一種駕駛員頭盔佩戴識別系統的設計

摘要：為解決道路上電動摩托車騎行人員頭盔佩戴檢測能力缺失的問題，設計了一種基于北斗技術的電動摩托車駕駛員頭盔佩戴識別系統，利用北斗技術提供的高精度位置信息，結合基于谷歌的pytorch深度神經網絡學習圖像識別技術，采用YOLOv5檢測平臺，檢測機動車駕駛者有無佩戴安全頭盔，進行提醒并處理，實現對機動車駕駛員頭盔佩戴情況的實時監測與識別，實時輸出違規操作的數據報告，解決人為巡檢時效性差、數據不精確的問題。實驗結果表明，該系統具有較高的識別準確率和實時性，為非機動車騎行人員頭盔佩戴的自動化識別提供了一個可行的途徑，具有較好的應用前景。

關鍵詞：北斗模塊；頭盔識別系統；實時監測；語音播報

中圖分類號：U462 收稿日期：2024-08-15

DOI：1019999/jcnki1004-0226202410029

1 前言

隨著城市化進程的加速和交通工具的多樣化，電動摩托車作為一種便捷、經濟的交通工具，在城市交通中扮演著越來越重要的角色。電動摩托車在摔倒和發生碰撞時，頭部是最脆弱、最容易導致人死亡的部位，頭盔可以有效地保護頭部，有效地降低事故發生受到的危險，還可以減少空氣的阻力。

公安部交管局要求，駕駛電動自行車必須要戴頭盔，但也有很多駕駛者由于各種原因未佩戴安全頭盔。目前主要通過執法人員來巡檢電動自行車騎乘人員頭盔是否佩戴，雖有一定的安全管理效果，但也存在工作效率較低、數據不準確的問題[1]。而且依靠人工，執法成本高且存在漏檢等情況，因此實現對電動摩托車駕駛員頭盔佩戴情況的實時監測與識別，實時輸出違規操作的數據報告成為亟待解決的問題。

2 基于北斗技術的電動摩托車頭盔識別系統研究

2.1 系統工作原理

本文提供一種基于北斗技術的電動摩托車頭盔識別系統，該系統融合了衛星導航和頭盔佩戴識別技術，不僅利用北斗衛星導航系統提供的位置信息，還結合頭盔佩戴識別技術，以確保電動摩托車駕駛員的安全和規范性。該系統與電動摩托車的啟動系統連接在一起，在摩托車啟動時，通過語音警告，提醒駕駛者規范佩戴安全帽，該裝置還可以自動檢測騎乘人員是否正確佩戴了頭盔，同時具備與車輛、手機以及其他終端通信的功能。如果駕駛者一意孤行，檢測系統在語音警告提醒的同時，也可將該信號短信通知家人或者反饋給周圍交警，交警接到信號以后將駕駛者攔下來，從而規范機動車駕駛者的頭盔佩戴行為，為保障騎乘人員安全和提升道路安全暢通起到很好的保障作用。

2.2 系統基本構成

如圖1所示，基于北斗技術的電動摩托車頭盔識別系統主要由以下模塊組成：

a.北斗衛星導航模塊。通過將北斗芯片或模塊集成到電動摩托車中，接收北斗衛星信號，實時傳輸位置數據，提供準確的位置、速度和時間信息。

b.頭盔檢測模塊。基于圖像處理和模式識別算法，圖像識別模塊則通過選擇高清、低延遲的攝像頭，用于捕捉電動摩托車駕駛員的實時圖像，并利用圖像識別算法進行分析和處理，實現對頭盔佩戴情況的自動識別和判斷。

c.通信模塊主要完成數據傳輸與處理，處理來自BDS模塊和頭盔佩戴識別模塊的數據，將頭盔佩戴狀態與位置信息結合，生成綜合數據。通過無線通信網絡（如4G/5G、Wi-Fi等）將數據傳輸到監控中心或云端服務器。

d.終端平臺是通過手機小程序界面實時顯示頭盔佩戴狀態、實時定位以及運行軌跡的讀取。

2.3 系統算法設計

項目采用基于谷歌的pytorch深度神經網絡學習為識別系統，深度學習技術可以自動學習和提取圖像中的特征，以高準確度識別駕駛員是否佩戴頭盔。目標檢測采用YOLOv5檢測平臺[2]，用來檢測電動摩托車駕駛者有無佩戴安全頭盔的問題，并進行未佩戴提醒以及定位、信息上傳等工作。

a.數據集構建。收集大量電動摩托車駕駛員佩戴和未佩戴頭盔的圖像數據，通過對大量頭盔圖像的學習，構建訓練數據集。

b.模型訓練。使用深度學習框架（pytorch）和訓練數據集訓練目標檢測模型，用于快速準確地識別頭盔佩戴情況。

c.實時檢測。將訓練好的模型部署到系統中，通過攝像頭捕捉實時圖像，并使用模型進行頭盔佩戴識別。識別結果將實時顯示在用戶界面上且對未佩戴的駕駛者進行語音提醒。

2.4 系統功能特點

a.實時位置監控。內置北斗芯片，利用北斗衛星導航系統實時跟蹤電動摩托車的位置。可在手機上顯示車輛位置，便于管理和調度。

b.機動車駕駛者頭盔佩戴的管控目前是一個盲區，響應近年來公安部針對電動車、摩托車騎行人員發起的盔佩戴“一盔一帶”安全守護行動號召。

c.頭盔佩戴識別。結合攝像頭和圖像識別技術，準確判斷駕駛員是否佩戴頭盔。一旦檢測到未佩戴頭盔，系統可自動記錄并發送警報。同時頭盔內置傳感器，可感知是否佩戴，并自動上傳該駕駛員佩戴記錄至管理后臺。

d.數據分析與報告。監控中心或云端服務器可分析收集到的數據，生成關于頭盔佩戴情況的統計報告。這些報告有助于了解駕駛員的遵規情況，為管理提供依據。

e.遠程管理與控制。管理人員可通過用戶界面遠程查看電動摩托車的位置和頭盔佩戴情況。必要時，可通過系統向駕駛員發送指令或提醒。

3 系統研究原理和方法

3.1 識別系統設計

電動摩托車安全頭盔佩戴識別系統以人工智能技術中的神經網絡為主要手段，通過對頭盔佩戴數據集進行訓練自動更新神經網絡各節點的權重值，構建出普適性的識別模型[3]，系統設計結構如圖2所示。首先由攝像頭實時獲取圖像，進行圖形預處理；隨后將歸一化的識別圖片傳入識別模型進行分類預測，識別模型通過多次卷積逐層獲取特征值，并采用多個尺度融合的方式在特征圖上進行位置和類別預測；最后將預測的分類結果標注在圖像上輸出。

3.2 python軟件進行檢測

打開pycharm project界面，用到的主要檢測程序如下：

if__name__=='__main__'：

parser=argparse.ArgumentParser（）。

parser.add_argument（'name_or_flags：’--weights'，nargs='+'，type=str，default='weights/best.pt'，help='model.pt path（s）'）。

#default='0'eg：0為電腦攝像頭，video1.mp4為視頻。

video1.mp4，video2.mp4為視頻源video2.mp4。

#parser.add_argument（'--source'，type=str，default='0'。

help='source'）# file/folder，0 for webcam。

parser.add_argument（*'name_or_flags：'--source'，type=str，default='。

video1.mp4'，help='source'）#file/folder，0 for webcam。

#parser.add_argument（'--source'，type=str，default='video2.mp4'。

help='source'）#file/folder，0 for webcam。

電動車頭盔佩戴檢測可視化界面，底部兩個按鈕可以選擇對電腦攝像頭獲取視頻或者視頻源圖像檢測。

3.3 手機小程序操作界面

使用微信開發者工具設計了一個專屬于物聯網頭盔佩戴情況實時檢測、顯示的微信小程序，通過主控單片機串口連接接收傳感器采集到的信息，并通過mqtt協議傳輸至微信小程序平臺端。功能主要借助電動摩托車安全頭盔佩戴識別系統中的北斗導航芯片對電動車駕駛員的位置信息進行定位獲取、實時路線查詢以及在線查看駕駛員的頭盔佩戴情況等。不僅可以監測頭盔佩戴的異常情況及時發出警報進行提醒，還可以實現后臺報警、多種智能違章監控等功能，適用于通用的交通重點監控的場合，可以快速接入現場的監控攝像頭。

4 系統測試與優化

采用手動模擬來測試，手動模擬的數據格式如下：4 000；34.44321；109.181875；1。其數值代表意義分別是：壓力傳感器值；經緯度；經緯度；手動模擬狀態（默認值為1）。當壓力傳感器值數值小于4 000時，就會觸發佩戴頭盔警報，進行提醒或者處理。

為了驗證基于北斗技術的電動摩托車頭盔識別系統的性能，在多個實際場景中進行了實驗驗證。實驗過程中，選取了不同類型的電動摩托車、不同的騎行者以及不同的天氣和光照條件，以全面評估系統的識別準確性和穩定性。

a.實驗環境。選取了城市、郊區、鄉村等不同地域的多種道路環境，包括平直路段、彎道、十字路口等，以模擬不同的騎行場景。

b.實驗對象。選取了多種品牌和型號的電動摩托車，涵蓋了市場上常見的不同車型。同時，邀請了不同年齡、性別的騎行者參與實驗，以確保實驗結果的普遍性。

c.環境條件。實驗在不同的時間段進行，包括白天、傍晚和夜晚，以及晴天、陰天、雨天等多種天氣和光照條件，以檢驗系統在不同環境下的表現。

d.實驗過程。①數據收集：在實驗過程中，記錄了系統對騎行者頭盔佩戴情況的識別結果，并同步收集了騎行者的騎行視頻作為對照數據。②性能評估：通過對比系統識別結果與視頻標注結果，計算系統的識別準確率、誤報率和漏報率等關鍵指標。

e.實驗結果。實驗結果表明，該系統在大多數情況下都能準確識別騎行者是否佩戴頭盔。即使在復雜環境或惡劣天氣條件下，系統的識別準確率也能保持在較高水平。同時，系統的實時性也得到了很好的保證，能夠在短時間內完成頭盔佩戴情況的識別和判斷。

5 結語

YOLO算法作為神經網絡中應用最廣泛的技術，具有速度快、精度高等特點，將其應用在電動摩托車駕駛員頭盔佩戴檢測中能有效解決交管部門執法“最后一公里”的困境，它不僅可以提高電動摩托車騎行者的安全意識，降低交通事故的風險，還可以為交通管理部門提供有效的監管手段，促進城市交通的安全和有序發展。其次，北斗定位模塊與圖像識別模塊的協同需要確保兩者之間的數據能夠實時、準確地傳輸和同步[4]，以實現對騎行者頭盔佩戴情況的精確識別，此時對數據傳輸協議進行優化，確保系統的實時性和穩定性。

參考文獻：

[1]王書獻，張勝茂，朱文斌，等基于深度學習YOLOV5網絡模型的金槍魚延繩釣電子監控系統目標檢測應用[J]大連海洋大學學報，2021（5）：842-850.

[2]李玄鋒，夏毅，黃越，等基于改進YOLOv5的智慧交通電動車頭盔佩戴識別系統[J]信息技術與信息化，2022（9）：203-206.

[3]李佳昊，陸錦泉基于優化的YOLOv5模型的車輛檢測與分類研究[J]交通科技與管理，2022（20）：5-7.

[4]劉洪，王元華，何健，等YOLOv5算法在山火檢測中的應用[J]興義民族師范學院學報，2022（4）：113-118.

作者簡介：

費維科，女，1987年生，副教授，研究方向為控制工程、物聯網工程技術。