AUTOMATED HELMET MONITORING SYSTEM USING DEEP LEARNING
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
Safety and compliance are the uppermost and fundamental concerns in the modern transport subsystems. As a result, the project is essentially designed to come up with an advanced solution by combining YOLOv8 for precise identification of objects and, on the other hand, Easy OCR for reading characters. The key goals are to detect helmets, those without helmets, and identify number plates of the respective motor vehicle. With YOLOv8, we start training the model to identify not only helmets but the lack of helmets, which is necessary for compliance monitoring based on the law. Further, YOLOv8 is also designed to determine the Regions of Interest . Regarding vehicles, the model focuses mainly on license plates which are key objects. After finding the appropriate areas, Easy OCR is designed for applying optical character recognition, helping to obtain vehicle numbers of any type in the most organized, quick way. Therefore, combining YOLOv8 at the stage of object detection and Easy OCR for the recognition of characters creates a novel but, at the same time susceptible system for a vehicle control company. This integrated system is a sophisticated device for monitoring helmeted and un helmeted riders, promoting a safe and stable journey gadget. By leveraging real-time records, our answers provide precious insights into protection compliance. In summary, the aggregate of YOLOv8 and Easy OCR presents a effective answer for item popularity and conduct reputation, so that our system contributes to the development of secure and green urban mobility by means of preserving rider protection and safety. s. Index Terms - Helmet, Deep Learning, Object Detection, Character Recognition, ROI
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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