ỨNG DỤNG AI TRONG PHÁT HIỆN NGƯỜI ĐI XE MÁY KHÔNG ĐỘI MŨ BẢO HIỂM
Nội dung chính của bài viết
Tóm tắt
Điều khiển xe máy không đội mũ bảo hiểm là một hành vi vi phạm Luật Trật tự, an toàn giao thông đường bộ năm 2024. Khi tai nạn xảy ra, hậu quả đối với những người đi xe máy không đội mũ bảo hiểm thường nguy hiểm và có nguy cơ ảnh hưởng tới tính mạng. Mặc dù Luật đã quy định nhưng vẫn có những người lái xe máy không đội mũ khi tham gia giao thông. Trong bài báo này, chúng tôi đề xuất ứng dụng trí tuệ nhân tạo sử dụng mô hình mạng YOLO11 đối với các hình ảnh thu nhận được từ các camera giám sát tại các điểm nút giao thông để giải quyết bài toán phát hiện người điều khiển xe máy không đội mũ bảo hiểm. Kết quả sau khi huấn luyện trên tập dữ liệu ảnh có 4267 ảnh chứng tỏ cách tiếp cận này có độ chính xác khá tốt (độ chính xác trung bình - mean Average Precision mAP@0,5 là 89,8% đối với phiên bản YOLO11n với quá trình huấn luyện 200 epoch). Kết quả thử nghiệm với các dữ liệu test tự thu thập sử dụng mô hình sau huấn luyện cũng cho thấy hệ thống ứng dụng mô hình YOLO11 có độ chính xác khá tốt trong phát hiện người điều khiển xe máy không đội mũ bảo hiểm và có tiềm năng ứng dụng trên thực tế.
Từ khóa
YOLO11, phát hiện người đi xe máy không đội mũ bảo hiểm
Chi tiết bài viết
Tài liệu tham khảo
[2] T. Ojala, M. Pietikainen, and D. Harwood (1994), Performance evaluation of texture measures with classification based on Kullback discrimination of distributions, in Proceedings of 12th International Conference on Pattern Recognition, Vol.1, pp.582-585.
[3] D. G. Lowe (2004), Distinctive Image Features from Scale-Invariant Keypoints, Int. J. Comput. Vis., Vol.60, No.2, pp.91-110.
[4] N. Dalal and B. Triggs (2005), Histograms of oriented gradients for human detection, in 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), Vol.1, pp.886-893.
[5] K. Simonyan and A. Zisserman (2015), Very Deep Convolutional Networks for Large-Scale Image Recognition, arXiv:1409.1556.
[6] A. G. Howard et al. (2017), MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, arXiv:1704.04861.
[7] W. Liu et al. (2016), SSD: Single Shot MultiBox Detector, Vol.9905, pp.21-37.
[8] N. Boonsirisumpun, W. Puarungroj, and P. Wairotchanaphuttha (2018), Automatic Detector for Bikers with no Helmet using Deep Learning, in 2018 22nd International Computer Science and Engineering Conference (ICSEC), Chiang Mai, Thailand: IEEE, pp.1-4.
[9] H. Lin, J. D. Deng, D. Albers, and F. W. Siebert (2020), Helmet Use Detection of Tracked Motorcycles Using CNN-Based Multi-Task Learning, IEEE Access, Vol.8, pp.162073-162084.
[10] S. Ren, K. He, R. Girshick, and J. Sun (2016), Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, arXiv:1506.01497.
[11] S. Raju, S. P. Paul, S. Sajeev, and A. Johny (2025), Detection of Helmetless Riders Using Faster R CNN, Accessed: Mar. 24, 2025.
[12] R. Khanam and M. Hussain (2024), YOLOv11: An Overview of the Key Architectural Enhancements, arXiv:2410.17725.
[13] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi (2016), You Only Look Once: Unified, Real-Time Object Detection, arXiv:1506.02640.
[14] S. N. Rao (2025), YOLOv11 Explained: Next Level Object Detection with Enhanced Speed and Accuracy, Medium.
[15] Ultralytics (2025), YOLO11 NEW. Accessed: Mar. 24, 2025. [Online-Available] https://docs.ultralytics.com/models/yolo11.