《Heliyon》：Real-time rapid accident detection for optimizing road safety in Bangladesh
编辑推荐：
为解决孟加拉国道路交通事故频发问题，研究人员开展基于 YOLO 系列模型的实时事故检测研究。结果显示，YOLOv11在召回率、F1 分数和平均精度均值（mAP）等指标表现出色，且延迟低，对提升道路安全意义重大。
在孟加拉国的大街小巷，每天都在上演着交通的 “惊险剧”。道路交通事故频发，就像一场挥之不去的阴霾，笼罩着这个国家。据统计，2023 年孟加拉国超 7900 人因交通事故丧生，仅 2024 年 4 月就有 679 人在事故中死亡、934 人受伤。其中，达卡的事故率位居世界前列，令人揪心的是，89.75% 的受害者是行人，行人碰撞事故占城市事故总数的 65% 。
为了改变这一严峻现状，孟加拉国 BUBT 的研究人员开展了一项极具意义的研究。他们致力于利用人工智能（AI）技术，研发出高效的道路事故实时检测系统，旨在提升应急响应速度，挽救更多生命。该研究成果发表在《Heliyon》上。
在这项研究中，研究人员采用了多种关键技术方法。他们先收集约 9000 张不同类型事故的图像，借助 Roboflow 平台进行标注，按照 70% 训练集、20% 测试集、10% 验证集的比例划分数据。接着选用 YOLOv9、YOLOv10和 YOLOv11模型，使用预训练权重进行训练和微调，在 Google Colab GPU 上完成训练与评估，并利用数据增强手段提升模型鲁棒性。最后，通过平均精度均值（mAP）、精度、召回率等指标评估模型性能。
研究结果
- 模型性能对比：研究人员对不同 YOLO 模型进行性能评估。结果显示，YOLOv9召回率为 0.8209，F1 分数为 0.9016，平均精度（AP）为 0.9942 ，CPU 上平均延迟 515.70 ms / 帧，GPU 上为 20.33 ms / 帧；YOLOv10召回率降至 0.8102，F1 分数为 0.8951，AP 达 0.9961 ，CPU 和 GPU 上平均延迟分别为 512.36 ms / 帧和 20.03 ms / 帧；YOLOv11召回率 0.8249，F1 分数 0.9040，AP 为 0.9940 ，在 CPU 和 GPU 上平均延迟最低，分别为 511.34 ms / 帧和 19.93 ms / 帧。由此可见，YOLOv11在综合性能上表现最佳，计算效率高，更适合实时事故检测。
- 模型可靠性分析：通过混淆矩阵发现，所有模型对负样本预测精度均为 100%，但不同模型的假阴性数量有差异。YOLOv9假阴性为 317，YOLOv10为 336，YOLOv11为 310 。这表明不同模型在假阳性和假阴性之间存在权衡，影响着事故检测系统的可靠性。
- 实际场景检测能力：在实际场景测试中，YOLOv11表现出色。无论是夜间、雾天，还是图像模糊等复杂环境下，它都能成功检测出道路事故，且置信度在 0.3 - 1.0 之间。同时，它还能从 CCTV 视频中准确检测动态事故场景，这充分展示了该模型在不同场景下的高效检测能力，对提升道路安全监测系统具有重要意义。
研究结论与讨论
YOLOv11在实时事故检测方面表现卓越，其优化的架构使检测性能和计算效率大幅提升。它能精准识别各类事故，同时保持极低的误报率，这对于提高道路安全可靠性至关重要。极低的延迟让应急服务响应时间大幅缩短，在像孟加拉国这样急需快速响应的地区，意义非凡。此外，该模型在多种复杂环境下都能稳定工作，进一步证明了其可靠性和实用性。
不过，这项研究也存在一些局限。数据集有限，影响模型在不同天气和光照条件下处理复杂事故场景的能力；硬件要求较高，实际部署时需优化系统；在拥堵交通或事故视野受阻时，模型精度可能下降。未来研究可从扩充数据集、优化模型以适配低功耗设备、整合视频数据等方面入手，进一步提升检测精度，完善交通管理系统。
总的来说，该研究为道路安全领域带来了新的曙光。YOLOv11模型在实时事故检测中的出色表现，为减少交通事故伤亡、提升应急响应效率提供了有力支持。尽管面临挑战，但它为后续研究指明了方向，有望推动交通管理系统朝着更智能、更安全的方向发展，为人们的出行安全保驾护航。
下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究
10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！
欢迎下载Twist《不断变化的CRISPR筛选格局》电子书
单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析
下载《细胞内蛋白质互作分析方法电子书》
