ارزیابی خودکار ویژگی های ایمنی عابر پیاده از تصاویر نمای خیابان با استفاده از بخش بندی معنایی و یادگیری بازنمایی خودنظارتی: مطالعه ای در مقیاس شهری در اصفهان

ویژگی های مقیاس خرد محیط ساخته شده به طور قابل توجهی بر ایمنی عابر پیاده تاثیر می گذارد؛ با این حال، ممیزی های میدانی متعارف پرهزینه، ذهنی و در مقیاس شهری دشوار اجرا هستند. این پژوهش یک چارچوب بینایی رایانه ای ترکیبی را برای ارزیابی خودکار ایمنی عابر پیاده با استفاده از تصاویر نمای خیابان توسعه و اعتبارسنجی می کند. این چارچوب بخش بندی معنایی را برای استخراج ویژگی های صریح و قابل تفسیر محیطی با یادگیری بازنمایی خودنظارتی برای ثبت ویژگی های بصری نهفته — از جمله وضعیت روسازی، محصوریت فضایی، کیفیت مصالح و بی نظمی بصری — یکپارچه می سازد. تحلیل تجربی ۳۶۸٬۵۰۰ تصویر نمای خیابان گردآوری شده از ۹۲٬۱۲۵ موقعیت زمین مرجع در اصفهان، ایران را در برمی گیرد. یک مدل SegFormer-B۴ تنظیم شده دقیق برای کمی سازی هشت ویژگی مرتبط با ایمنی به کار رفت، در حالی که یک ترانسفورمر بینایی آموزش دیده با DINO بازنمایی های بصری زمینه ای تولید کرد. این جریان های ویژگی در یک مدل رگرسیون XGBoost برای ساخت شاخص خودکار ایمنی عابر پیاده و محیط (APSEI) ادغام شدند و از نمرات ممیزی میدانی متخصصان از ۵۰۰ موقعیت لایه بندی شده به عنوان مرجع حقیقت استفاده شد. اعتبار بیرونی در برابر ۳٬۲۱۲ تصادف عابر پیاده-وسیله نقلیه زمین کدشده از طریق رگرسیون پواسون وزن دار جغرافیایی ارزیابی شد

کلیدواژه ها:

ایمنی عابر پیاده ، تصاویر نمای خیابان ، بخش بندی معنایی ، یادگیری خودنظارتی ، رگرسیون پواسون وزن دار جغرافیایی