Gender and Age-Based Violations in Motorcycle Behaviours: A Case Study in Marrakesh
Questo articolo presenta un sistema basato sul deep learning che utilizza modelli YOLOv11 e CNN per rilevare specifiche violazioni del traffico motociclistico a Marrakech, analizzando al contempo la loro correlazione con l'età e il genere dei conducenti per migliorare la sicurezza stradale urbana e l'applicazione della legge.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nelle strade frenetiche delle città in via di sviluppo, una silenziosa rivoluzione nel trasporto sta cambiando il modo in cui le persone si spostano. Le motociclette hanno visto un aumento della popolarità, offrendo un'alternativa agile ed economica alle auto, specialmente in luoghi dove la congestione del traffico è una realtà quotidamente vissuta. A Marrakech, in Marocco, questi veicoli a due ruote costituiscono ormai più del sessanta per cento di tutti gli utenti della strada. Sebbene questo cambiamento porti efficienza, introduce anche un complesso intreccio di sfide legate alla sicurezza. Il modo unico in cui i conducenti si insinuano tra spazi stretti e navigano incroci affollati crea pericoli non solo per loro stessi, ma anche per i pedoni e per i conducenti di veicoli più grandi. Per comprendere e migliorare la sicurezza, i ricercatori si stanno rivolgendo a un campo della scienza che permette alle macchine di vedere e interpretare il mondo in modo molto simile agli esseri umani. Utilizzando telecamere e software avanzati, gli scienziati possono ora osservare i flussi di traffico, identificare comportamenti specifici e persino riconoscere le persone dietro il manubrio. Questo approccio va oltre il semplice conteggio; mira a comprendere l'elemento umano del traffico, cercando modelli nel modo in cui diversi gruppi di persone interagiscono con le regole della strada.
Un team di ricercatori dell'Università Cadi Ayyad di Marrakech ha portato questo concetto un passo avanti, costruendo un sistema progettato per individuare abitudini pericolose tra i motociclisti. Il loro lavoro si concentra su quattro infrazioni specifiche che portano frequentemente ad incidenti: guidare senza casco, utilizzare un cellulare durante la guida, passare con il rosso e procedere a zig zag in modo erratico tra altri veicoli. Per studiare questi comportamenti, il team ha installato una telecamera ad alta risoluzione in un incrocio trafficato, noto per il suo intenso traffico di motociclette. Nel corso di diversi giorni, hanno registrato oltre sette ore di filmati, catturando il ritmo quotidiano della città durante le ore del mattino, del pomeriggio e della sera. Questi dati visivi grezzi sono diventati la base della loro indagine, permettendo loro di osservare le abitudini di guida reali nel momento stesso in cui accadevano.
Il cuore del loro metodo si basa su un tipo sofisticato di intelligenza artificiale nota come deep learning. I ricercatori hanno prima utilizzato uno strumento di rilevamento potente per scansionare i fotogrammi del video e localizzare ogni motocicletta e conducente. Una volta trovato un veicolo, il sistema ha fatto uno zoom per identificare il volto del conducente. Da lì, il software ha analizzato specifici tratti del viso per stimare l'età del conducente e determinarne il genere. Queste informazioni demografiche sono state poi collegate direttamente alle azioni compiute dal conducente. Il sistema è stato addestrato per riconoscere quando mancava il casco, quando una mano teneva un telefono vicino al viso, quando un veicolo attraversava la linea di arresto contro un segnale rosso o quando una motocicletta si muoveva con un percorso irregolare e imprevedibile tra le auto. Collegando chi era il conducente a ciò che stava facendo, i ricercatori hanno potuto andare oltre le statistiche generali per vedere se determinati tipi di persone fossero più propense a infrangere regole specifiche.
I risultati di questa analisi hanno rivelato modelli di comportamento chiari e distinti. I dati hanno mostrato che l'età è un fattore significativo nella probabilità che una persona commetta una violazione. I conducenti compresi tra i diciotto e i venticinque anni erano i più inclini a usare il cellulare durante la guida, con questo gruppo che mostrava i tassi più alti di distrazione in entrambi i generi. Al contrario, la fascia d'età tra i ventisei e i trentacinque anni appariva più frequentemente nei dati relativi alla mancata indossata del casco. Per quanto riguarda il genere, lo studio ha rilevato che i conducenti uomini commettevano generalmente violazioni con frequenza maggiore rispetto alle donne in tutte le categorie. Ciò era particolarmente evidente nella pericolosa pratica dello zigzag tra i veicoli, dove i giovani uomini tra i diciotto e i venticinque anni rappresentavano quasi un terzo di tutti tali incidenti. Le conducenti, specialmente quelle in fasce d'età più avanzate, sono state osservate infrangere le regole molto meno spesso.
Per dare un senso a questi risultati, i ricercatori hanno costruito un modello decisionale che mappava come l'età, il comportamento passato e il genere interagiscono per influenzare le scelte di un conducente. L'analisi ha suggerito che l'età è il predittore più potente del comportamento rischioso. I conducenti più giovani erano più propensi a correre rischi, mentre i conducenti più anziani tendevano a essere più rispettosi delle regole. Il modello ha anche indicato che la storia di un conducente conta; coloro che avevano infranto le regole in passato erano più propensi a farlo nuovamente, suggerendo che la guida insicura sia spesso un'abitudine costante piuttosto che un errore isolato. Sebbene il genere giocasse un ruolo, la sua influenza non era forte quanto quella dell'età ed era spesso dipendente dal contesto specifico della violazione. Ad esempio, sebbene i giovani uomini fossero i trasgressori più frequenti in generale, c'erano situazioni specifiche in cui la differenza tra il comportamento maschile e quello femminile era meno pronunciata.
Lo studio conclude che questi sistemi intelligenti offrono un modo promettente per migliorare la sicurezza stradale senza fare affidamento esclusivamente sull'osservazione umana. Rilevando automaticamente le violazioni e collegandole ai dati demografici dei conducenti, le autorità possono muoversi verso strategie di controllo e di educazione più mirate. Invece di applicare un approccio indiscriminato a tutti i conducenti, le campagne di sicurezza potrebbero essere personalizzate per affrontare i rischi specifici affrontati dai giovani uomini o le particolari distrazioni che colpiscono la fascia d'età tra i diciotto e i venticinque anni. I ricercatori osservano che, sebbene il loro sistema abbia funzionato bene con i dati raccolti, i miglioramenti futuri potrebbero includere fattori come le condizioni meteorologiche e la densità del traffico per rendere le previsioni ancora più accurate. In definitiva, questo lavoro dimostra che, comprendendo i modelli umani dietro le violazioni del traffico, le città possono sviluppare modi più intelligenti ed efficaci per proteggere tutti sulla strada.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.