[論文レビュー] Real-Time Helmet Violation Detection Using YOLOv5 and Ensemble Learning

Geoffery Agorku, Divine Agbobli+5 more|ArXiv.org|Apr 14, 2023

Traffic and Road Safety被引用数 5

ひとこと要約

本論文では、YOLOv5とアンサンブル学習を用いて、バイク運転者および乗客のヘルメット着用状況を識別するリアルタイムのヘルメット着用違反検出システムを提案する。100本の動画で学習し、データ拡張を適用し、100本の動画でテストした結果、mAPは0.5267を達成し、AI City Track 5のランクインで11位を記録した。これは、さまざまな照明および天候条件下でも高い性能を示している。

ABSTRACT

The proper enforcement of motorcycle helmet regulations is crucial for ensuring the safety of motorbike passengers and riders, as roadway cyclists and passengers are not likely to abide by these regulations if no proper enforcement systems are instituted. This paper presents the development and evaluation of a real-time YOLOv5 Deep Learning (DL) model for detecting riders and passengers on motorbikes, identifying whether the detected person is wearing a helmet. We trained the model on 100 videos recorded at 10 fps, each for 20 seconds. Our study demonstrated the applicability of DL models to accurately detect helmet regulation violators even in challenging lighting and weather conditions. We employed several data augmentation techniques in the study to ensure the training data is diverse enough to help build a robust model. The proposed model was tested on 100 test videos and produced an mAP score of 0.5267, ranking 11th on the AI City Track 5 public leaderboard. The use of deep learning techniques for image classification tasks, such as identifying helmet-wearing riders, has enormous potential for improving road safety. The study shows the potential of deep learning models for application in smart cities and enforcing traffic regulations and can be deployed in real-time for city-wide monitoring.

研究の動機と目的

• 道路交通の安全性を向上させるために、リアルタイムのディーブラーニングシステムを用いたバイクヘルメット着用違反の検出を開発すること。
• バイク運転者および乗客のヘルメット着用状況を自動で監視するリアルタイムで効果的なシステムの不足を解消すること。
• 低照度や霧などの厳しい環境条件下でもモデルの頑健性を向上させること。
• データ拡張とアンサンブル学習を活用して、検出精度と一般化性能を向上させること。
• 自動化された交通規制の実施を可能にするスマートシティインfraストラクチャへの貢献。

提案手法

• COCOデータセットで事前学習されたYOLOv5モデルを用いて、アノテーションパイプラインを拡張し、事前アノテーションされた学習データを準備した。
• 学習率、画像サイズ、最適化手法、IoUしきい値を変更した5つの異なるYOLOv5モデルを、さまざまなハイパーパrameterで学習させた。
• データ拡張技術を適用して、学習データの多様性とモデルの頑健性を向上させた。
• ランダムに抽出したフレームから中央値フレームを計算することで背景推定を行い、移動物体を分離して検出に使用した。
• 5つのモデルの予測を平均化することで、最終分類を向上させるアンサンブルディープラーニングアプローチを採用した。
• モデル評価には、すべてのテスト動画フレームで計算された平均平均精度（mAP）を用い、ランクイン比較用に標準化されたフォーマットで結果を提出した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv5ベースのディーブラーニングモデルは、変化する環境条件下でも、バイク運転者および乗客のヘルメット着用状況をリアルタイムで正確に検出できるか？
• RQ2 複数のYOLOv5モデルを用いたアンサンブル学習は、単一モデルの推論と比較して、検出性能をどのように向上させるか？
• RQ3 データ拡張技術は、さまざまな照明および天候条件下でのモデルの一般化性能をどの程度向上させるか？
• RQ4 自動化されたシステムは、実世界の監視動画において高いmAPを達成しながら、リアルタイムの推論能力を維持できるか？
• RQ5 提案されたフレームワークは、1台のバイクに複数の乗客（運転者、乗客1、乗客2）がいる状況においても、正確なヘルメット分類を実現できるか？

主な発見

• 提案されたモデルは、100本の動画からなる全テストデータセットでmAP 0.5267を達成し、AI City Track 5のパブリックランクインで11位を記録した。
• モデルは、夜間、曇り、昼間のさまざまな条件下でも頑健な性能を示した。検出例からも明らかである。
• 異なるハイパーパrameterを用いた5つのYOLOv5モデルを組み合わせたアンサンブルアプローチにより、検出の整合性と精度が向上した。
• データ拡張は、モデルの一般化性能を顕著に向上させ、未学習の実世界の動画データに対しても信頼性のある性能を発揮した。
• システムは、複数のバイク乗車者（運転者、乗客1、乗客2）を含む7つのオブジェクトクラスをすべて検出・分類でき、大多数のケースで高い信頼性を示した。
• フレームワークは、都市全体の交通監視にリアルタイムで導入可能であり、ヘルメット着用規制の自動適用を支援できる。