[论文解读] 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 5

一句话总结

本文提出了一种基于 YOLOv5 和集成学习的实时头盔违规检测系统，用于识别摩托车骑手及乘客是否佩戴头盔。该模型在 100 段视频上进行训练（使用数据增强），并在 100 段视频上进行测试，mAP 达到 0.5267，在 AI City Track 5 排行榜中位列第 11 名，展示了在不同光照和天气条件下具备出色的鲁棒性。

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.

研究动机与目标

• 开发一种基于深度学习的实时系统，用于检测摩托车头盔违规行为，以提升道路安全。
• 解决当前缺乏针对摩托车骑手及乘客头盔佩戴合规性进行实时自动化监控的问题。
• 提升模型在低光照、大雾等复杂环境条件下的鲁棒性。
• 通过数据增强与集成学习技术，提高检测精度与泛化能力。
• 通过实现交通法规的自动化执行，为智慧城市建设提供支持。

提出的方法

• 采用增强的标注流程，利用在 COCO 数据集上预训练的 YOLOv5 模型对训练数据进行预标注。
• 训练了五个具有不同超参数（包括初始学习率、输入图像尺寸、优化器和 IoU 阈值）的 YOLOv5 模型。
• 应用数据增强技术以提升训练数据的多样性并增强模型鲁棒性。
• 通过从随机选取的帧中计算中值帧，实现背景估计，从而有效分离运动目标用于检测。
• 采用集成深度学习方法，通过对五个模型的检测结果取平均值，提升最终分类性能。
• 模型评估采用平均精度（mAP）指标，对所有测试视频帧进行计算，并以标准化格式提交结果以供排行榜对比。

实验结果

研究问题

• RQ1 基于 YOLOv5 的深度学习模型能否在不同环境条件下实时准确检测摩托车骑手及乘客的头盔佩戴状态？
• RQ2 与单模型推理相比，采用多 YOLOv5 模型的集成学习在检测性能上有多大的提升？
• RQ3 数据增强技术在提升模型在不同光照与天气条件下的泛化能力方面，其作用程度如何？
• RQ4 自动化系统能否在真实监控视频中实现高 mAP 同时保持实时推理能力？
• RQ5 所提出的框架在检测单辆摩托车上多名骑手（驾驶员、乘客 1、乘客 2）并实现准确头盔分类方面，效果如何？

主要发现

• 所提模型在 100 段视频的完整测试数据集上取得 mAP 得分为 0.5267，在 AI City Track 5 公开排行榜中位列第 11 名。
• 模型在多种复杂条件下表现出色，包括夜间、雾天和白天，检测示例充分证明了其鲁棒性。
• 通过结合五个具有不同超参数的 YOLOv5 模型的集成方法，显著提升了检测的一致性与准确性。
• 数据增强显著增强了模型的泛化能力，使其在未见过的真实世界视频数据上仍能保持可靠表现。
• 系统成功检测并分类了全部七个物体类别，包括单辆摩托车上多名骑手，且在大多数情况下检测置信度较高。
• 该框架具备在城市范围交通监控中实时部署的能力，可支持头盔法规的自动化执行。