AUTOMATED HELMET MONITORING SYSTEM USING DEEP LEARNING
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».