本研究基于 100 个视频，开发了实时的 YOLOv5 深度学习模型，用于检测骑摩托车的骑手和乘客是否佩戴头盔，从而提高路上安全和交通法规的执行力。

Apr, 2023

本文提出了一种利用 YOLOv8 单阶段对象检测模型和 few-shot 数据采样策略开发的鲁棒的实时头盔违规检测系统，实验结果表明该系统有效、高效、稳健，可以用于交通监控和执法。

Apr, 2023

在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

May, 2024

利用计算机视觉和机器学习的方法，本研究论文展示了如何创建强大的算法以识别不同的交通违规行为，包括闯红灯、非法使用紧急车道、违反车距规定、违反斑马线法规、非法停车和停在斑马线上。通过使用在线交通录像和车载摄像头，本研究应用 YOLOv5 算法的检测模块来识别交通参与者，如汽车、行人和交通标志，以及 strongSORT 算法进行连续帧间追踪。进一步，通过多个离散算法分析交通参与者的行为和轨迹来检测交通违规行为，同时，识别模块提取车辆 ID 信息（如车牌号），生成违规通知并发送给相关部门。

Nov, 2023

该研究提出了一种利用基于课程学习的目标检测器、梯形物体边界表示和遮挡骑手边界框生成器来高效检测和计数车载摄像头视频中的摩托车驾驶违规行为的方法，并在实验中证明了其优越性。

Apr, 2022

本研究通过评估适用于电动滑板车的前沿目标检测器的效果和效率，建立了首个全面的基准，其中包括 22 种最新的 YOLO 目标检测器，包括 YOLOv3、YOLOv5、YOLOv6、YOLOv7 和 YOLOv8 等五个版本，使用自采集的电动滑板车数据集进行实时交通目标检测。检测的准确性以 [email protected] 的方式进行衡量，范围从 27.4%（YOLOv7-E6E）到 86.8%（YOLOv5s）。所有的 YOLO 模型，尤其是 YOLOv3-tiny，在电动滑板车的实时目标检测方面显示出了具有潜力的前景。本研究的交通场景数据集和软件程序代码都是公开可用的，这将不仅提高电动滑板车的安全性，还为定制解决方案奠定基础，为更安全和可持续的城市微移动交通方式打下坚实的基础。

May, 2024

通过基于深度学习的方法，本研究提出一种用于识别建筑工人佩戴的安全装备（如头盔、护目镜、夹克、手套和鞋子）的技术。该方法使用 YOLO v7 算法准确地定位这些安全装备，在自定义数据集上进行训练，具有良好的性能和评估结果，并提供了建筑工地安全违规的快速识别方法，对计算机视觉和职场安全领域做出了重要贡献，增加了建筑行业的安全合规性和事故风险降低。

Jun, 2024

通过监测车辆速度来实现交通安全，本研究集中在对象识别与车辆速度估计的监督学习应用，针对孟加拉国特定的交通条件和安全问题，提出了一种高效可行的解决方案，这项工作对该领域做出了显著贡献。

Jun, 2024

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

本文提出了一个增强的道路损伤检测方法，利用 CycleGAN 和改进的 YOLOv5 算法，通过数据增强方法、注意力机制和空洞空间金字塔池化等技术，成功实现了道路损伤的实时、准确检测，并在实际应用中取得了良好结果。

May, 2024