Advanced Detection of Helmet Usage and Number Plates in Riders
Notice bibliographique
Résumé
Most critically, enforcing road safety laws and reducing roadway fatalities from traffic accidents will rely heavily on accurately detecting helmet use and motorcycle riders' number plates. Conventional methods of enforcement rely heavily on human observation and labour-intensive methods, and are problematic as they can be subject to human error under specific conditions (for example, poor weather and lighting). To demonstrate an automated system that could potentially mitigate some of these constraints, we developed a novel automated system by combining cutting-edge object detection models (You Only Look Once, Nano version (YOLOv8n), Faster R-CNN) and EasyOCR (optical character recognition) to assist law enforcement. YOLOv8n has been praised for its speed and accuracy; when developing and training the model, we sourced a dataset with images of riders wearing helmets and other images of riders without helmets, as well as the number plate images to ensure that during training, the model was able to learn both tasks as it related to the helmet use detection and number plates. EasyOCR is an excellent resource for extracting textual data from detected number plates, so combining YOLOv8n with EasyOCR allows for real-time data collection from the detected number plates. This unified platform is a big step ahead in roadway security technology. It offers an easily expandable yet successful way to keep an eye on helmet use and identify and punish drivers who don't wear them, all of which will help reduce traffic accidents and save lives.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».