اخبار و اعلانات
آمار
| تعداد نشریات | 34 |
| تعداد شماره‌ها | 1,289 |
| تعداد مقالات | 9,294 |
| تعداد مشاهده مقاله | 8,801,667 |
| تعداد دریافت فایل اصل مقاله | 5,341,055 |
تشخیص کلاه ایمنی موتورسواران توسط دوربین‌های ترافیکی در حالت‌های دشوار به کمک یادگیری عمیق | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 7، دوره 13، شماره 1 - شماره پیاپی 49، اردیبهشت 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مسعود پروانه* 1؛ پژمان غلام نژاد2 | ||
| 1کارشناسی ارشد، دانشگاه صنعتی مالک اشتر، تهران، ایران | ||
| 2استادیار، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران | ||
| تاریخ دریافت: 07 آبان 1403، تاریخ بازنگری: 22 بهمن 1403، تاریخ پذیرش: 23 اسفند 1403 | ||
| چکیده | ||
| کاهش مصدومیت و مرگ‌‌ومیر ناشی از حوادث رانندگی همواره موردتوجه مسئولین انتظامی و دولت‌ها می‌باشد. برای کاهش مصدومیت در مکان‌هایی که میزان وقوع حوادث رانندگی به علت عدم استفاده موتورسواران از کلاه ایمنی در آن زیاد می‌باشد اقدامات قابل‌توجه‌ای 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 آن‌ها 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 موتورسواران است، راهکار ارائه‌شده در این پژوهش بهره‌بردن از الگوریتم‌های یادگیری عمیق جهت تشخیص استفاده یا عدم استفاده کلاه ایمنی توسط موتورسواران می‌باشد، سیستم پیشنهادی علاوه بر تشخیص می‌تواند در تحلیل داده‌های ترافیکی ازجمله، در چه زمان‌هایی تخلفات کاهش یا افزایش می‌یاید مورداستفاده قرار گیرد. در این پژوهش جهت تشخیص کلاه ایمنی از سه نسخه 416، 320 و spp شبکه عصبی عمیق YOLO_v3 استفاده‌شده است و با عنایت به اینکه این شبکه‌ها از قبل بر روی دادگان COCO آموزش‌دیده‌اند از 53 لایه اول شبکه به‌صورت یادگیری انتقالی استفاده‌شده و 53 لایه دیگر بر اساس داده‌های 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 ، 08/96% انجام می‌دهد، همچنین مدل با تعدادی از کارهای پیشین مقایسه گردید و نتایج مطلوب‌تری حاصل شد. | ||
| کلیدواژه‌ها | ||
| یادگیری عمیق؛ شبکه عصبی؛ بینایی کامپیوتر؛ کلاه ایمنی | ||
| موضوعات | ||
| فناوری های نوین دفاع الکترونیک و سایبری | ||
| عنوان مقاله [English] | ||
| Detection of motorcycle helmets by traffic cameras in difficult situations using deep learning | ||
| نویسندگان [English] | ||
| Masoud parvaneh1؛ Pezhman Gholamnezhad2 | ||
| 1Master's degree, Malek Ashtar University of Technology, Tehran, Iran | ||
| 2Assistant Professor, Shahid Sattari University of Aeronautical Sciences and Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Reducing injuries and deaths caused by traffic accidents is always the concern of law enforcement officials and governments. In order to reduce injuries in places where the rate of traffic accidents is high due to motorcycle riders not wearing helmets, significant measures have been taken, including the presence of police officers. All these cases are done by human factors, which may reduce the quality of this monitoring and may not bring the desired result, such as the small number of employees and their fatigue. One of the driving violations is the non-use of helmets by motorcyclists. The solution presented in this research is to use deep learning algorithms to detect the use or non-use of helmets by motorcyclists. In addition to detection, the proposed system can analyze traffic data, including When violations are reduced or increased are used. In this research, three versions 416, 320 and spp of the YOLO_v3 deep neural network have been used to detect helmets, and considering that these networks have already been trained on COCO data, the first 53 layers of the network have been used as transfer learning and 53 layers Next, it was trained based on the data used in this research, and then the performance of these three networks was compared with each other. Finally, the proposed automatic helmet detection system performs the detection operation with 96.08% accuracy after being trained by the Helmet Detection dataset. Also, the model was compared with a number of previous works and more favorable results were obtained. | ||
| کلیدواژه‌ها [English] | ||
| Deep learning, neural network, computer vision, helmet | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 21 |
||