A novel method of using sound waves and artificial intelligence for the detection of vehicle's proximity from cyclists and E-scooters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Outdoor air pollution has been found to have a significant adverse effect on health. When the authors attempted to monitor air quality that cyclists or e-scooter users' breath during commuting in different locations for health and safety analysis, it was found that the existence of internal combustion engine (ICE) cars has a significant effect on the pollution levels and the monitoring process. To comprehensively study the effect of cars and traffic on air quality that cyclists and e-scooters users experience, a low-cost and reliable system was needed to detect the proximity of cars that have diesel or petrol engines. Video cameras can be used to visually detect vehicles, but in the modern age with the existence of many electric and hybrid vehicles and the need to reduce the cost of instrumentation, there was a need to determine the passing of vehicles near e-scooter and bike users from the combined engine and tires sounds. To address this issue, this study suggests a novel approach of using sound waves of internal combustion engines and tire sounds during the passing of cars, combined with AI techniques (neural networks), to detect the proximity of cars from cyclists and e-scooter users. Audio-visual data was collected using Go-Pro cameras in order to combine the data with GPS location and pollution levels. Geographical data maps were produced to demonstrate the density of cars that cyclists encounter when on or near the road. This method will enable air quality monitoring research to detect the existence of ICE cars for future correlation with measured pollution levels. The proposed method allows for:•The automated selection of sensitive features from sound waves to detect vehicles.•Low-cost hardware which is independent of orientation that can be integrated with other air quality and GPS sensors.•The successful application of sensor fusion and neural networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle