通过可扩展,低成本的算法估计头盔佩戴率:深度学习和谷歌街景的新整合
Qingfeng Li1,2, Xianglong Wang3, Abdulgafoor M Bachani3
1Johns Hopkins International Injury Research Unit, Health Systems Program, Department of International Health, Johns Hopkins Bloomberg School of Public Health, Baltimore, MD, USA. qli28@jhu.edu.
BMC public health
|June 20, 2024
概括
这项研究引入了一种新的,低成本的深度学习算法,使用谷歌街景图像准确估计全球头盔佩戴率. 这种可扩展的方法可以通过为政策制定提供更好的数据收集来提高摩托车安全.
科学领域:
- 道路交通安全问题 道路安全问题
- 计算机视觉 计算机视觉 计算机视觉
- 公共卫生 公共卫生
背景情况:
- 摩托车头盔显著降低了车祸期间头部受伤的风险.
- 全球头盔使用推广面临缓慢和不均衡的进展,突出需要更好的数据.
- 目前评估头盔使用的方法不足以进行大规模的全球监测.
研究的目的:
- 开发一个可扩展和具有成本效益的算法来估计头盔佩戴率.
- 为了利用深度学习和谷歌街景图像进行全球头盔使用分析.
- 提供准确的数据来评估头盔安全干预措施,并为政策提供信息.
主要方法:
- 使用最先进的深度学习对象检测模型.
- 将算法应用于来自谷歌街景图像的图像,以获得广泛的地理覆盖.
- 在3995张图像的数据集上训练并验证了模型.
主要成果:
- 在识别头盔,司机和乘客方面实现了高精度.
- 报告了0.927的精度,0.922的召回,和0.956.50的mAP50的精度.
- 证明了该模型在样本外预测方面的有效性.
结论:
- 开发的算法可以使用随时可用的图像准确地估计全球头盔佩戴率.
- 通过这种方法增强数据的可用性可以显著改善跟踪头盔使用进展.
- 这种方法支持基于证据的政策制定,以提高全球摩托车安全.
