواردی از قبیل تعداد اندک کارکنان و خستگی آن ها کیفیت این نظارت را کاهش داده و نتیجه دلخواه را به همراه نداشته باشد. یکی از موارد تخلفات رانندگی عدم استفاده از کلاه ایمنی توسط موتور سواران است، راهکار ارائه شده در این پژوهش بهره بردن از الگوریتم های یادگیری عمیق جهت تشخیص استفاده یا عدم استفاده کلاه ایمنی توسط موتور سواران می باشد، سیستم پیشنهادی علاوه بر تشخیص می تواند در تحلیل داده های ترافیکی ازجمله، در چه زمان هایی تخلفات کاهش یا افزایش می یاید مورداستفاده قرار گیرد. در این پژوهش جهت تشخیص کلاه ایمنی از سه نسخه ۴۱۶، ۳۲۰ و spp شبکه عصبی عمیق YOLO_v۳ استفاده شده است و با عنایت به اینکه این شبکه ها از قبل بر روی دادگان COCO آموزش دیده اند از ۵۳ لایه اول شبکه به صورت یادگیری انتقالی استفاده شده و ۵۳ لایه دیگر بر اساس داده‎ های مورداستفاده در این پژوهش مورد آموزش قرارگرفته و سپس عملکرد این سه شبکه با یکدیگر مقایسه شد. درنهایت سیستم پیشنهادی تشخیص خودکار کلاه ایمنی پس از آموزش توسط مجموعه داده Helmet Detection عملیات تشخیص را با مقدار mAP ، ۰۸/۹۶% انجام می دهد، همچنین مدل با تعدادی از کارهای پیشین مقایسه گردید و نتایج مطلوب تری حاصل شد.

کلیدواژه ها:

یادگیری عمیق ، شبکه عصبی ، بینایی کامپیوتر ، کلاه ایمنی