論文の概要: A Novel AI-Driven System for Real-Time Detection of Mirror Absence, Helmet Non-Compliance, and License Plates Using YOLOv8 and OCR
- arxiv url: http://arxiv.org/abs/2511.12206v1
- Date: Sat, 15 Nov 2025 13:18:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.673188
- Title: A Novel AI-Driven System for Real-Time Detection of Mirror Absence, Helmet Non-Compliance, and License Plates Using YOLOv8 and OCR
- Title（参考訳）: YOLOv8とOCRを用いた鏡面異常・ヘルメット非コンプライアンス・ライセンスプレートのリアルタイム検出のためのAI駆動システム
- Authors: Nishant Vasantkumar Hegde, Aditi Agarwal, Minal Moharir,
- Abstract要約: 道路安全は重要な世界的な問題であり、ヘルメット法や車両安全基準のマニュアルが資源集約的で矛盾している。
本稿では,交通違反検出を自動化し,実施効率と道路安全を著しく向上するAIを利用したシステムを提案する。
- 参考スコア（独自算出の注目度）: 0.8921166277011348
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Road safety is a critical global concern, with manual enforcement of helmet laws and vehicle safety standards (e.g., rear-view mirror presence) being resource-intensive and inconsistent. This paper presents an AI-powered system to automate traffic violation detection, significantly enhancing enforcement efficiency and road safety. The system leverages YOLOv8 for robust object detection and EasyOCR for license plate recognition. Trained on a custom dataset of annotated images (augmented for diversity), it identifies helmet non-compliance, the absence of rear-view mirrors on motorcycles, an innovative contribution to automated checks, and extracts vehicle registration numbers. A Streamlit-based interface facilitates real-time monitoring and violation logging. Advanced image preprocessing enhances license plate recognition, particularly under challenging conditions. Based on evaluation results, the model achieves an overall precision of 0.9147, a recall of 0.886, and a mean Average Precision (mAP@50) of 0.843. The mAP@50 95 of 0.503 further indicates strong detection capability under stricter IoU thresholds. This work demonstrates a practical and effective solution for automated traffic rule enforcement, with considerations for real-world deployment discussed.
- Abstract（参考訳）: 道路の安全は、ヘルメット法と車両の安全基準(例えば、後部ミラーの存在)のマニュアルが資源集約的で矛盾しているため、世界の重要な懸念事項である。
本稿では,交通違反検出を自動化し,実施効率と道路安全を著しく向上するAIを利用したシステムを提案する。
このシステムはYOLOv8を堅牢なオブジェクト検出に利用し、EasyOCRをライセンスプレート認識に利用する。
注釈付き画像(多様性のために強化された)のカスタムデータセットに基づいてトレーニングされ、ヘルメットの非準拠、オートバイのリアミラーの欠如、自動チェックへの革新的な貢献、車両登録番号の抽出などを特定する。
Streamlitベースのインターフェースは、リアルタイム監視と違反ロギングを容易にする。
高度な画像前処理は、特に困難な条件下で、ナンバープレート認識を強化する。
評価結果に基づいて、モデル全体の精度は0.9147、リコールは0.886、平均精度は0.843である。
さらに0.503のmAP@50 95は、より厳密なIoUしきい値の下での強い検出能力を示している。
本研究は,実世界の展開を考慮し,交通ルールの自動適用のための実用的で効果的なソリューションを実証するものである。
関連論文リスト
- Seeking to Collide: Online Safety-Critical Scenario Generation for Autonomous Driving with Retrieval Augmented Large Language Models [39.139025989575686]
本稿では,安全クリティカルな運転シナリオを生成するための大規模言語モデル (LLM) フレームワークについて紹介する。
本モデルでは, 平均最小衝突時間を1.62秒から1.08秒に短縮し, 75%の衝突速度でベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2025-05-02T03:22:00Z) - YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。
YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。
実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
論文 参考訳（メタデータ） (2025-03-18T04:28:05Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Next-gen traffic surveillance: AI-assisted mobile traffic violation
detection system [0.0]
交通事故で毎日1300万人が命を落としている。
機械学習とコンピュータビジョンを活用する人工知能アルゴリズムの統合は、正確なトラフィックルールの実施を促進する。
本稿では、コンピュータビジョンと機械学習が、様々な交通違反を検出する堅牢なアルゴリズムの作成を可能にする方法について述べる。
論文 参考訳（メタデータ） (2023-11-24T22:42:47Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Automatic Signboard Recognition in Low Quality Night Images [1.6795461001108096]
本稿では,低照度,雑音,ぼかしで捉えた画像から交通信号を認識することの課題について述べる。
提案手法は,Yolov4の低画質画像に対して,mAP@0.5で5.40%向上した。
また、GTSDBデータセットでmAP@0.5の100%を達成した。
論文 参考訳（メタデータ） (2023-08-17T12:26:06Z) - Real-Time Helmet Violation Detection in AI City Challenge 2023 with
Genetic Algorithm-Enhanced YOLOv5 [6.081363026350582]
本研究は,ヘルメット規制に違反する問題に対処する手段として,リアルタイム監視システムに焦点を当てている。
リアルタイムのヘルメット違反検出の試みは、リアルタイムに作動する能力の制限によって妨げられている。
本稿では,YOLOv5単段物体検出モデルを用いた新しいリアルタイムヘルメット違反検出システムを提案する。
論文 参考訳（メタデータ） (2023-04-13T22:04:30Z) - Real-time Multi-Class Helmet Violation Detection Using Few-Shot Data
Sampling Technique and YOLOv8 [11.116729994007686]
本研究では,頑健なリアルタイムヘルメット違反検出システムを提案する。
提案手法は,2023年のAI City Challenge, Track 5において,mAPスコア0.5861で7位となった。
論文 参考訳（メタデータ） (2023-04-13T21:13:55Z) - Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。
オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。
提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文 参考訳（メタデータ） (2022-09-06T12:01:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。