两市摩托车驾乘人员佩戴头盔的影响因素

[目的]阐明摩托车驾乘人员佩戴头盔的影响因素,为预防和控制摩托车伤害提供基础资料和科学依据。[方法]采用随机抽样的方法,通过路边观察法了解摩托车驾乘人员的头盔正确佩戴率及其影响因素。[结果]汕头市和潮州市摩托车驾驶员头盔正确佩戴率分别为30.2%和34.6%,乘客头盔正确佩戴率为10.8%和19.7%;乘客和驾驶员的头盔佩戴情况呈正相关关系;头盔的佩戴率受道路类型、时间、车型、性别和年龄的影响。[结论]两地都应该加强摩托车头盔佩戴重要性的宣传工作,针对摩托车驾乘人员佩戴头盔的影响因素采取有效干预措施,加强头盔使用的监督执法力度,提高头盔正确佩戴率。

考虑城乡异质性的电动自行车头盔佩戴行为建模与分析

电动自行车在成为居民短途出行主要交通工具的同时,与其相关的交通安全问题日益突出。正确佩戴头盔可以降低骑行者交通事故的死亡风险,然而统计数据显示,目前全国仍有近一半骑行者在骑行时不佩戴头盔,电动自行车的事故后果无法得到有效控制。较城市而言,乡镇拥有更多的电动自行车保有量,由于道路崎岖、交通建设不完善等原因更容易发生道路交通事故,尤其大量骑行者不佩戴头盔。为明确城市与乡镇骑手头盔佩戴行为异质机理,深入剖析骑手不佩戴头盔的深层原因,运用差异性检验和二项Logistic回归模型,分析骑行者特征、个体头盔认知、执法环境等因素对城市与乡镇骑手头盔佩戴行为的综合影响。研究结果表明:相较于长期生活在城市的群体,乡镇群体的主观安全意识偏弱,对头盔使用时存在的障碍(阻碍视野、不便利性等)较为关注;城市群体对交警执法活动较为敏感,并且在城市中出行时间越长的人越可能佩戴头盔;对于乡镇群体,头盔的保护效能以及价格是他们决策头盔佩戴行为考虑的重要因素。研究结果有助于交警进一步开展安全教育宣传以及执法活动,促进骑行者佩戴头盔安全出行。

基于YOLOv8的电动车头盔佩戴检测方法

在城市交通中,时常出现由于电动车骑行者未佩戴头盔引发的安全事故。佩戴头盔可以有效地避免或降低安全事故带来的损害。为了解决这一问题,提出了一种基于YOLOv8的电动车头盔佩戴检测方法。首先采集数据并对数据集进行手工标注,然后将标注好的数据集分别通过YOLOv8模型的4种模型进行训练,即YOLOv8n、YOLOv8s、YOLOv8m和YOLOv8l模型,从而得到最适合检测电动车头盔佩戴的模型。实验结果表明,相较于其他三种模型,YOLOv8m模型更适用于电动车头盔佩戴检测。

非机动电动车骑行人头盔佩戴检测研究

随着我国城市交通的不断发展,非机动电动车的数量不断上升,绿色出行的同时,交通事故也日益增多。为了保证非机动电动车骑行人在道路上的安全,国家逐步制定法规,要求出行需佩戴头盔,各地交通部门执行检查与处罚,对骑行人佩戴头盔的自动检测也提上了日程。提出用改进YOLOv5算法视频识别头盔佩戴情况,通过自组织非机动电动车骑行人头盔佩戴情况的数据集,选取聚类算法修改初始锚定框参数。然后,改进算法来适应样本集合,利用聚合输出网络提高判别的准确率。其中,采用迁移学习来减少训练资源的消耗。经各种场景实验测试的结果表明,在每秒30帧视频流下,检测的均值平均精度(mean average precision,mAP)达到了94.53%,满足对头盔佩戴检测精度和速度的要求。

基于改进YOLOv5的电动车头盔佩戴检测算法

在电动车交通事故中,颅脑损伤致死是电动车骑行人员死亡的主要原因,而大多数电动车骑行人员很少佩戴头盔,因此通过将目标检测算法与道路摄像头结合来监管电动车骑行者头盔佩戴情况具有很强的现实意义。针对目前电动车头盔佩戴检测存在着目标相互遮挡漏检率较高、较小目标漏检率较高的问题,文中提出了一种改进的YOLOv5目标检测算法,用于实现对电动车头盔佩戴情况的检测。该方法首先在YOLOv5网络中添加通道注意力机制ECA-Net,使得模型能够更快地检测到目标特征,从而提高模型的检测性能;其次,使用Bi-FPN加权双向特征金字塔模块,实现对不同层级特征重要性的平衡,有利于改进小目标漏检问题;最后,使用Alpha-CIoU Loss的损失函数,提高模型定位的准确性。实验结果表明,该方法在3种场景下对电动车骑行人员头盔佩戴情况的检测精度均高于其他模型,平均精度达到95.8%,相比原网络检测精度有所提升,实现了电动车头盔佩戴情况的高精度检测。

基于改进DeepSORT算法的摩托车头盔佩戴检测

为了解决在实际道路场景中对摩托车驾乘者头盔佩戴情况的检测与跟踪问题,提出一种优化的DeepSORT多目标跟踪摩托车头盔检测算法。使用改进的YOLOv3算法作为目标检测器,该方法采用MobileNetv3-Large作为YOLOv3特征提取网络,以轻量化网络结构,借鉴CEM模块的思想,引入SoftPool池化层和SE模块,构建了深浅语义融合增强模块,加强网络对输入特征深浅语义的编码能力。为了实现摩托车头盔佩戴分类和DeepSORT算法中外观特征识别模型的优化,构建多任务学习框架,通过对比损失函数和改进的交叉损失函数对多任务网络进行迭代训练来提升相似度学习能力和实现最终头盔佩戴情况分类。实验结果表明:在目标检测方面,改进网络的摩托车检测精度相较原始算法提升了4.56个百分点,模型大小仅为YOLOv3的13.7%。结合DeepSORT算法,多目标跟踪准确率相较于YOLOv3-DeepSORT算法从51.6%提升到了67.5%,多目标跟踪精度从57.3%提升到75.6%,检测追踪速度由6 FPS提升到了20 FPS,最终的NPH模型检测分类精度为72.42%。实现了对实际道路中摩托车驾乘人员头盔佩戴检测及追踪,具有较强的实用价值。

电动自行车骑乘人员安全头盔佩戴行为检测

为提高电动自行车骑乘人员安全头盔佩戴水平,提出一种基于深度学习的安全头盔佩戴行为检测方法。基于EfficientNet目标检测框架,重新设计了主干网中特征图的特征选取层,并提出像素级缩放(pixel-level scaling,PLS)模块,构建了一种新的用于电动自行车骑乘人员安全头盔佩戴行为检测的PLS-Det模型。该模型解决了深度卷积神经网络执行检测任务时视频检测图像中的小目标(远处的电动自行车)、被遮挡的车辆和骑乘人员等容易导致目标丢失的问题,并能适应复杂的电动自行车交通流场景。根据江苏省南通市区典型城市道路,选取不同视角、时间段、天气状况下的电动自行车交通流视频图像数据(包含正样本5408个和负样本7156个)训练优化检测模型。通过消融实验和人工检测结果,对比分析了EfficientDet-d0、EfficientDet-Optimize和PLS-Det模型的检测性能。实验结果表明:提出的PLS-Det检测模型通过重新选择特征图层和引入PLS模块,在保证计算效率稳定的同时,能显著丰富小目标及被遮挡目标的特征,检测精确度达95.8%,可以满足电动自行车骑乘人员安全头盔佩戴行为的检测精度要求。

基于改进YOLOv3的头盔佩戴检测算法

在城市交通中,时常出现电动车骑行者引发的安全事故。佩戴安全头盔可以有效地避免或降低安全事故带来的损害,因此目前多个城市已经颁布了佩戴安全头盔的相关法规。针对现有的安全头盔佩戴检测准确率低的问题,提出了一种基于改进YOLOv3的安全头盔佩戴检测算法。该改进算法采取了通道和空间注意力模块的加权特征融合,并结合密集连接网络以提高特征提取的效果,并且引入了空间金字塔池化结构以增强特征。以收集的电动车头盔佩戴检测数据集测试和比较了改进后的性能,结果表明,所提出的改进算法平均检测精度达到93.29%,远高于原YOLOv3算法。实验表明,改进后的网络模型能显著提升电动自行车头盔佩戴情况的检测精度。

基于卷积神经网络的头盔佩戴检测模型的研究

随着经济与社会的发展,各大城市车辆保有量不断提高,越来越多的人选择乘车出行,非机动车事故问题也越来越严重。驾驶人不得在乘坐人员未按照规定使用安全头盔的情况下驾驶摩托车。因此,检测非机动车[1]驾驶员[2]与乘坐者是否佩戴头盔对生命财产安全至关重要。本文采用深度学习的方法,结合YOLOv4模型的特点,已经模拟神经元的学习与训练功能,建立相应头盔检测神经网络模型,在搭建的神经网络各层次中调整偏置项,进而训练得到有效的神经网络模型,实现检测非机动车驾驶人是否戴头盔的功能,即实现头盔识别[3],并保证其较高的精确度。

基于YOLOv3的骑行人员头盔佩戴识别系统设计与实现

为解决道路电动车骑行人员头盔佩戴检测能力缺失的问题,设计了一种基于神经网络的头盔佩戴识别系统,采用改进型YOLOV3算法,在主网络后增加残差结构提高了位置与类别的识别精度,同时设计了GUI应用界面,便于应用测试。实验结果表明,在稀疏和中等密度道路场景下,头盔佩戴的平均识别准确度(mAP)大于90%,在单人场景下mAP大于95%,较传统神经网络算法在精度上有较大提升,为非机动车骑行人员头盔佩戴的自动化识别提供了一个可行的途径,具有较好的应用前景。

电动自行车骑行人头盔佩戴意向研究

在不考虑个人动机的情况下,仅采取强制立法和执法措施无法持续促进电动自行车骑行人的头盔佩戴行为。在社会认知理论中,行为意向是反映个人动机的重要构念。然而,目前针对影响骑行人头盔佩戴意向的心理因素及其作用机理的研究仍不充分。本文通过整合计划行为理论和健康信念模型,将人口统计学变量(如性别、年龄、学历等)作为控制变量,同时基于心理控制源理论引入控制点作为调节变量,构建了电动自行车骑行人头盔佩戴意向模型。根据网络问卷采集的446份有效样本数据,采用分层回归分析评估影响骑行人头盔佩戴意向的主要心理认知因素,采用调节效应分析进一步评估控制点个体差异对心理认知因素与头盔佩戴意向关系的调节作用。研究表明:本文构建的模型对电动自行车骑行人头盔佩戴意向的解释力达63.3%;人口统计学变量对头盔佩戴意向的影响均不显著;影响头盔佩戴意向的主要心理认知因素分别为健康动机、知觉行为控制、态度和行动提示,影响程度依次减小;控制点对知觉行为控制、态度与头盔佩戴意向的关系有显著调节作用;当控制点倾向于外控制点时,知觉-行为控制、态度对头盔佩戴意向的影响更大。本文从社会心理学角度揭示了电动自行车骑行人头盔佩戴意向的影响机理,研究结论可为交通管理部门制定精细化、差异化的管理措施与执法策略提供理论依据。

电动自行车头盔佩戴率研究

通过分析电动自行车的安全特性和骑乘人员不佩戴头盔的原因,结合深圳市南山交警大队开展的电动自行车佩戴头盔治理行动,提出提高电动自行车头盔佩戴率的办法,以期提升道路交通安全水平。

基于改进SSD的头盔佩戴检测模型

《郑州市非机动车管理办法》中规定,电动车骑乘人员不戴头盔,处以警告或者罚款。但由于河南省郑州市的电动车数量庞大,交警部门很难确保该办法能够顺利实施。针对该问题,基于特征金字塔网络对传统单镜头多盒检测器(Single Shot Multibox Detector,SSD)模型进行改进,以改进模型为基础搭建了头盔佩戴检测模型,通过该模型来帮助交警部门提升工作效率。最终测试结果显示,该模型与传统SSD模型及YOLOV5模型相比,其识别准确率分别提升9.84%和2.09%。

基于深度学习的头盔佩戴自动检测

为加强巡检人员安全,基于深度学习算法,设计了一种头盔佩戴自动检测方法。在SSD300模型的基础上,使用数据增强技术,通过卷积层conv4_3进行检测,以增强对较小目标的识别精度;采用{1/2,2}和{1/3,3}的边框,通过适当调节边框提高检测效果;以VGG16作为基础网络,使用atrous卷积,进一步改善识别精度。将训练模型移植到CR1030P-YT便携式安卓智能通信系统,并与在服务器GPU、CPU上的检测结果和检测速率进行对比。实验结果表明,CR1030P-YT平台上的头盔佩戴检测结果与服务器一致,检测精度高达95%以上,且检测不受环境和地点的约束;服务器GPU上的头盔佩戴检测速率高达34 fps,能够满足工业实时性需要,但CR1030P-YT平台上的检测速率还有待提升。

基于赤菟CH32V307的智能骑行头盔的设计与实现

随着全国各地“一盔一戴”政策的实施,头盔的佩戴率大幅提升,头盔市场供不应求,人们对头盔的要求也越来越高,头盔的现实功能越来越满足不了人们的实际需求[1]。为了解决头盔功能单一的问题,设计研发了一款以国产品牌CH32V307芯片为核心的智能骑行头盔模型,主要功能包括:摔倒自动报警、行车记录、语音导航、夜间骑行灯光警示、温湿度调节、头盔正确佩戴检测等。该智能头盔模型拓展了传统头盔的功能,在一定程度上能够满足人们的需求,对后续产品的研发具有一定借鉴意义。

上海市电动自行车驾乘人员头盔佩戴情况及其影响因素

目的了解上海市电动自行车驾乘人员头盔佩戴情况及其影响因素,为道路交通伤害的预防提供参考依据。方法采用地图分层随机抽样方法于2015年10月—2019年4月在上海市抽取8个道路口作为现场观测点,对经过道路口的电动自行车驾乘人员的头盔佩戴情况进行8轮观测。结果上海市2015—2019年共观测电动自行车驾乘人员94772人,其中驾驶员84232人,乘客10540人;驾驶员的头盔佩戴率为14.12%,乘客的头盔佩戴率为1.99%。双变量Probit模型分析结果显示,女性驾驶员佩戴头盔的概率较男性驾驶员低0.14个概率单位,乘客为成年人时驾驶员佩戴头盔的概率较乘客为未成年人时高0.28个概率单位,冬季时驾驶员佩戴头盔的概率较夏季时高0.52个概率单位(均P<0.01);女性乘客佩戴头盔的概率较男性乘客低0.14个概率单位,冬季时乘客佩戴头盔的概率较夏季时高0.37个概率单位(均P<0.001)。边际效应分析结果显示,乘客佩戴头盔情况下乘客为成年人时驾驶员佩戴头盔的概率较乘客为未成年人时高13%,冬季时驾驶员佩戴头盔的概率较夏季时高14%(均P<0.001);乘客未佩戴头盔情况下女性驾驶员佩戴头盔的概率较男性驾驶员低2%,乘客为成年人时驾驶员佩戴头盔的概率较乘客为未成年人时高4%,冬季时驾驶员佩戴头盔的概率较夏季时高6%(均P<0.05);驾驶员未佩戴头盔情况下冬季时乘客佩戴头盔的概率较夏季时高1%(Z=3.24,P<0.001)。结论上海市驾乘人员电动自行车头盔佩戴率总体偏低,呈现季节性波动趋势,女性头盔佩戴率低于男性,电动自行车驾驶员与乘客头盔佩戴行为相互影响。

基于Unity 3D的摩托车安全驾驶游戏

根据《中华人民共和国道路交通安全法》规定,摩托车驾驶过程中,驾驶者需佩戴好安全头盔以保护自己的生命安全。然而实际生活中,驾驶者对于摩托车驾驶的交通安全意识不足,不了解头盔的重要性,经常驾驶摩托车时不佩戴头盔。为预防此类摩托车交通事故的发生,笔者开发了一款基于Unity 3D的摩托车安全驾驶游戏。该游戏利用Unity 3D的强大性能,模拟摩托车驾驶,让驾驶人通过游戏强化安全意识,学习安全法规,自主佩戴安全头盔,最终保护生命安全。

基于计算机视觉的行人及非机动车规范系统

道路交通安全问题一直是社会关注的重点,交通事故给人民群众的生命财产安全带来的巨大损失不容小觑。本文以pytorch为模型搭建平台,采用神经网络YOLOv4模型对所读取的视频流进行目标物体的检测分类与记录,并实现以下功能:人行道的卡尔曼滤波检测、头盔佩戴模型的训练、统计车流量及人流量、记录闯红灯行人及机动车图片信息、车牌检测、人脸检测。通过定位人脸与头盔、对输入图片进行分类,进而达到判断目标是否佩戴头盔的目的。系统的总体思想为:先对视频流中的人行道位置进行检测,当检测到当前红绿灯状态为红灯时,即车辆通过人行道视为违规,记录车辆的车牌信息;当检测到当前红绿灯状态为绿灯时,即行人通过则视为闯红灯,记录行人的照片信息,并且发送至终端系统,进行人脸检测与识别。本文在统计非机动车辆信息后,会对非机动车辆的车主进行是否戴头盔检测,并且将违规车主信息记录。

杭州市电动自行车骑乘人员违法行为路边观测研究

目的了解杭州市电动自行车骑乘人员交通违法行为发生情况,进一步规范管理电动自行车安全行驶。方法在2021年6—7月期间,采用非参与式观察法和半结构化访谈法,分别在杭州市建德市和上城区开展调查。结果期间共观测到骑行者99407人,其中未正确佩戴头盔13895人次(13.98%)、未佩戴头盔7148人次(7.19%)、闯红灯4238人次(4.26%);在不同时间段内,骑行者交通违法行为发生情况差异有统计学意义(P<0.01),骑行者未正确佩戴或未佩戴安全头盔发生率最高的时间段为11:00—12:59(26.05%);共观测到乘客7896人,其中3338人正确佩戴头盔,正确佩戴率为42.27%。结论杭州市电动自行车骑乘人员存在未正确佩戴安全头盔、闯红灯等交通违法行为,并且在地区上和时间上存在分布差异。相较于建德市,上城区电动自行车交通违法行为发生频率较高。