ระบบตรวจจับและแจ้งเตือนอุบัติเหตุโดยใช้เทคนิคการเรียนรู้เชิงลึก
DOI:
https://doi.org/10.14456/lsej.2023.26คำสำคัญ:
ระบบตรวจจับอุบัติเหตุทางถนน , ระบบแจ้งเตือนอุบัติเหตุทางถนน , การเรียนรู้เชิงลึกบทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์ เพื่อพัฒนาระบบตรวจจับและแจ้งเตือนอุบัติเหตุทางถนนที่เกี่ยวข้องกับกลุ่มเปราะบางบนถนน ได้แก่ ผู้ใช้รถจักรยานยนต์ ซึ่งในประเทศไทยมีสถิติการเสียชีวิต
เกินกว่าร้อยละ 80 ของจำนวนผู้เสียชีวิตจากอุบัติเหตุทางถนนทั้งหมด โดยใช้ YOLOv5 ในการพัฒนาระบบให้สามารถตรวจสอบวัตถุในภาพได้ว่าเป็นบุคคลหรือรถจักรยานยนต์ที่เกิดอุบัติเหตุหรือไม่
และทำการเปรียบเทียบผลการตรวจจับอุบัติเหตุที่ได้จาก YOLOv5 โมเดลต่าง ๆ เพื่อเลือกใช้โมเดลที่เหมาะสมที่สุด จากนั้นทำการพัฒนาระบบแจ้งเตือนอุบัติเหตุด้วยภาษา Python ร่วมกับ LINE Notify API (Line Notify Application Programming Interface) เพื่อให้ระบบมีความสามารถในการส่งรูปภาพและข้อความแจ้งเตือนไปยังกลุ่มบุคคลผ่านแอปพลิเคชัน Line ในกรณีที่มีการตรวจพบว่ามีอุบัติเหตุทางถนนเกิดขึ้น ผลการวิจัยพบว่า YOLOv5x มีความสามารถในการตรวจจับอุบัติเหตุร้อยละ 93.21 ซึ่งดีที่สุดเมื่อเทียบกับผลที่ได้จากโมเดลอื่น และระบบที่พัฒนาขึ้นสามารถส่งรูปภาพพร้อมข้อความสั้นที่ระบุจำนวนรถจักรยานยนต์และจำนวนบุคคลที่ประสบอุบัติเหตุได้สำเร็จร้อยละ 100 งานวิจัยนี้จึงอาจเป็นอีกหนึ่งแนวทางในการพัฒนาระบบแจ้งเตือนอุบัติเหตุทางถนนอัจฉริยะ ที่ช่วยให้เจ้าหน้าที่กู้ภัย เจ้าหน้าที่ตำรวจ หรือผู้เกี่ยวข้อง ได้รับข้อมูลการเกิดอุบัติเหตุทางถนนได้อย่างรวดเร็ว และสามารถประเมินสถานการณ์จากรูปภาพหรือข้อความที่ได้รับ เพื่อเตรียมความพร้อมทั้งด้านทีมช่วยเหลือและอุปกรณ์เครื่องมือต่าง ๆ ที่จำเป็นเพิ่มเติม ทำให้สามารถช่วยเหลือผู้ประสบอุบัติเหตุได้อย่างทันท่วงที
References
Guendalina C, Sardar J, Kenneth MG. A literature survey of recent advances in chatbot. Information 2022;13(1):41.
IBM Cloud Education. What is artificial intelligence (AI). 2020. Available at: https://www.ibm.com/cloud/learn/what-is-artificial-intelligence. Accessed March 1, 2022.
Morera A, Sanchez A, Moreno BA, Sappa DA, and Velez J F. SSD vs. YOLO for Detection of outdoor urban advertising panels under multiple variabilities. Sensors 2020;20(16):4587.
Rendi N, Mohammad I. Comparative analysis of deep learning models for vehicle detection. Journal of Systems Engineering and Information Technology 2022;1(1):27-32.
Simon K. Digital thailand. 2023. Available at: https://datareportal.com/reports/digital-2023-thailand. Accessed March 3, 2023.
Tangsiri. Announcing the number of users reaching 50 million, the 10th anniversary of LINE Thailand. 2021. Available at: https://brandinside.asia/line-thailand-10-yrs. Accessed March 2, 2022.
Thai Road Safety Culture. Road Accident Statistics in Thailand. 2023. Available at: https://www.thairsc. com/data-compare. Accessed March 2, 2023.
Thanadkit C. 10 years of Line Thailand. 2021. Available at: https://thestandard.co/line-thailand-user-and-new-features. Accessed March 1, 2022.
Thanaphong J. Road accidents "the silent danger" that are still dangerous and challenging management. Journal of Emergency Medicine of Thailand 2021;1(1):71-76.
Upesh N, Hossein E. Comparing YOLOv3, YOLOv4 and YOLOv5 for autonomous landing spot detection in Faulty UAVs. Sensors 2022;22(2):1-15.
Wang Z, Wu Y, Yang L, Thirunavukarasu A, Evison C, Zhao Y. Fast personal protective equipment detection for real construction sites using deep learning approaches. Sensors 2021;21(10):1-22.
Winston C, Tejas S. Exploring low-light object detection techniques. 2021.Available at: https://arxiv.org/ pdf/2107.14382.pdf. Accessed March 12, 2022.
World Health Organization. Road traffic injuries. 2022. Available at: https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries. Accessed March 1, 2022.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 Life Sciences and Environment Journal
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Each article is copyrighted © by its author(s) and is published under license from the author(s).
0-5526-7000 Ext. 7230
